在 SequoiaDB 巨杉数据库中，通过将集合数据拆分成若干小的数据集进行管理，从而达到并行计算和减小数据访问量的目的。根据管理方式的不同，可以分为以下两种分区类型：
在 SequoiaDB 集群环境中，可以通过将一个集合中的数据划分成若干不相交的子集，再将这些子集切分到复制组中，以达到并行计算的目的。这种数据切分的方法称为数据库分区（又称为水平分区），而这些不相交的子集称为分区。
在 SequoiaDB 集群环境中，可以通过将一个集合中的数据划分成若干不相交的子集，再将这些子集映射到另外的集合上，这种数据切分的方法称为表分区（又称为垂直分区）。这些不相交的子集称为分区，被数据划分的集合称为主集合，分区映射的集合称为子集合。
分区方式是指将集合中的数据划分为不同分区的算法。分区方式包括范围分区（Range）和散列分区（Hash）。
范围分区方式是指根据集合数据的取值范围，对集合中的数据进行切分的分区方式。
通过范围分区方式，可以直观地了解到集合数据的分区情况。如上图所示，在[201801,201901)之间的数据落在分区1中，在[201901,202001)之间的数据落在分区2中。
范围分区方式较为典型的场景是访问一定范围内数据的场景。例如，当访问某一时间段的记录时，数据库只会访问对应时间段的分区数据，而不会访问其他时间段的分区数据，使系统访问的数据量极大减少，提高系统性能。
散列分区方式是指先对集合数据做一次散列运算，再按照散列运算结果的 hash 值对数据进行切分的分区方式。
在字段取值相对离散的情况下（如集合中的唯一键），通过散列分区方式，每个 hash 值对应的数据量基本相同。而在范围分区方式中，相同范围内的数据量不一定是相同的。
散列分区方式较为典型的场景是访问集合中所有数据的场景。例如，当遍历集合数据时，数据库就会访问所有分区的数据，可以发挥所有分区上各个节点的并行计算的能力。因为每个分区中的数据量基本相同，所以分区所在节点的 I/O 负载情况基本相同，不容易出现数据热点问题。
在不同的分区方式中，作为数据划分依据的字段称为分区键。在范围分区方式中，分区键是用于划分数据范围的字段；在散列分区中，分区键是用于计算 hash 值的字段。每个分区键可以包含一个或多个字段。
不同的分区类型可以选择使用不同的分区方式去划分数据。数据库分区既可以使用范围分区方式，也可以使用散列分区方式；表分区只能使用范围分区方式。
