MyBatis-Plus常用注解
1. @TableName
MyBatis-Plus在确定操作的表时，由BaseMapper的泛型决定，即实体类型决定，且默认操作的表名和实体类型的类名一致。
若实体类型的类名与要操作的表名不一致（实体类型的类名为User，数据库中要操作的的表名为t_user）时，则会报错，@TableName就可以解决这个问题
方法一：通过@TableName解决问题
在实体类类型上添加@TableName（"t_user"），标识实体类对应的表，即可成功执行SQL语句。
// 指定表名 @TableName("t_user") public class User { private Long id; private String name; private Integer age; private String email; }方法二：通过全局配置解决问题
在开发过程中，实体类所对应的表一般都有固定的前缀，例如t_或者tbl_等，此时，可以使用MyBatis提供的全局配置，为实体类所对应的表名设置默认前缀，这样，就不需要在每个实体类上添加@TableName标识实体类对应的表了。
mybatis-plus: configuration: log-impl: org.apache.ibatis.logging.stdout.StdOutImpl global-config: db-config: # 配置MyBatis-Plus操作表的默认前缀 table-prefix: t_2. @TableId
MP 默认将名为 id 的属性作为主键，如果表的主键字段名不是 id，则无法识别。
@TableId 用于标识实体类中与数据库表主键字段对应的属性。通过该注解可以明确指定主键字段的映射关系，并支持主键生成策略的配置。
主要属性
value：指定数据库表中主键字段的名称（当实体类属性名与数据库字段名不一致时使用）。
type：指定主键生成策略，常用策略包括：
IdType.AUTO：数据库自增（需数据库支持自增主键）。IdType.NONE：未设置策略，需手动赋值。IdType.INPUT：用户手动输入主键值。IdType.ASSIGN_ID：MP 自动分配长整型 ID（默认基于雪花算法）。IdType.ASSIGN_UUID：MP 自动分配 UUID 字符串作为主键。
@Data @TableName("user") public class User { @TableId(value = "uid") private Long id; private String name; private Integer age; private String email; }全局主键策略可通过配置文件配置，但字段注解优先级更高。
mybatis-plus: configuration: log-impl: org.apache.ibatis.logging.stdout.StdOutImpl global-config: db-config: # 配置MyBatis-Plus操作表的默认前缀 table-prefix: t_ # 配置MyBatis-Plus的主键策略 id-type: auto3. 雪花算法
需要选择合适的方案去应对数据规模的增长，以应对逐渐增长的访问压力和数据量。
数据库的扩展方式主要包括：业务分库、主从复制，数据库分表。
数据库分表
将不同业务数，据分散存储到不同的数据库服务器，能够支撑百万甚至千万用户规模的业务但如果业务继续发展，同一业务的单表数据也会达到单台数据库服务器的处理瓶颈。例如，淘宝的几亿用户数据，如果全部存放在一台数据库服务器的一张表中，肯定是无法满足性能要求的，此时就需要对单表数据进行拆分。
单表数据拆分有两种方式：垂直分表和水平分表。示意图如下：
垂直分表
垂直分表适合将表中某些不常用且占了大量空间的列拆分出去。
例如，前面示意图中的 nickname和description字段，假设我们是一个婚恋网站，用户在筛选其他用 户的时候，主要是用age和sex两个字段进行查询，而nickname和description两个字段主要用于展示，一般不会在业务查询中用到。description本身又比较长，因此我们可以将这两个字段独立到另外一张表中，这样在查询age和sex时，就能带来一定的性能提升。
水平分表
水平分表适合表行数特别大的表，有的公司要求单表行数超过5000万就必须进行分表，这个数字可以作为参考，但并不是绝对标准，关键还是要看表的访问性能。对于一些比较复杂的表，可能超过1000万就要分表了；而对于一些简单的表，即使存储数据超过1亿行，也可以不分表。
但不管怎样，当看到表的数据量达到千万级别时，这很可能是架构的性能瓶颈或者隐患。
水平分表相比垂直分表，会引入更多的复杂性，例如要求全局唯一的数据id该如何处理。
主键自增
①以最常见的用户ID为例，可以按照1000000的范围大小进行分段，1~999999放到表1中，1000000~1999999放到表2中，以此类推。
②复杂点：分段大小的选取。分段太小会导致切分后子表数量过多，增加维护复杂度；分段太大可能会导致单表依然存在性能问题， 一般建议分段大小在100万至2000万之间，具体需要根据业务选取合适的分段大小。
③优点：可以随着数据的增加平滑地扩充新的表。例如，现在的用户是 100万，如果增加到1000万，只需要增加新的表就可以了，原有的数据不需要动。
④缺点：分布不均匀。假如按照 1000万来进行分表，有可能某个分段实际存储的数据量只有1条，而另外一个分段实际存储的数据量有1000万条。
取模
①同样以用户 ID为例，假如我们一开始就规划了10个数据库表，可以简单地用user_id%10的值来表示数据所属的数据库表编号，ID为985的用户放到编号为5的子表中，ID为10086的用户放到编号为6的子表中。
②复杂点：初始表数量的确定。表数量太多维护比较麻烦，表数量太少又可能导致单表性能存在问题。
③优点：表分布比较均匀。
④缺点：扩充新的表很麻烦，所有数据都要重分布。
雪花算法
雪花算法是由Twitter公布的分布式主键生成算法，它能够保证不同表的主键的不重复性，以及相同表的主键的有序性。
①核心思想：长度共64bit（一个long型）。首先是一个符号位，1bit标识，由于long基本类型在Java中是带符号的，最高位是符号位，正数是0，负数是1，所以id一般是正数，最高位是0。41bit时间截(毫秒级)，存储的是时间截的差值（当前时间截-开始时间截)，结果约等于69.73年。10bit作为机器的ID（5个bit是数据中心，5个bit的机器ID，可以部署在1024个节点）。12bit作为毫秒内的流水号（意味着每个节点在每毫秒可以产生4096个ID）。
②优点：整体上按照时间自增排序，并且整个分布式系统内不会产生ID碰撞，并且效率较高。
4. @TableFiled
作用：用于标注实体类中的字段与数据库表中的列的映射关系，通常与@TableName配合使用。
常用属性：
value：指定数据库表中的列名（默认与字段名一致）。
exist：标记是否为数据库表字段（默认true，若为false则忽略该字段）。
fill：指定字段的自动填充策略（如INSERT、UPDATE等），需配合自定义填充器使用。
select：控制字段是否参与查询（默认true，若为false则查询时忽略该列）。
@TableField(value = "user_name", exist = true, fill = FieldFill.INSERT) private String name;表示将实体类的 name 字段映射到数据库表的 user_name 列，且在插入数据时自动填充该字段。
5. @TableLogic
物理删除：真实删除，将对应数据从数据库中删除，之后查询不到此条被删除的数据
逻辑删除：假删除，将对应数据中代表是否被删除字段的状态修改为“被删除状态”，之后在数据库中仍旧能看到此条数据记录
@TableLogic 使用场景：可以进行数据恢复
逻辑删除的实现：
①数据库中创建逻辑删除状态列的字段，设置默认值为0
②实体类中添加逻辑删除的属性
③完成测试即可
测试删除功能，执行的SQL语句为update语句，而非delete语句