在大中型專案中，在資料庫設計的時候，考慮到資料庫最大承受資料量，通常會把資料庫或者資料表水平切分，以降低單個庫，單個表的壓力。我這裡介紹兩個我們專案中常用的資料表切分方法。當然這些方法都是在程式中使用一定的技巧來路由到具體的表的。首先我們要確認根據什麼來水平切分？在我們的系統（sns）中，使用者的uid貫穿系統，唯一自增長，根據這個字段分表，再好不過。
方法一：使用md5雜湊
做法是對uid進行md5加密，然後取前幾位（我們這裡取前兩位），然後就可以將不同的uid雜湊到不同的使用者表（user_xx）中了。
function
gettable
( $uid )
但是這裡有個問題是，如果我們的系統的使用者越來越多，勢必單張表的資料量越來越大，而且根據這種演算法無法擴充套件表，這又會回到文章開頭出現的問題了。
方法二：使用移位
具體方法是：
public
function
gettable
( $uid )
上面的演算法還可以寫的靈活點：
/**
* 根據uid分表演算法
* * @param
int$uid //使用者id
* @param
int$bit //表字尾保留幾位
* @param
int$seed //向右移動位數
*/function gettable( $uid , $bit , $seed )d" , ($uid >> $seed) );
}
上面兩種方法，都要對我們當前系統的使用者資料量做出可能最大的預估，並且對資料庫單個表的最大承受量做出預估。
比如第二種方案，如果我們預估我們系統的使用者是100億，單張表的最優資料量是100萬，那麼我們就需要將uid移動20來確保每個表是100萬的資料，保留使用者表（user_***x）四位來擴充套件1萬張表。
又如第一種方案，每張表100萬，md5後取前兩位，就只能有256張表了，系統總資料庫就是：256*100萬；如果你系統的總資料量的比這還多，那你實現肯定要md5取前三位或者四位甚至更多位了。
兩種方法都是將資料水平切分到不同的表中，相對第一種方法，第二種方法更具擴充套件性。。。
Python處理千萬級資料
從別人的 裡找到要用的資料的原始資料自己做過濾 搗鼓了兩天覺得 太慢開始用pandas做處理 不得不說最大的感觸就是 pandas 以及numpy在一定程度上在還原matlab 比如matlab中利用邏輯值取數 元素的用法，pandas中有幾乎一樣的方法 test 同時pandas中有很多很好用的方...
資料庫亂碼解決方案
oracle 資料庫亂碼解決方案 你插入資料的時候，用 轉變字串的亂碼函式 param str return public string getstr string str catch exception e 向bean裡面賦值 public void setaction string action...
資料庫死鎖解決方案
一 活鎖 如果事務t1封鎖了資料r，事務t2又請求封鎖r，於是t2等待。t3也請求封鎖r，當t1釋放了r上的封鎖之後系統首先批准了t3的請求，t2仍然等待。然後t4又請求封鎖r，當t3釋放了r上的封鎖之後系統又批准了t4的請求，t2有可能永遠等待，這就是活鎖的情形。避免活鎖的簡單方法是採用先來先服務...