当关系型数据库数据量过大时，通常会采用分库分表降低数据库查表压力。分库分表有多种，有分一个库多张分表额，有分多个库多张表的。一般分库分表使用ShardingSphere分表，建分片键等。但是分库分表之后，主键ID如何处理呢？相同业务表不同分表的主键ID是不可以相同的。所以要考虑一下主键ID如何赋值的问题。
有以下几种我了解或者涉及到过的主键ID的处理方式：

一、自动生成主键ID

这种方式一般会将主键设置为bitint类型，自增的。但是会存在一个问题，多张分表保证主键不冲突，因为在业务上来说，多张分表的数据组成某个业务，因此主键是不允许冲突的。
当采用自动生成主键ID的方案时，可以设置固定的几张分表，每个分表的起点不一样，每次新增的步长一样，这样就可以保证每张分表的主键不冲突。
举例，如某张表分表有10张，可以设置每张表的起始主键ID从1到10，每张分表主键ID递增步长为10。

根据上面分表主键递增规律，每张表的行数如下递增

按照主键递增格式有弊端，即新增表时，不好处理主键逻辑。这种主键ID递增的方式适用于分表比较固定的情况。

2.UUID做主键

uuid获取方式：

String id = UUID.randomUUID();结果：647be5bd-a477-4eff-8e58-99a573bb14ec

在前几年的时候，uuid作为主键的表遍地都是，因为它数据范围之广，用法方便受很多人青睐。但是uuid长度为36位，即使去掉中间的“-”，长度也有32位，因此比较占用存储空间。
因为uuid是无序的，因此新增到数据库时，数据表如果采用btree索引，那么每次新增一条数据都需要重新排序，比较费时间，因此uuid作为分表主键也是不太推荐的。

3.雪花算法

采用SnowFlake算法生成唯一id，包含时间戳，工作中心id，数据中心id，序列号组成，结构如下：

（1）一位占位符：默认为0。最高位代表正负，1代表负数，0代表正数，默认为正数。
（2）41位时间戳：毫秒级的时间，可以存69年，(1L << 41) / (1000L * 60 * 60 * 24 * 365) = 69年
（3）5位工作中心id：十进制范围在0-31；5位数据中心id：十进制范围在0-31。两个组合在一起最多可以容纳1024个节点。
（4）序列号：占用12bit，最多可以累加到4095。自增值支持同一毫秒内同一个节点可以生成4096个ID,这个值在同一毫秒同一节点上从0开始不断累加。(最大可以支持单节点差不多四百万的并发量)

java一般使用hutool中的IdUtil类生成雪花算法id。以下是代码解析
（1）IdUtil

public class IdUtil {    public IdUtil() {    }        @Deprecated    public static Snowflake createSnowflake(long workerId, long datacenterId) {        return new Snowflake(workerId, datacenterId);    }        public static Snowflake getSnowflake(long workerId, long datacenterId) {        return (Snowflake) Singleton.get(Snowflake.class, new Object[]{workerId, datacenterId});    }        public static Snowflake getSnowflake(long workerId) {        return (Snowflake) Singleton.get(Snowflake.class, new Object[]{workerId});    }        public static Snowflake getSnowflake() {        return (Snowflake) Singleton.get(Snowflake.class, new Object[0]);    }        public static long getDataCenterId(long maxDatacenterId) {        Assert.isTrue(maxDatacenterId > 0L, "maxDatacenterId must be > 0", new Object[0]);        //9223372036854775807L转成二进制，由63位的1组成        if (maxDatacenterId == 9223372036854775807L) {            --maxDatacenterId;        }        long id = 1L;        byte[] Mac = null;        try {            mac = NetUtil.getLocalHardwareAddress();        } catch (UtilException var6) {        }        if (null != mac) {            id = (255L & (long) mac[mac.length - 2] | 65280L & (long) mac[mac.length - 1] << 8) >> 6;            //取余            id %= maxDatacenterId + 1L;        }        return id;    }        public static long getWorkerId(long datacenterId, long maxWorkerId) {        StringBuilder mpid = new StringBuilder();        mpid.append(datacenterId);        try {            mpid.append(RuntimeUtil.getPid());        } catch (UtilException var6) {        }        return (long) (mpid.toString().hashCode() & '\uffff') % (maxWorkerId + 1L);    }        public static long getSnowflakeNextId() {        return getSnowflake().nextId();    }        public static String getSnowflakeNextIdStr() {        return getSnowflake().nextIdStr();    }}

(2) Snowflake类（核心类）

public class Snowflake implements Serializable {    private static final long serialVersionUID = 1L;    public static long DEFAULT_TWEPOCH = 1288834974657L; //时间戳，二进制为41位，对应时间为2010-11-04 09:42:54    public static long DEFAULT_TIME_OFFSET = 2000L;  //允许时钟回拨差值，两秒    private static final long WORKER_ID_BITS = 5L;  //工作中心位数    private static final long MAX_WORKER_ID = 31L; //最大工作中心id值    private static final long DATA_CENTER_ID_BITS = 5L; //数据中心位数    private static final long MAX_DATA_CENTER_ID = 31L; //最大数据中心id值    private static final long SEQUENCE_BITS = 12L;   //序列化位数    private static final long WORKER_ID_SHIFT = 12L;  //工作中心移动位数（计算id用）    private static final long DATA_CENTER_ID_SHIFT = 17L; //工作中心移动位数（（计算id用）计算id用）    private static final long TIMESTAMP_LEFT_SHIFT = 22L; //时间戳移动位数    private static final long SEQUENCE_MASK = 4095L;   //序列化最大值    private final long twepoch;    private final long workerId;    private final long dataCenterId;    private final boolean useSystemClock;    private final long timeOffset;    private final long randomSequenceLimit;    private long sequence;    private long lastTimestamp;        public Snowflake() {        this(cn.hutool.core.util.IdUtil.getWorkerId(cn.hutool.core.util.IdUtil.getDataCenterId(31L), 31L));    }        public Snowflake(long workerId) {        this(workerId, IdUtil.getDataCenterId(31L));    }        public Snowflake(long workerId, long dataCenterId) {        this(workerId, dataCenterId, false);    }        public Snowflake(long workerId, long dataCenterId, boolean isUseSystemClock) {        this((Date) null, workerId, dataCenterId, isUseSystemClock);    }        public Snowflake(Date epochDate, long workerId, long dataCenterId, boolean isUseSystemClock) {        this(epochDate, workerId, dataCenterId, isUseSystemClock, DEFAULT_TIME_OFFSET);    }        public Snowflake(Date epochDate, long workerId, long dataCenterId, boolean isUseSystemClock, long timeOffset) {        this(epochDate, workerId, dataCenterId, isUseSystemClock, timeOffset, 0L);    }        public Snowflake(Date epochDate, long workerId, long dataCenterId, boolean isUseSystemClock, long timeOffset, long randomSequenceLimit) {        this.sequence = 0L;        this.lastTimestamp = -1L;        this.twepoch = null != epochDate ? epochDate.getTime() : DEFAULT_TWEPOCH;        this.workerId = Assert.checkBetween(workerId, 0L, 31L);        this.dataCenterId = Assert.checkBetween(dataCenterId, 0L, 31L);        this.useSystemClock = isUseSystemClock;        this.timeOffset = timeOffset;        this.randomSequenceLimit = Assert.checkBetween(randomSequenceLimit, 0L, 4095L);    }        public long getWorkerId(long id) {        return id >> 12 & 31L;    }        public long getDataCenterId(long id) {        return id >> 17 & 31L;    }        public long getGenerateDateTime(long id) {        return (id >> 22 & 2199023255551L) + this.twepoch;    }        public synchronized long nextId() {        //获取当前时间戳，默认取项目时间        long timestamp = this.genTime();        if (timestamp < this.lastTimestamp) {            //校验时间回拨差值是否大于配置的差值，若是，则报错            if (this.lastTimestamp - timestamp >= this.timeOffset) {                throw new IllegalStateException(StrUtil.fORMat("Clock moved backwards. Refusing to generate id for {}ms", new Object[]{this.lastTimestamp - timestamp}));            }            //将上次时间戳赋值给当前时间            timestamp = this.lastTimestamp;        }        //设置序列化号        if (timestamp == this.lastTimestamp) {            //设置序列化号，上次序列化号+1之后与4095进行与计算。            long sequence = this.sequence + 1L & 4095L;            if (sequence == 0L) {                // 毫秒内序列溢出（序列化号已满，说明当前秒的序列化号都已被占用过） 阻塞到下一个毫秒，获得新的时间戳                timestamp = this.tilNextMillis(this.lastTimestamp);            }            //记录当前的序列化号            this.sequence = sequence;        } else if (this.randomSequenceLimit > 1L) {            //当timestamp > this.lastTimestamp且this.randomSequenceLimit > 1L，则随便设置一个不大于等于randomSequenceLimit的值赋予sequence            this.sequence = RandomUtil.randomLong(this.randomSequenceLimit);        } else {            //当timestamp > this.lastTimestamp且this.randomSequenceLimit <= 1时，则默认设置sequence=0            this.sequence = 0L;        }        //将计算完的时间戳赋予全局变量        this.lastTimestamp = timestamp;        //将时间戳（当前时间戳-默认的时间，这样可以时间戳值的范围更大些），数据中心，工作中心，序列化拼接在一起组成id。        return timestamp - this.twepoch << 22 | this.dataCenterId << 17 | this.workerId << 12 | this.sequence;    }        public String nextIdStr() {        return Long.toString(this.nextId());    }        private long tilNextMillis(long lastTimestamp) {        long timestamp;        //计算时间，目的是算出当前时间，最大只能等于传进来的参数时间        for (timestamp = this.genTime(); timestamp == lastTimestamp; timestamp = this.genTime()) {        }        if (timestamp < lastTimestamp) {            throw new IllegalStateException(StrUtil.format("Clock moved backwards. Refusing to generate id for {}ms", new Object[]{lastTimestamp - timestamp}));        } else {            return timestamp;        }    }        private long genTime() {        //SystemClock.now() 获取当前项目计算的时间        //System.currentTimeMillis()获取的是当前系统时间        return this.useSystemClock ? SystemClock.now() : System.currentTimeMillis();    }}

上面是hutool中提供的雪花算法，与原始的雪花算法区别在于，hutool中允许一定范围的时间回拨。
hutool中的雪花算法的优缺点：
优点
（1）按照时间排序，则数据库存储时不需要重复排序变动存储位置。
（2）可使用范围长，时间戳的位数41位，可支持69年。
缺点
（1）允许时针回拨，在某些极端情况下会产生重复id

结语：除了上面的几种id生成算法，当然还有其他的主键id生成算法，具体使用哪种需要根据业务的情况来使用。

来源地址：https://blog.csdn.net/CAT_cwds/article/details/129578564