1. 全局视野法
如果要获取第N页的数据(每页S条数据)，则将每一个子库的前N页(offset 0,limit N*S)的所有数据都先查出来(有筛选条件或排序规则的话都包含)，然后将各个子库的结果合并起来之后，再做查询下top S（可不用带上相同的筛选条件，但还要带上排序规则)即可得出最终结果，这种方式类似es分页的逻辑。
优点: 数据准确，可以跳页
缺点: 深度分页时的性能差，即随着分页参数增加，网络传输数据量越来越大，每个子表每次需要查询的数据越多，性能也越慢
2. 禁止跳页查询(对应es中的scroll方法)
如果要获取第N页的数据，第一页时，是和全局视野法一致，但第二页开始后，需要在每一个子库查询时，加上可以排除上一页的过滤条件(如按时间排序时，获取上一页的最大时间后，需要加上time > ${maxTime_lastPage}的条件；如果没有排序规则，由于是默认主键id的排序规则，也可加上 id > ${maxId_lastPage}的条件)，然后再limit S，即可获取各个子库的结果，之后再合并后top S即可得到最终结果。在类似app中列表下拉的场景中，业务上可以禁止跳页查询，此时可以使用这种方式。
优点: 数据准确，性能良好
缺点: 不能跳页
3. 模糊查询
在大数据量的前提下，需要查询的数据，从概率论角度，是均匀分布在各个字库中的，因此可以假定需要查询的第N页数据，在子库中都处于第N/X页的前S/X条中（X=子库数）；所以查询子库时，限定offset ((N/X)-1)*S/X,limit S/X即可，例N=S=100,X=2时,子库分页条件为offset 4950,limit 50；然后合并子库结果后即可得出最终结果，当然这个结果是不准确的。在类似网页回帖上的场景下，往往数据精度要求不太高，此时可以使用这种方式。
优点: 性能良好，可以跳页
缺点: 数据不准确
4. 二次查询
也是在大数据量的前提下，依据概率论，可以假定需要查询的第N页的数据，在子库中都处于第N/X页的后面。然后可按如下步骤查询:
1). [第一次查询] 按指定条件(筛选条件或排序规则条件)查询各个子库的S条数据，即offset ((N/X)-1)*S/X,limit S
2). 如果没有排序规则条件，则默认主键id排序，那么获取各个子库的返回数据的最小值和最大值: min_i_id,max_i_id；如果有排序条件，就按排序条件获取
3). 比较各个子库的min_i_id，得到最小的，定义为min_id
4). [第二次查询] 再次查询(有筛选条件的话也要包含)各个子库，加上条件: min_id<id<max_i_id；(注: min_i_id = min_id的子库可省略查询)
5). 查看第二次查询结果中，min_id_id != min_id的其它子库中，共多了几条数据，如果多了M条，则可以得出全局中，min_id前面的数据有(((N/X)-1)*S/X)*X - M => ((N/X)-1)*S-M 条，((N/X)-1)*S-M即为min_id的全局offset
6). 计算真正的全局offset: ((N-1)*S)和min_id的全局offset: ((N/X)-1)*S-M之间的差值K，由公式可得: K>=0
7). 合并第二次查询的各子库结果，并按id排序后，以K为offset,S为limit即可得到最终全局的分页结果
优点: 性能良好，可以跳页，数据相对准备，可以返回各个字库中
offset ((N/X)-1)*S/X之后的实际数据
缺点: 需要二次查询，逻辑复杂，不完全精确，可能会漏掉各个子库中offset ((N/X)-1)*S/X之前的实际数据，以及之后不该包含的部
