Range分片与Hash分片的策略取舍，及分片数量的两难权衡

分布式存储最常用的两种分片（sharding）策略各有明确的适用场景：Range based按用户UID的取值范围来分布数据，UID相邻的数据会被存放在一起，这样做的好处是范围查询（比如按UID区间批量取数据）效率高，但代价是数据分布可能不均匀——如果某一段UID区间的用户活跃度或数据量明显偏高，对应的分片就会比其他分片承担更大的负载，容易出现热点倾斜。Hash based则是通过某个哈希函数计算UID对应的分片，同一批相邻UID的数据会被打散到不同分片，数据分布通常更均匀，但代价是失去了range查询的连续性优势，按UID区间做批量查询会变得低效，因为符合条件的数据可能分散在任意多个分片里。分片数量本身也存在一个两难权衡：分片数量越多，意味着一次查询或一次写入可能要触碰更多的独立存储节点，会影响整体I/O效率；分片数量越少，虽然单次操作触碰的节点少、效率相对更高，但随着数据持续增长，触发扩容（re-sharding）的频率会更高，而扩容涉及数据迁移，本身是一件复杂且有风险的操作。这个权衡提示了容量规划环节的重要性：设计初期应当尽量预先规划出未来一段时间内的数据规模，并让分片数量取2的指数倍（如2、4、8、16），这样后续扩容时新增分片的数量和迁移逻辑都会更简单、更容易通过统一的规则来处理，而不是走一步看一步地随意增加分片数量。