3. 范围分片与哈希分片实战
MongoDB 分片集群中，分片键（Shard Key）决定了数据如何被切分到各个分片。范围分片（Ranged Sharding）与哈希分片（Hashed Sharding）是两种最基础的分片策略，它们在底层机制、数据分布、查询路由和适用场景上存在本质差异。理解这些差异，是设计分片集群时做出正确选择的前提。
一、底层机制：从分片键到 Chunk 的映射
无论哪种策略，MongoDB 都先将分片键的取值空间划分为若干区间，每个区间对应一个 Chunk（数据块），Chunk 再被均衡器分配到不同分片上。区别在于：范围分片直接使用分片键的原始值作为区间边界，而哈希分片先对分片键值做哈希运算，再用哈希值作为区间边界。
例如，以 {userId: 1} 为分片键，范围分片会形成 [-∞, 100)、[100, 200)、[200, 300) 这样的区间；而哈希分片会先计算 hash(userId)，得到类似 -7.0e18 到 7.0e18 的 64 位有符号整数空间，再将其划分为等宽区间。这意味着哈希分片下，相邻的 userId 值会被打散到完全不同的 Chunk 中。
二、数据分布特征与热点问题
范围分片最显著的特征是数据局部性：相邻分片键值的数据物理上聚集在同一 Chunk 中。这对范围查询非常友好，但也带来一个经典问题——单调递增分片键导致的写入热点。假设以自增 _id 或时间戳作为分片键，新写入的数据总是落在最后一个 Chunk 上，均衡器虽然会不断分裂和迁移 Chunk，但迁移速度往往跟不上写入速度，最终所有写请求都压在一个分片上。
哈希分片通过哈希函数将分片键值均匀打散，从根本上消除了单调递增带来的热点。但代价是数据局部性丧失：原本相邻的 userId 可能被分配到不同分片，范围查询无法利用分片键的连续性进行定向路由。
三、查询路由差异的实战验证
在 mongos 上执行查询时，可以通过 explain() 观察路由行为。以下示例假设集群已按 {userId: "hashed"} 分片：
// 等值查询：哈希分片可定向路由
db.orders.find({ userId: 1001 }).explain("executionStats")
// 结果中 shards 字段只包含一个分片
// 范围查询：哈希分片需广播
db.orders.find({ userId: { $gte: 1000, $lte: 2000 } }).explain("executionStats")
// 结果中 shards 字段包含所有分片，且 totalDocsExamined 远大于 nReturned如果同样的查询在范围分片下执行，范围查询的 shards 字段通常只包含少数几个分片，totalDocsExamined 与 nReturned 更接近，说明路由更精准。
四、选择依据：从业务查询模式出发
选择分片策略时，建议按以下顺序评估：
- 列出高频查询的过滤条件，判断是等值查询还是范围查询为主。
- 评估写入模式，是否存在单调递增字段（如时间戳、自增 ID）。
- 检查分片键基数，低基数字段（如性别、状态）不适合做分片键，无论哪种策略。
- 考虑是否需要唯一性约束，哈希分片下无法保证分片键的唯一性索引（除非使用复合分片键）。
| 评估维度 | 范围分片 | 哈希分片 |
|---|---|---|
| 数据分布 | 连续区间，可能倾斜 | 均匀散列，负载均衡 |
| 等值查询 | 定向路由 | 定向路由 |
| 范围查询 | 定向路由，高效 | 广播到所有分片，低效 |
| 写入热点 | 单调键易产生热点 | 天然避免热点 |
| 典型场景 | 日志、时间序列、范围检索 | 用户订单、高并发写入 |
五、混合策略：复合分片键的折中方案
当单一策略无法同时满足写入均匀和查询高效时，可以使用复合分片键。例如 {tenantId: 1, userId: "hashed"}：先按 tenantId 做范围分片，保证同一租户的数据聚集；再按 userId 做哈希分片，避免单个租户内写入热点。这样，按 tenantId 的查询可以定向路由，租户内的写入也能均匀分布。
另一种常见模式是范围 + 哈希组合：{region: 1, timestamp: "hashed"}。region 保证地理局部性，timestamp 哈希避免时间递增热点。但需要注意，复合分片键的查询路由规则更复杂：只有包含前缀字段的查询才能定向路由，仅包含后缀字段的查询仍需广播。
refineCollectionShardKey 添加后缀字段，但无法改变已有前缀。因此分片键设计必须在集群初始化前充分评估。
实际工程中，建议先用真实查询模式做一次路由模拟：在测试集群上分别用两种策略建集合，导入代表性数据，对 Top 10 查询执行 explain()，统计 totalDocsExamined / nReturned 比值和分片命中数。比值越接近 1、命中分片越少，说明该策略越适合当前业务。这个验证过程比任何理论对比都更有说服力。