数据分片让我们先来看一个例子。我们经常使用Redis作为缓存，将一些数据放在上面，以减轻数据的压力。当数据量不大，访问压力不高时，通常一个Redis就可以搞定。对于高可用，有主从就够了；当数据量变大，并发量变大的时候，所有缓存的数据放到一台机器上就有点困难了。毕竟一台机器的资源是有限的。通常我们会搭建一个集群环境，将数据尽可能均匀的放在各个Redis中。比如我们集群中有4个Redis。那么如何把数据尽量均匀的放到这4个Redis中呢？最简单的就是取模算法：hash(key)%N，N是Redis的个数，这里N=4；看起来很不错，因为依靠这个方法，我们平均可以将数据存储在4个Redis中。当有新的请求来的时候，我们也可以定位到数据会在哪个Redis中，这样就可以准确的查询到缓存的数据了。02数据分片遇到的问题但是4个Redis不够用，需要再加4个Redis；那么这个余数算法将变成：hash(key)%8;那么试想一下，当前大部分的缓存位置都会出错，极端情况下会造成缓存雪崩。03ConsistencyHashAlgorithmConsistencyHash算法可以很好的解决这个问题。它的大致过程是这样的：以0为起点，2^32-1为终点，画一条直线，然后将起点和终点重叠，直线变成圆，方向为顺时针方向由小到大。0右边的第一个点是1，然后是2，依此类推。将三台服务器的IP或者其他关键字进行hash后，取2^32取模，这样肯定会落在这个圆上的某个位置，记为Node1、Node2、Node3。然后对datakey进行同样的操作，必然会落在圆上的某个位置上；然后顺时针走，可以找到某个Node，就是要存放key的server。如果添加服务器或删除服务器，只会影响部分数据。但是，如果节点太少或者分布不均，很容易造成数据倾斜，即大部分数据会集中在某台服务器上。为了解决数据倾斜的问题，一致性哈希算法提出了【虚拟节点】，为每个服务节点计算多个哈希值，并将它们放在环上的不同位置。当然我们也可以发现，一致性Hash算法只解决了大部分的数据问题。
