1. 取模分片
<tableRule name="mod-long"><rule><columns>id</columns><algorithm>mod-long</algorithm></rule></tableRule><function name="mod-long" class="io.mycat.route.function.PartitionByMod"><property name="count">3</property></function>
配置说明：
2. 范围分片
根据指定的字段及其配置的范围与数据节点的对应情况，来决定该数据属于哪一个分片
<tableRule name="auto-sharding-long"><rule><columns>id</columns><algorithm>rang-long</algorithm></rule></tableRule><function name="rang-long" class="io.mycat.route.function.AutoPartitionByLong"><property name="mapFile">autopartition-long.txt</property><property name="defaultNode">0</property></function>
autopartition-long.txt 配置如下：
# range start-end ,data node index# K=1000,M=10000.0-500M=0500M-1000M=11000M-1500M=2
含义为 ： 0 - 500 万之间的值 ， 存储在0号数据节点 ； 500万 - 1000万之间的数据存储在1号数据节点 ； 1000万 - 1500 万的数据节点存储在2号节点 ；
配置说明：
3. 枚举分片
通过在配置文件中配置可能的枚举值，指定数据分布到不同数据节点上，本规则适用于按照省份或状态拆分数据等业务，配置如下：
<tableRule name="sharding-by-intfile"><rule><columns>status</columns><algorithm>hash-int</algorithm></rule></tableRule><function name="hash-int" class="io.mycat.route.function.PartitionByFileMap"><property name="mapFile">partition-hash-int.txt</property><property name="type">0</property><property name="defaultNode">0</property></function>
partition-hash-int.txt ，内容如下 : 等号左边的为状态值，右边dataNode节点数
1=02=13=2
配置说明：
4. 范围求模算法
该算法先进行范围分片，计算出分片组，再进行组内求模
优点： 综合了范围分片和求模分片的优点。分片组内使用求模可以保证组内的数据分布比较均匀，分片组之间采用范围分片可以兼顾范围分片的特点。
缺点： 在数据范围固定值时，存在不方便扩展的情况，列如将dataNode Group size从2扩展为4时，需要进行数据迁移才能完成。
<tableRule name="auto-sharding-rang-mod"><rule><columns>id</columns><algorithm>rang-mod</algorithm></rule></tableRule><function name="rang-mod" class="io.mycat.route.function.PartitionByRangeMod"><property name="mapFile">autopartition-range-mod.txt</property><property name="defaultNode">0</property></function>
autopartition-range-mod.txt 配置格式 :
#range start-end , data node group size0-500M=1500M1-2000M=2
在上述配置文件中, 等号前面的范围代表一个分片组 , 等号后面的数字代表该分片组所拥有的分片数量;
配置说明：
5. 固定分片hash算法
优点： 这种策略比较灵活，可以均匀分配也可以非均匀分配，各节点的分配比例和容量大小由partitionCount和partitionLength两个参数决定
缺点： 和取模分片类似，不易扩展节点
<tableRule name="brand_partition_rule"><rule><columns>id</columns><algorithm>brand_partition</algorithm></rule></tableRule><function name="brand_partition" class="io.mycat.route.function.PartitionByLong"><property name="partitionCount">2,1</property><property name="partitionLength">256,512</property></function>
在示例中配置的分片策略，希望将数据水平分成3份，前两份各占25%，第三份占50%。
配置说明：
约束：
1. 分片长度：默认最大2*10,为1024
2. count,length的数组长度必须是一致的
3. 两组数据的对应情况(partitionCount[0]partitionLength[0])=(partitionCount[1]partitionLength[1])
4. 以上分为三个分区：0-255，256-511，512-1023
6. 取模范围算法
该算法先进行取模，然后根据取模值所属范围进行分片。
优点： 可以自主决定取模后数据的节点分布
缺点： dataNode划分节点是事先建好的，需要扩展时比较麻烦。
<tableRule name="sharding-by-pattern_rule"><rule><columns>id</columns><algorithm>sharding-by-pattern</algorithm></rule></tableRule><function name="sharding-by-pattern" class="io.mycat.route.function.PartitionByPattern"><property name="mapFile">partition-pattern.txt</property><property name="defaultNode">0</property><property name="patternValue">96</property></function>
partition-pattern.txt 配置如下:
0-32=033-64=165-96=2
在mapFile配置文件中，1-32即代表id%96后的分布情况，如果在1-32则在分片0上，如果33-64则在分片1上，如果65-96则在分片2上
配置说明：
注意 : 取模范围算法只能针对于数字类型进行取模运算 ; 如果是字符串则无法进行取模分片 ;
7. 字符串Hash求模范围算法
与取模范围算法类似，该算法支持数值，符号，字母取模，首先截取长度为prefixLength的字串，在对字串中的每一个字符的ASCII码求和，然后对求和值进行取模运算(sum%patternValue),就可以计算出子串的分片数。
优点： 可以自主决定取模后数据的节点分布
缺点： dataNode划分节点是事先建好的，需要扩展时比较麻烦。
配置如下：
<tableRule name="sharding-by-prefixpattern"><rule><columns>id</columns><algorithm>sharding-by-prefixpattern</algorithm></rule></tableRule><function name="sharding-by-prefixpattern" class="io.mycat.route.function.PartitionByPrefixPattern"><property name="mapFile">partition-prefixpattern.txt</property><property name="prefixLength">5</property><property name="patternValue">96</property></function>
partition-prefixpattern.txt 配置如下:
# range start-end ,data node index# ASCII# 48-57=0-9# 64、65-90=@、A-Z# 97-122=a-z###### first host configuration0-32=033-64=165-96=2
配置说明：
字符串如何计算：
字符串 :gf89f9a截取字符串的前5位进行ASCII的累加运算 : g - 103f - 1028 - 569 - 57f - 102sum求和 : 103 + 102 + + 56 + 57 + 102 = 420求模 : 420 % 96 = 36
8. 应用指定算法
运行阶段由应用自主决定路由到哪个分片，直接根据字符字串(必须是数字)计算分片好，配置如下：
<tableRule name="sharding-by-substring"><rule><columns>id</columns><algorithm>sharding-by-substring</algorithm></rule></tableRule><function name="sharding-by-substring" class="io.mycat.route.function.PartitionDirectBySubString"><property name="startIndex">0</property> <!-- zero-based --><property name="size">2</property><property name="partitionCount">3</property><property name="defaultPartition">0</property></function>
配置说明：
示例说明：
id=05-100000002,在此配置中代表根据id中从startIndex=0,开始截取size=2位数字即05，05就是获取的分区，如果没传默认分配到defaultPartition.
9. 字符串hash解析算法
截取字符串中的指定位置的子字符串，进行hash算法，算出分片，配置如下：
<tableRule name="sharding-by-stringhash"><rule><columns>user_id</columns><algorithm>sharding-by-stringhash</algorithm></rule></tableRule><function name="sharding-by-stringhash" class="io.mycat.route.function.PartitionByString"><property name="partitionLength">512</property> <!-- zero-based --><property name="partitionCount">2</property><property name="hashSlice">0:2</property></function>
配置说明：
10. 一致性hash算法
一致性hash算法有效的解决了分布式数据拓容问题，配置如下：
所谓一致性哈希， 相同的哈希因子计算值总是被划分到相同的分区表中，不会因为分区节点的增加而改变原来数据的分区位置，比如，原来数据 有6个节点，现在有7个节点，原来坐落在6个节点中的数据 ，不会因为新增一个 节点而导致存量数据的分区发生改变， 一般用于数据迁移与合并的场合，解决分布式数据扩容的问题
<tableRule name="sharding-by-murmur"><rule><columns>id</columns><algorithm>murmur</algorithm></rule></tableRule><function name="murmur" class="io.mycat.route.function.PartitionByMurmurHash"><property name="seed">0</property><property name="count">3</property><!-- --><property name="virtualBucketTimes">160</property><!-- <property name="weightMapFile">weightMapFile</property> --><!-- <property name="bucketMapPath">/etc/mycat/bucketMapPath</property> --></function>
配置说明：
11. 自然月分片算法
<tableRule name="sharding-by-month"><rule><columns>create_time</columns><algorithm>sharding-by-month</algorithm></rule></tableRule><function name="sharding-by-month" class="io.mycat.route.function.PartitionByMonth"><property name="dateFormat">yyyy-MM-dd</property><property name="sBeginDate">-11-02</property><property name="sEndDate">-01-02</property></function><table name="operation_log" primaryKey="id" autoIncrement="true" dataNode="node$1-3" rule="sharding-by-month" />
配置说明：
12. 日期分片算法
按照日期来分片
<tableRule name="sharding-by-date"><rule><columns>create_time</columns><algorithm>sharding-by-date</algorithm></rule></tableRule><function name="sharding-by-date" class="io.mycat.route.function.PartitionByDate"><property name="dateFormat">yyyy-MM-dd</property><property name="sBeginDate">-01-01</property><property name="sEndDate">-12-31</property><property name="sPartionDay">10</property></function>
配置说明：
注意： 配置规则的表dataNode的分片，必须和分片规则数量一致，例如：-01-01到-12-31，每10天一个分片，一共需要37个分片
13. 单月小时算法
单月内按照小时拆分，最小粒度是小时，一天最多可以有24个分片，最小1个分片，下个月从头开始循环，每个月末需要手动清理数据
配置如下：
<tableRule name="sharding-by-hour"><rule><columns>create_time</columns><algorithm>sharding-by-hour</algorithm></rule></tableRule><function name="sharding-by-hour" class="io.mycat.route.function.LatestMonthPartion"><property name="splitOneDay">24</property></function>
配置说明：
13. 日期范围hash算法
其思想和范围取模分片一样，先根据日期进行范围分片求出分片组，再根据时间hash使得短期内数据分布的更均匀；
优点： 可以避免扩容时的数据迁移，又可以一定程度上避免范围分片的热点问题
注意： 要求日期格式尽量精确些，不然达不到局部均匀的目的。
<tableRule name="range-date-hash"><rule><columns>create_time</columns><algorithm>range-date-hash</algorithm></rule></tableRule><function name="range-date-hash" class="io.mycat.route.function.PartitionByRangeDateHash"><property name="dateFormat">yyyy-MM-dd HH:mm:ss</property><property name="sBeginDate">-01-01 00:00:00</property><property name="groupPartionSize">6</property><property name="sPartionDay">10</property></function>
配置说明：
