在移动端应用中，如何优化本地数据库（如SQLite或Core Data）的性能？请说明缓存策略（如LRU缓存、TTL）、索引优化以及数据分片的方法。

1) 【一句话结论】
移动端本地数据库性能优化需通过缓存策略（LRU/TTL）、索引优化、数据分片，针对性减少I/O操作，提升查询与写入效率，需根据数据特性选择组合策略。

2) 【原理/概念讲解】
老师口吻解释核心概念：

• 缓存策略：
  • LRU（Least Recently Used，最近最少使用）：缓存中维护一个队列，最近访问的放在队列头，最久未访问的放在队列尾，缓存满时淘汰队列尾项。类比：浏览器缓存，你最近打开的网页保留，不常用的（如一个月未访问的）被清理。
  • TTL（Time To Live，生存时间）：为缓存数据设置过期时间，过期后自动失效，需重新从数据库查询。类比：新闻APP里的新闻，设置24小时过期，超过24小时自动更新。
• 索引优化：数据库表中的索引类似“书的目录”，通过索引可快速定位数据，避免全表扫描。比如查询user_id=1时，索引能直接找到对应行，而不用扫描整张表。
• 数据分片：将大表按规则拆分成多个小表（如按时间、用户ID分表），减少单表数据量，提升查询性能。类比：图书馆的书按分类（历史、文学）分到不同书架，找书更快。

3) 【对比与适用场景】

策略/技术	定义	特性	使用场景	注意点
LRU缓存	最近最少使用	自动淘汰最久未使用项	高频查询但数据量大的场景（如用户常用配置）	需实现LRU算法，可能存在缓存击穿风险
TTL缓存	生存时间	数据过期后自动失效	数据时效性要求高的场景（如价格、新闻）	需设置合理TTL，避免过期频繁导致数据库查询
索引优化	为表创建索引	加速数据检索，减少全表扫描	查询条件中频繁出现的列（如用户ID、时间戳）	索引会增加写操作开销，需权衡
数据分片	按规则拆分数据	减少单表数据量，提升查询效率	大数据量场景（如用户历史记录、日志）	分片后需处理跨分片查询，可能增加复杂度

4) 【示例】

• 索引创建（SQLite）：

  CREATE TABLE user_table (
      user_id INTEGER PRIMARY KEY,
      username TEXT,
      last_login TIMESTAMP
  );
  CREATE INDEX idx_user_id ON user_table (user_id);  -- 为user_id列建索引
  

• 缓存策略伪代码（LRU+TTL）：

  class LRUCache:
      def __init__(self, max_size):
          self.cache = {}
          self.queue = []
          self.max_size = max_size
  
  class TTLCache:
      def __init__(self, max_ttl):
          self.cache = {}
          self.max_ttl = max_ttl
  
  def get_user_data(user_id):
      if LRU_CACHE.get(user_id):
          return LRU_CACHE.get(user_id)
      elif TTL_CACHE.get(user_id) and is_valid(TTL_CACHE.get(user_id)):
          return TTL_CACHE.get(user_id)
      else:
          data = query_db("SELECT * FROM user_table WHERE user_id = ?", [user_id])
          LRU_CACHE.put(user_id, data)
          TTL_CACHE.put(user_id, data, ttl=3600)  # 1小时过期
          return data
  

5) 【面试口播版答案】
“面试官您好，移动端本地数据库性能优化核心是通过缓存、索引、分片三方面减少I/O操作。首先，缓存策略：高频但变化小的数据用LRU（最近最少使用），比如用户常用配置，缓存减少数据库查询；时效性数据用TTL（生存时间），比如价格、新闻，设置过期时间后自动失效。然后索引优化：为查询条件列建索引，比如用户ID、时间戳，避免全表扫描，提升查询速度。数据分片则是将大数据量按规则拆分，比如按时间分表，减少单表数据量，比如用户历史记录按月分表，查询当月数据时只扫描对应分表。综合来看，需根据数据特性选择策略，比如高频静态数据用LRU，时效数据用TTL，查询频繁列建索引，大数据量分片。”

6) 【追问清单】

1. 如何实现LRU缓存？
   回答：用链表维护访问顺序，哈希表快速查找，淘汰时移除链表尾部。
2. 索引优化中，复合索引如何选择？
   回答：根据查询条件组合，比如查询user_id和create_time，创建复合索引(user_id, create_time)。
3. 数据分片后，如何处理跨分片查询？
   回答：根据分片键路由，比如时间分片用时间戳计算分片，查询时指定分片范围。
4. 缓存击穿如何处理？
   回答：设置默认值或空数据，避免缓存空导致所有请求都查数据库。
5. SQLite和Core Data的优化差异？
   回答：SQLite更灵活，需手动管理索引、事务；Core Data有对象管理，但需注意对象图优化。

7) 【常见坑/雷区】

1. 缓存失效导致数据不一致：TTL设置过短或过长，导致缓存与数据库数据不同步。
2. 索引过多导致写性能下降：为每个列建索引，增加插入、更新开销。
3. 数据分片导致查询复杂：分片键选择不当，跨分片查询效率低。
4. 缓存策略选择错误：高频变化数据用LRU，反而频繁淘汰影响性能。
5. 未考虑移动端网络延迟：缓存策略未结合网络状况，离线时优先用缓存，在线时同步。