1. 取模分片

idmod-long
3

配置说明：

2. 范围分片

根据指定的字段及其配置的范围与数据节点的对应情况，来决定该数据属于哪一个分片

idrang-long
autopartition-long.txt0

autopartition-long.txt 配置如下：

# range start-end ,data node index
# K=1000,M=10000.
0-500M=0
500M-1000M=1
1000M-1500M=2

含义为 ： 0 - 500 万之间的值 ， 存储在0号数据节点 ； 500万 - 1000万之间的数据存储在1号数据节点 ； 1000万 - 1500 万的数据节点存储在2号节点 ；

配置说明：

3. 枚举分片

通过在配置文件中配置可能的枚举值，指定数据分布到不同数据节点上，本规则适用于按照省份或状态拆分数据等业务，配置如下：

statushash-int
partition-hash-int.txt00

partition-hash-int.txt ，内容如下 : 等号左边的为状态值，右边dataNode节点数

1=0
2=1
3=2

配置说明：

4. 范围求模算法

该算法先进行范围分片，计算出分片组，再进行组内求模
优点： 综合了范围分片和求模分片的优点。分片组内使用求模可以保证组内的数据分布比较均匀，分片组之间采用范围分片可以兼顾范围分片的特点。
缺点： 在数据范围固定值时，存在不方便扩展的情况，列如将dataNode Group size从2扩展为4时，需要进行数据迁移才能完成。

idrang-mod
autopartition-range-mod.txt0

autopartition-range-mod.txt 配置格式 :

#range  start-end , data node group size
0-500M=1
500M1-2000M=2

在上述配置文件中, 等号前面的范围代表一个分片组 , 等号后面的数字代表该分片组所拥有的分片数量;
配置说明：

5. 固定分片hash算法

优点： 这种策略比较灵活，可以均匀分配也可以非均匀分配，各节点的分配比例和容量大小由partitionCount和partitionLength两个参数决定
缺点： 和取模分片类似，不易扩展节点

idbrand_partition

2,1256,512

在示例中配置的分片策略，希望将数据水平分成3份，前两份各占25%，第三份占50%。

配置说明：

约束：
1. 分片长度：默认最大2*10,为1024
2. count,length的数组长度必须是一致的
3. 两组数据的对应情况(partitionCount[0]partitionLength[0])=(partitionCount[1]partitionLength[1])
4. 以上分为三个分区：0-255，256-511，512-1023

6. 取模范围算法

该算法先进行取模，然后根据取模值所属范围进行分片。
优点： 可以自主决定取模后数据的节点分布
缺点： dataNode划分节点是事先建好的，需要扩展时比较麻烦。

idsharding-by-pattern
partition-pattern.txt096

partition-pattern.txt 配置如下:

0-32=0
33-64=1
65-96=2

在mapFile配置文件中，1-32即代表id%96后的分布情况，如果在1-32则在分片0上，如果33-64则在分片1上，如果65-96则在分片2上
配置说明：

注意 : 取模范围算法只能针对于数字类型进行取模运算 ; 如果是字符串则无法进行取模分片 ;

7. 字符串Hash求模范围算法

与取模范围算法类似，该算法支持数值，符号，字母取模，首先截取长度为prefixLength的字串，在对字串中的每一个字符的ASCII码求和，然后对求和值进行取模运算(sum%patternValue),就可以计算出子串的分片数。
优点： 可以自主决定取模后数据的节点分布
缺点： dataNode划分节点是事先建好的，需要扩展时比较麻烦。
配置如下：

idsharding-by-prefixpattern
partition-prefixpattern.txt596

partition-prefixpattern.txt 配置如下:

# range start-end ,data node index
# ASCII
# 48-57=0-9
# 64、65-90=@、A-Z
# 97-122=a-z
###### first host configuration
0-32=0
33-64=1
65-96=2

配置说明：

字符串如何计算：

字符串 :gf89f9a
截取字符串的前5位进行ASCII的累加运算 : g - 103f - 1028 - 569 - 57f - 102sum求和 : 103 + 102 + + 56 + 57 + 102 = 420求模 : 420 % 96 = 36

8. 应用指定算法

运行阶段由应用自主决定路由到哪个分片，直接根据字符字串(必须是数字)计算分片好，配置如下：

idsharding-by-substring
0 230

配置说明：

示例说明：
id=05-100000002,在此配置中代表根据id中从startIndex=0,开始截取size=2位数字即05，05就是获取的分区，如果没传默认分配到defaultPartition.

9. 字符串hash解析算法

截取字符串中的指定位置的子字符串，进行hash算法，算出分片，配置如下：

user_idsharding-by-stringhash
512 20:2

配置说明：

10. 一致性hash算法

一致性hash算法有效的解决了分布式数据拓容问题，配置如下：
所谓一致性哈希， 相同的哈希因子计算值总是被划分到相同的分区表中，不会因为分区节点的增加而改变原来数据的分区位置，比如，原来数据 有6个节点，现在有7个节点，原来坐落在6个节点中的数据 ，不会因为新增一个 节点而导致存量数据的分区发生改变， 一般用于数据迁移与合并的场合，解决分布式数据扩容的问题

idmurmur
03160

配置说明：

11. 自然月分片算法

create_timesharding-by-month
yyyy-MM-dd2022-11-022023-01-02
配置说明：
属性
描述
columns
标识将要分片的表字段
algorithm
指定分片函数与function的对应关系
class
指定该分片算法对应的类
dateFormat
日期格式
sBeginDate
开始日期
sEndDate
结束日期，如果配置了结束日期,则循环分片,其上有3个节点，sEndDate一定要正确
12. 日期分片算法
 
按照日期来分片
 
create_timesharding-by-date
yyyy-MM-dd2022-01-012022-12-3110
 
配置说明：
 
属性
描述
columns
标识将要分片的表字段
algorithm
指定分片函数与function的对应关系
class
指定该分片算法对应的类
dateFormat
日期格式
sBeginDate
开始日期
sEndDate
结束日期，如果配置了结束日期，则代码数据到达了这个日期的分片后，会重复从开始分片插入
sPartionDay
分区天数，默认值 10 ，从开始日期算起，每个10天一个分区
注意： 配置规则的表dataNode的分片，必须和分片规则数量一致，例如：2022-01-01到2022-12-31，每10天一个分片，一共需要37个分片
 13. 单月小时算法
 单月内按照小时拆分，最小粒度是小时，一天最多可以有24个分片，最小1个分片，下个月从头开始循环，每个月末需要手动清理数据
 配置如下：
 
create_timesharding-by-hour
24
 
配置说明：
 
属性
描述
columns
标识将要分片的表字段
algorithm
指定分片函数与function的对应关系
class
指定该分片算法对应的类
splitOneDay
一天切分的分片数
13. 日期范围hash算法
 
其思想和范围取模分片一样，先根据日期进行范围分片求出分片组，再根据时间hash使得短期内数据分布的更均匀；
 优点： 可以避免扩容时的数据迁移，又可以一定程度上避免范围分片的热点问题
 注意： 要求日期格式尽量精确些，不然达不到局部均匀的目的。
 
create_timerange-date-hash
yyyy-MM-dd HH:mm:ss2022-01-01 00:00:00610
 
配置说明：
 
属性
描述
columns
标识将要分片的表字段
algorithm
指定分片函数与function的对应关系
class
指定该分片算法对应的类
dateFormat
日期格式 , 符合Java标准
sBeginDate
开始日期 , 与 dateFormat指定的格式一致
groupPartionSize
每组的分片数量
sPartionDay
代表多少天为一组