权重Hash分片：均匀分散热点用户，避免数据倾斜

简单的UID Hash分片有一个隐藏的缺陷：它只保证不同UID被打散到不同分片，却不保证”高活跃度用户”这个更关键的维度被均匀分散——如果碰巧某几个粉丝量巨大、发帖频繁的头部用户被哈希到了同一个分片，这个分片承受的实际数据量和访问压力会远高于其他分片，造成负载倾斜，即使从UID数量上看各分片是”均匀”的。微博Feed存储案例的解法是引入”权重”这个额外维度：权重根据每个用户的微博数量、粉丝数等能反映活跃度和访问热度的指标离线计算得出，分片算法在计算Hash时同时结合UID和权重，明确要求满足两个约束——同一个UID的数据必须落在同一个库（保证数据不会因为分片被拆散到多处、破坏查询的一致性），而权重接近的用户应当尽量均匀地分散到不同库（真正解决热点用户扎堆的问题）。由于权重会随用户活跃度变化而周期性调整，被重新计算权重的用户理论上需要做一次数据迁移（把数据从旧分片挪到权重调整后对应的新分片），但因为触发权重调整的用户占总体比例很小，这种迁移的实际数据变动量是可控的；而历史数据完全不需要权重概念，也就完全不需要考虑这类迁移。这个设计给出了一条应对”分片依据的单一维度掩盖不了真实负载分布”问题的通用思路：当发现某种简单的分片键（如UID）本身的分布并不能代表真实的负载分布时，应该主动引入一个能反映真实负载特征的额外维度（这里是权重）参与分片计算，而不是继续在原有单一维度上打转。