这是我参与「 第五届青训营 」伴学笔记创作活动的第 17 天 本文报告将介绍我们在开发这个项目中所采用的技术，以及我们在开发过程中所遇到的问题和解决方案。此外，本文还将介绍我们在开发过程中所取得的成果，以及我们对未来发展的展望。
项目简介
简易抖音——支持所有用户刷抖音、发布短视频、点赞、评论、关注等功能。项目共分为三个模块：基础模块、互动模块以及社交模块，基础模块可实现用户注册登录、投稿、刷视频等功能，互动模块可实现点赞、评论功能，社交模块可实现关注、获取关注及粉丝列表、好友聊天等功能。
GitHub: Hanabi-wxl/go-simple-tiktok (github.com)
技术点
- web框架:
gin - 微服务:
go-micro - 数据库:
mysql - 持久层:
gorm - 缓存:
redis - 消息队列：
rabbitMQ
架构设计
项目整体架构
项目整体使用微服务架构，分别为网关（gateway）服务、关系（relation）服务、基础（core）服务、互动（action）服务，数据库采用mysql，基础服务、互动服务使用redis缓存进行优化，互动服务引入消息队列rabbitMQ。
当某一服务由于请求量较大导致的系统崩会影响下游服务，造成服务雪崩，为了减小这种影响，各微服务统一使用Hystrix 做服务熔断，当某一服务出现不可用或响应超时的情况时，为了防止整个系统出现雪崩，暂时停止对该服务的调用，提高系统的安全性。
当某一服务压力较大时，应对一些非核心业务做降级处理以保证核心业务的正常运行。本项目互动服务使用Hystrix 做配置服务降级处理，当用户点赞或评论某个视频时，如果服务器请求压力较大，为了避免系统崩溃影响到核心业务的运行，对非核心业务仅做简单处理或暂停使用，以允许用户继续观看视频等功能。
数据库架构
数据库使用mysql，分别设计了用户（user）表、视频（video）表、点赞（favorite）表、评论（comment）表、关注（follow）表、message（消息）表。表与表见的关系如下所示，并标出了外键、索引以表示表字段间的关系（索引以蓝底标出，外键关系以连线表示），以下为数据库结构图以及er表示图。
在关键字段建立索引后，对高频sql语句使用explain进行分析，可得项目数据库索引的命中率较高，常用sql语句均可达到range、ref级别。
缓存架构
缓存采用redis使用了db0-db3数据库，采用list数据结构，db0用户保存用户点赞的视频id，db1保存点赞视频的用户id，db2保存用户发布的视频id，db3保存视频的评论id。
消息队列架构
点赞与评论对于时效性的要求并不高，所以可采用消息队列如RabbitMQ做削峰处理，对于数据库操作频繁的点赞与评论的相关数据使用redis 保存，提高系统的性能。
反思与总结
在参加这次青训营中，我们首先学习了go语言，了解了go语言的基本语法，了解了go语言的特点和优势，并且运用go语言开发了一个短视频平台。我们在开发过程中，运用了gin框架，提高了开发效率，简化了开发流程，并且引入了go-micro框架，搭建了一个稳定可靠的微服务系统，分别开发了core服务、action服务、relation服务等多个子服务。
团队分工明确，各司其职提高了我们的工作效率，且期间我们经常沟通协调，面对技术困难时，我们会在群内交流意见，技术方面有解决不了的，我们也会优先选择百度自行解决，其次才会选择向学各种技术群内提问学习，讨论问题的解决方法。在查阅资料中，我们锻炼了独自解决问题的能力；在团队配合中也能够有责任感，能够做到不拖欠，尽全力，相互促进。
未来展望
短视频推荐算法可以采用基于内容和基于用户的推荐方式，以确保用户更加精准地获取到自己喜欢的短视频内容。例如，基于内容的推荐算法可以采用基于关键词的推荐算法，当用户输入关键词时，可以搜索出与关键词相关的短视频内容，也可分析用户画像，推荐和用户匹配度最高的视频内容。
一、基于内容的推荐算法：
- 基于关键词的推荐算法：短视频平台可以对每一个视频进行标签，将其标准化，并将这些标签存入数据库，当用户输入关键词时，可以搜索出与关键词相关的短视频内容，比如当用户输入“动漫”这个关键词时，可以搜索出与此关键词相关的短视频内容，从而实现精准推荐。
- 基于分类的推荐算法：短视频平台可以根据每个视频的具体内容，将其归类到不同的类别中，比如“旅行”、“美食”、“科技”等，这样当用户搜索具体类别的视频时，就可以提供更加精准的推荐，从而满足用户的需求。
二、基于用户的推荐算法：
- 基于用户历史行为的推荐算法：短视频平台可以记录每个用户的历史行为，比如记录用户在每个类别的视频上停留的时间长度，从而更加准确地了解用户的兴趣，并为用户推荐符合用户兴趣的短视频内容，以提升用户体验。
- 基于用户兴趣模型的推荐算法：短视频平台可以通过分析用户的历史行为，建立每个用户的兴趣模型，以此来更加精准地推荐短视频给用户，比如当用户给某个视频打上“喜欢”标签时，就可以根据这个信息来建立用户的兴趣模型，以此来更加准确地推荐相关的视频给用户。
