在当今大数据时代，随着数据量的不断增长，分库分表成为了一种常见的数据处理策略。然而，分库分表在带来性能提升和数据管理便利的也带来了一些新的挑战，其中非分片键查询就是一个重要的问题。

分库分表通常是基于特定的分片键来将数据分布在不同的数据库或表中。当查询条件中使用的是分片键时，可以直接定位到相应的数据存储位置，查询效率较高。但当查询条件涉及到非分片键时，情况就变得复杂起来。

非分片键查询无法直接定位到具体的数据存储位置，需要在多个分片或表中进行搜索和合并结果。这可能导致查询性能的下降，特别是在数据量较大的情况下。为了有效地处理非分片键查询，一种常见的方法是建立全局索引。全局索引可以跨越多个分片或表，提供对非分片键的快速查询支持。但需要注意的是，全局索引的维护成本较高，并且在数据更新时可能会带来一定的性能开销。

另一种方法是通过冗余数据来解决非分片键查询问题。例如，在多个分片中重复存储某些非关键的非分片键数据，以便在查询时能够快速获取结果。但这种方法会增加数据存储的成本，并且需要谨慎处理数据一致性问题。

在进行分库分表设计时，也需要充分考虑非分片键查询的需求。尽量减少对非分片键查询的依赖，优化业务逻辑，将查询条件转化为基于分片键的查询，或者通过缓存等技术来提高查询性能。

还可以结合分布式搜索引擎，如 Elasticsearch 等，将非分片键数据索引到搜索引擎中，实现快速的查询和检索。

分库分表后的非分片键查询是一个需要认真对待和妥善处理的问题。通过合理的设计、选择合适的技术方案以及优化业务逻辑，可以有效地提高非分片键查询的性能，确保系统在大数据环境下的稳定和高效运行。