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: auto

3. 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：

        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