文档一

1. 需求概述

为航空公司设计一个调度系统，支持根据时间范围和选定飞机ID生成甘特图，展示飞机的行程计划。
核心功能：

• 高效存储与查询航班数据。
• 动态生成甘特图，支持分钟级时间精度。
• 支持大规模数据（如10,000+飞机）。

2. 系统架构

flowchart TD
    A[前端] -->|HTTP请求| B(API网关)
    B --> C[查询服务]
    C --> D[(数据库)]
    D --> C
    C -->|JSON数据| E[甘特图渲染引擎]
    E --> A

3. 技术选型与权衡

3.1 数据库选型

选项	优点	缺点
PostgreSQL	ACID事务支持，时间范围查询优化（BRIN索引）。	需要手动分区，扩展性依赖集群方案。
TimescaleDB	内置时间序列优化，自动分区。	对非时间字段查询性能一般。
MongoDB	灵活模式，水平扩展容易。	复杂查询（如多飞机时间范围）效率较低。
最终选择：PostgreSQL

• 理由：

  1. 航班数据为强结构化（飞机ID、时间、航线）。
  2. 时间范围查询频繁，可通过tsrange字段和BRIN索引优化。
  3. 支持事务，避免数据不一致（如航班时间冲突）。

---

3.2 API设计

• REST API：

  • 端点：GET /api/trips?plane_ids=PlaneA,PlaneB&start=2024-01-02T00:00&end=2024-01-02T23:59
  • 优点：简单易用，支持缓存。

• GraphQL：

  • 优点：灵活查询，减少冗余数据传输。
  • 缺点：需维护Schema，缓存复杂度高。

最终选择：REST API

• 理由：查询参数固定（时间范围+飞机ID），无需灵活字段选择。

• 3.3 前端甘特图渲染

库	适用场景
ECharts	支持复杂甘特图，内置时间轴与交互功能。
D3.js	完全定制化，但开发成本高。
ApexCharts	轻量级，但甘特图功能较弱。

最终选择：ECharts 关键配置：

javascript

复制

option = {
  xAxis: { type: 'time' },
  yAxis: { data: ['PlaneA', 'PlaneB'] },
  series: [{
    type: 'bar',
    data: [
      { name: 'HKG-NRT', start: '2024-01-02 01:25', end: '2024-01-02 05:55' }
    ]
  }]
}

4. 数据模型设计

4.1 数据库表结构

-- 飞机元数据表
CREATE TABLE planes (
    plane_id VARCHAR(10) PRIMARY KEY,
    model VARCHAR(50) NOT NULL,
    capacity INT
);

-- 航班行程表（关键表）
CREATE TABLE trips (
    trip_id BIGSERIAL PRIMARY KEY,
    plane_id VARCHAR(10) REFERENCES planes(plane_id),
    route VARCHAR(50) NOT NULL,  -- 航线（如HKG-NRT）
    departure TIMESTAMPTZ NOT NULL,  -- 起飞时间（UTC）
    arrival TIMESTAMPTZ NOT NULL     -- 到达时间（UTC）
);

-- 索引优化
CREATE INDEX idx_trips_plane_time ON trips (plane_id, departure);
CREATE INDEX idx_trips_departure_brin ON trips USING BRIN (departure);

4.2 数据示例

plane_id	route	departure (UTC)	arrival (UTC)
PlaneA	HKG-NRT	2024-01-02 01:25:00	2024-01-02 05:55:00
PlaneA	NRT-TPE	2024-01-02 08:39:00	2024-01-02 12:29:00

---

5. 查询优化策略

5.1 高效查询SQL

SELECT plane_id, route, departure, arrival 
FROM trips 
WHERE plane_id IN ('PlaneA', 'PlaneB') 
AND departure >= '2024-01-02T00:00:00Z' 
AND arrival <= '2024-01-02T23:59:59Z'
ORDER BY departure;

5.2 性能保障

1. 分区策略：按月份对trips表分区，减少单表数据量。
2. 缓存层：使用Redis缓存高频查询结果（如当天热门航班）。
3. 批量预加载：每日凌晨预生成次日航班数据快照。

6. 甘特图数据格式

{
  "PlaneA": [
    {
      "route": "HKG-NRT",
      "start": "01-02 01:25",
      "end": "01-02 05:55",
      "duration_minutes": 270
    }
  ],
  "PlaneB": [...]
}

7. 扩展性与风险控制

7.1 扩展性设计

• 水平扩展：

  • 数据库：使用Citus扩展PostgreSQL为分布式集群。
  • 服务层：无状态查询服务，支持Kubernetes动态扩缩容。

7.2 风险与应对

风险	应对措施
时间范围查询慢	BRIN索引 + 分区表。
前端渲染卡顿	虚拟滚动 + 分页加载（如只渲染24小时）。
时区显示错误	存储UTC时间，前端按用户时区转换。

8. 讨论点

1. 实时性需求：是否需要支持航班延误实时更新甘特图？

   • 若需要，可引入WebSocket推送变更。

2. 数据规模：预估每日新增航班量级？

   • 若超百万条/日，需采用分布式数据库。

3. 安全合规：是否需加密存储敏感数据（如机组信息）？

附录：

1. Mermaid甘特图示例（见用户输入）。
2. API请求/响应示例：

# Request
GET /api/trips?plane_ids=PlaneA,PlaneB&start=2024-01-02T00:00Z&end=2024-01-02T23:59Z

# Response
HTTP 200 OK
{
  "PlaneA": [...],
  "PlaneB": [...]
}