粉丝关系链,10亿数据,如何设计?

·  阅读 3113

继续答星球水友提问,大数据量,高并发量,好友关系链、粉丝关系链要如何设计?

什么是关系链业务?

关系链主要分为两类,弱好友关系与强好友关系,两类都有典型的互联网产品应用。

弱好友关系的建立,不需要双方彼此同意

  • 用户 A 关注用户 B,不需要用户 B 同意,此时用户 A 与用户 B 为弱好友关系,对 A 而言,暂且理解为 “关注”;

  • 用户 B 关注用户 A,也不需要用户 A 同意,此时用户 A 与用户 B 也为弱好友关系,对 A 而言,暂且理解为 “粉丝”;

idol 与 fans 这类微博粉丝关系链,是一个典型的弱好友关系应用。

强好友关系的建立,需要好友关系双方彼此同意

  • 用户 A 请求添加用户 B 为好友,用户 B 同意,此时用户 A 与用户 B 则互为强好友关系,即 A 是 B 的好友,B 也是 A 的好友;

QQ 好友关系链,是一个典型的强好友关系应用。

好友中心是一个典型的多对多业务:

  • 一个用户可以添加多个好友

  • 也可以被多个好友添加

其典型架构为:

  • friend-service:好友中心服务,对调用者提供友好的 RPC 接口

  • db:对好友数据进行存储

弱好友关系,存储层应该如何实现?

通过弱好友关系业务分析,很容易了解到,其核心元数据为:

  • guanzhu(uid, guanzhu_uid);

  • fensi(uid, fensi_uid);

其中:

  • guanzhu 表,用户记录 uid 所有关注用户 guanzhu_uid

  • fensi 表,用来记录 uid 所有粉丝用户 fensi_uid

需要强调的是,一条弱关系的产生,会产生两条记录,一条关注记录,一条粉丝记录。

例如:用户 A(uid=1) 关注了用户 B(uid=2),A 多关注了一个用户,B 多了一个粉丝,于是:

  • guanzhu 表要插入 {1, 2} 这一条记录,1 关注了 2

  • fensi 表要插入 {2, 1} 这一条记录,2 粉了 1

如何查询一个用户关注了谁?

回答:在 guanzhu 的 uid 上建立索引:

select * from guanzhu where uid=1;

即可得到结果,1 关注了 2。

如何查询一个用户粉了谁?

回答:在 fensi 的 uid 上建立索引:

select * from fensi where uid=2;

即可得到结果,2 粉了 1。

强好友关系,存储层应该如何实现?

方案一

通过强好友关系业务分析,很容易了解到,其核心元数据为:

  • friend(uid1, uid2);

其中:

  • uid1,强好友关系中一方的 uid

  • uid2,强好友关系中另一方的 uid

uid=1 的用户添加了 uid=2 的用户,双方都同意加彼此为好友,这个强好友关系,在数据库中应该插入记录 {1, 2} 还是记录 {2,1} 呢?

回答:都可以。为了避免歧义,可以人为约定,插入记录时 uid1 的值必须小于 uid2。

例如:有 uid=1,2,3 三个用户,他们互为强好友关系,那边数据库中可能是这样的三条记录

{1, 2}

{2, 3}

{1, 3}

如何查询一个用户的好友呢?

回答:假设要查询 uid=2 的所有好友,只需在 uid1 和 uid2 上建立索引,然后:

select * from friend where uid1=2

union

select * from friend where uid2=2

即可得到结果。

方案二

强好友关系是弱好友关系的一个特例,A 和 B 必须互为关注关系(也可以说,同时互为粉丝关系),即也可以使用关注表和粉丝表来实现:

  • guanzhu(uid, guanzhu_uid);

  • fensi(uid, fensi_uid);

例如:用户 A(uid=1) 和用户 B(uid=2) 为强好友关系,即相互关注:

用户 A(uid=1) 关注了用户 B(uid=2),A 多关注了一个用户,B 多了一个粉丝,于是:

  • guanzhu 表要插入 {1, 2} 这一条记录

  • fensi 表要插入 {2, 1} 这一条记录

同时,用户 B(uid=2) 也关注了用户 A(uid=1),B 多关注了一个用户,A 多了一个粉丝,于是:

  • guanzhu 表要插入 {2, 1} 这一条记录

  • fensi 表要插入 {1, 2} 这一条记录

两种实现,各有什么优缺点?

对于强好友关系的两类实现:

  • friend(uid1, uid2) 表

  • 数据冗余 guanzhu 表与 fensi 表(后文称正表 T1 与反表 T2)

在数据量小时,看似无差异,但数据量大时,数据冗余的优势就体现出来了:

  • friend 表,数据量大时,如果使用 uid1 来分库,那么 uid2 上的查询就需要遍历多库

  • 正表 T1 与反表 T2 通过数据冗余来实现好友关系,{1,2}{2,1} 分别存在于两表中,故两个表都使用 uid 来分库,均只需要进行一次查询,就能找到对应的关注与粉丝,而不需要多个库扫描

画外音:假如有 10 亿关系链,必须水平切分。

数据冗余,是多对多关系,在数据量大时,数据水平切分的常用实践

如何进行数据冗余?

接下来的问题转化为,好友中心服务如何来进行数据冗余,常见有三种方法。

方法一:服务同步冗余

顾名思义,由好友中心服务同步写冗余数据,如上图 1-4 流程:

  • 业务方调用服务,新增数据

  • 服务先插入 T1 数据

  • 服务再插入 T2 数据

  • 服务返回业务方新增数据成功

优点:

  • 不复杂,服务层由单次写,变两次写

  • 数据一致性相对较高(因为双写成功才返回)

缺点:

  • 请求的处理时间增加(要插入次,时间加倍)

  • 数据仍可能不一致,例如第二步写入 T1 完成后服务重启,则数据不会写入 T2

如果系统对处理时间比较敏感,引出常用的第二种方案。

方法二:服务异步冗余

数据的双写并不再由好友中心服务来完成,服务层异步发出一个消息,通过消息总线发送给一个专门的数据复制服务来写入冗余数据,如上图 1-6 流程:

  • 业务方调用服务,新增数据

  • 服务先插入 T1 数据

  • 服务向消息总线发送一个异步消息(发出即可,不用等返回,通常很快就能完成)

  • 服务返回业务方新增数据成功

  • 消息总线将消息投递给数据同步中心

  • 数据同步中心插入 T2 数据

优点:

  • 请求处理时间短(只插入 1 次)

缺点:

  • 系统的复杂性增加了,多引入了一个组件(消息总线)和一个服务(专用的数据复制服务)

  • 因为返回业务线数据插入成功时,数据还不一定插入到 T2 中,因此数据有一个不一致时间窗口(这个窗口很短,最终是一致的)

  • 在消息总线丢失消息时,冗余表数据会不一致

如果想解除 “数据冗余” 对系统的耦合,引出常用的第三种方案。

方法三:线下异步冗余

数据的双写不再由好友中心服务来完成,而是由线下的一个服务或者任务来完成,如上图 1-6 流程:

  • 业务方调用服务,新增数据

  • 服务先插入 T1 数据

  • 服务返回业务方新增数据成功

  • 数据会被写入到数据库的 log 中

  • 线下服务或者任务读取数据库的 log

  • 线下服务或者任务插入 T2 数据

优点:

  • 数据双写与业务完全解耦

  • 请求处理时间短(只插入 1 次)

缺点:

  • 返回业务线数据插入成功时,数据还不一定插入到 T2 中,因此数据有一个不一致时间窗口(这个窗口很短,最终是一致的)

  • 数据的一致性依赖于线下服务或者任务的可靠性

上述三种方案各有优缺点,可以结合实际情况选取。

数据冗余固然能够解决多对多关系的数据库水平切分问题,但又带来了新的问题,如何保证正表 T1 与反表 T2 的数据一致性呢?

从上面的讨论可以看到,不管哪种方案,因为两步操作不能保证原子性,总有出现数据不一致的可能,高吞吐分布式事务是业内尚未解决的难题,此时的架构优化方向:最终一致性。并不是完全保证数据的实时一致,而是尽早的发现不一致,并修复不一致。

最终一致性,是高吞吐互联网业务一致性的常用实践。更具体的,保证数据最终一致性的常见方案有三种。

方法一:线下扫面正反冗余表全部数据

如上图所示,线下启动一个离线的扫描工具,不停的比对正表 T1 和反表 T2,如果发现数据不一致,就进行补偿修复。

优点:

  • 比较简单,开发代价小

  • 线上服务无需修改,修复工具与线上服务解耦

缺点:

  • 扫描效率低,会扫描大量的 “已经能够保证一致” 的数据

  • 由于扫描的数据量大,扫描一轮的时间比较长,即数据如果不一致,不一致的时间窗口比较长

有没有只扫描 “可能存在不一致可能性” 的数据,而不是每次扫描全部数据,以提高效率的优化方法呢?

方法二:线下扫描增量数据

每次只扫描增量的日志数据,就能够极大提高效率,缩短数据不一致的时间窗口,如上图 1-4 流程所示:

  • 写入正表 T1

  • 第一步成功后,写入日志 log1

  • 写入反表 T2

  • 第二步成功后,写入日志 log2

当然,我们还是需要一个离线的扫描工具,不停的比对日志 log1 和日志 log2,如果发现数据不一致,就进行补偿修复

优点:

  • 虽比方法一复杂,但仍然是比较简单的

  • 数据扫描效率高,只扫描增量数据

缺点:

  • 线上服务略有修改(代价不高,多写了 2 条日志)

  • 虽然比方法一更实时,但时效性还是不高,不一致窗口取决于扫描的周期

有没有实时检测一致性并进行修复的方法呢?

方法三:实时线上 “消息对” 检测

这次不是写日志了,而是向消息总线发送消息,如上图 1-4 流程所示:

  • 写入正表 T1

  • 第一步成功后,发送消息 msg1

  • 写入反表 T2

  • 第二步成功后,发送消息 msg2

这次不是需要一个周期扫描的离线工具了,而是一个实时订阅消息的服务不停的收消息。

假设正常情况下,msg1 和 msg2 的接收时间应该在 3s 以内,如果检测服务在收到 msg1 后没有收到 msg2,就尝试检测数据的一致性,不一致时进行补偿修复

优点:

  • 效率高

  • 实时性高

缺点:

  • 方案比较复杂,上线引入了消息总线这个组件

  • 线下多了一个订阅总线的检测服务

however,技术方案本身就是一个投入产出比的折衷,可以根据业务对一致性的需求程度决定使用哪一种方法。

总结

  • 关系链业务是一个典型的多对多关系,又分为强好友与弱好友

  • 数据冗余是一个常见的多对多业务数据水平切分实践

  • 冗余数据的常见方案有三种

             (1)服务同步冗余

             (2)服务异步冗余

             (3)线下异步冗余

  • 数据冗余会带来一致性问题,高吞吐互联网业务,要想完全保证事务一致性很难,常见的实践是最终一致性

  • 最终一致性的常见实践是,尽快找到不一致,并修复数据,常见方案有三种

             (1)线下全量扫描法

             (2)线下增量扫描法

             (3)线上实时检测法

希望大家有所启示,思路比结论重要。

欢迎大家继续提问,有问必答。

分类:
后端
标签:
收藏成功!
已添加到「」, 点击更改