帖子中心,1亿数据,架构如何设计?

Posted

tags:

篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了帖子中心,1亿数据,架构如何设计?相关的知识,希望对你有一定的参考价值。

帖子中心,是互联网业务中,一类典型的“1对多”业务,即:一个用户能发布多个帖子,一个帖子只有一个发布者。

随着数据量的逐步增大,并发量的逐步增大,帖子中心这种“1对多”业务,架构应该如何设计,有哪些因素需要考虑,是本文将要系统性讨论的问题。

什么是x对x?

所谓的“1对1”,“1对多”,“多对多”,来自数据库设计中的“实体-关系”ER模型,用来描述实体之间的映射关系。

什么是“1对1”业务?

用户中心,一个用户只有一个登录名,一个登录名只对应一个用户,这是典型的1对1业务。

什么是“1对多”业务?

帖子中心,一个用户可以发多条微博,一条微博只有一个发送者,这是典型的1对多业务。

什么是“多对多”业务?

feed关注,一个用户可以关注多个用户,一个用户也可以被多个用户关注,这是典型的多对多业务。

帖子中心是个什么业务,有什么典型的业务需求?

技术图片
帖子中心是一个典型的1对多业务。
技术图片

一个用户可以发布多个帖子,一个帖子只对应一个发布者。

任何脱离业务的架构设计都是耍流氓,先来看看帖子中心对应的业务需求。

帖子中心,是一个提供帖子发布,修改,删除,查看,搜索的服务。

帖子中心,有什么写操作?

(1)发布(insert)帖子;
(2)修改(update)帖子;
(3)删除(delete)帖子;

帖子中心,有什么读操作?

(1)通过tid查询(select)帖子实体,单行查询;
(2)通过uid查询(select)用户发布过的帖子,列表查询;
(3)帖子检索(search),例如通过时间、标题、内容搜索符合条件的帖子;

在数据量较大,并发量较大的时候,架构如何设计?

典型的,通常通过元数据与索引数据分离的架构设计方法。
技术图片
架构中的几个关键点,如上图所示:
(1)tiezi-center:帖子服务;
(2)tiezi-db:提供元数据存储;
(3)tiezi-search:帖子搜索服务;
(4)tiezi-index:提供索引数据存储;
(5)MQ:tiezi-center与tiezi-search通讯媒介,一般不直接使用RPC调用,而是通过MQ对两个子系统解耦。

此时,读需求怎么满足?

tiezi-center和tiezi-search分别满足两类不同的读需求。
技术图片
如上图所示:
(1)tid和uid上的查询需求,可以由tiezi-center从元数据读取并返回;
(2)其他类检索需求,可以由tiezi-search从索引数据检索并返回;

写需求怎么办呢?

技术图片
至于写需求,如上图所示:
(1)增加,修改,删除的操作都会从tiezi-center发起;
(2)tiezi-center修改元数据;
(3)tiezi-center将信息修改通知发送给MQ;
(4)tiezi-search从MQ接受修改信息;
(5)tiezi-search修改索引数据;

tiezi-search,搜索架构不是本文的重点,不再展开,后文将重点描述帖子中心元数据水平切分设计。

帖子中心,数据库元数据如何设计?

帖子中心业务,很容易了解到,其核心元数据为:
t_tiezi(tid, uid, time, title, content, …);
其中:
(1)tid为帖子ID,主键;
(2)uid为用户ID,发帖人;
(3)time, title, content …等为帖子属性;

数据库设计上,在业务初期,单库就能满足元数据存储要求。
技术图片
(1)tiezi-center:帖子中心服务,对调用者提供友好的RPC接口;
(2)tiezi-db:对帖子数据进行存储;

在相关字段上建立索引,就能满足相关业务需求。

(1)帖子记录查询,通过tid查询,约占读请求量90%;
select from t_tiezi where tid=$tid
(2)帖子列表查询,通过uid查询其发布的所有帖子,约占读请求量10%;
select
from t_tiezi where uid=$uid

随着数据量越来越大,如何进行水平切分,对存储容量进行线性扩展呢?

方案一:帖子ID切分法

既然是帖子中心,并且帖子记录查询量占了总请求的90%,很容易想到通过tid字段取模来进行水平切分。
技术图片
这个方法简单直接,优点:
(1)100%写请求可以直接定位到库;
(2)90%的读请求可以直接定位到库;

缺点也很明显:
(1)一个用户发布的所有帖子可能会落到不同的库上,10%的请求通过uid来查询会比较麻烦;
技术图片
如上图,一个uid访问需要遍历所有库。

有没有一种切分方法,确保同一个用户发布的所有帖子都落在同一个库上,而在查询一个用户发布的所有帖子时,不需要去遍历所有的库呢?

方案二:用户ID切分法

使用uid来分库可以解决这个问题。

新的问题出现了:如果使用uid来分库,确保了一个用户的帖子数据落在同一个库上,那通过tid来查询,就不知道这个帖子落在哪个库上了,岂不是还需要遍历全库,需要怎么优化呢?

tid的查询是单行记录查询,只要在数据库(或者缓存)记录tid到uid的映射关系,就能解决这个问题。

新增一个索引库:
t_mapping(tid, uid);
(1)这个库只有两列,可以承载很多数据;
(2)即使数据量过大,索引库可以利用tid水平切分;
(3)这类kv形式的索引结构,可以很好的利用cache优化查询性能;
(4)一旦帖子发布,tid和uid的映射关系就不会发生变化,cache的命中率会非常高;

使用uid分库,并增加索引库记录tid到uid的映射关系之后,每当有uid上的查询,可以通过uid直接定位到库。
技术图片

每当有tid上的查询,可以先查mapping表得到uid,再通过uid定位到库。
技术图片

这个方法的优点是:
(1)一个用户发布的所以帖子落在同一个库上;
(2)10%的请求过过uid来查询列表,可以直接定位到库;
(3)索引表cache命中率非常高,因为tid与uid的映射关系不会变;

缺点也很明显:
(1)90%的tid请求,以及100%的修改请求,不能直接定位到库,需要先进行一次索引表的查询,当然这个查询非常块,通常在5ms内可以返回;
(2)数据插入时需要操作元数据与索引表,可能引发潜在的一致性问题;

有没有一种方法,既能够通过uid定位到库,又不需要建立索引表来进行二次查询呢,使得uid和tid都能够直接一次命中的方案呢?

方案三:基因法

什么是分库基因?

通过uid分库,假设分为16个库,采用uid%16的方式来进行数据库路由,这里的uid%16,其本质是uid的最后4个bit决定这行数据落在哪个库上,这4个bit,就是分库基因。

什么是基因法分库?

在“1对多”的业务场景,使用“1”分库,在“多”的数据id生成时,id末端加入分库基因,就能同时满足“1”和“多”的分库查询需求。
技术图片
如上图所示,uid=666的用户发布了一条帖子(666的二进制表示为:1010011010):
(1)使用uid%16分库,决定这行数据要插入到哪个库中;
(2)分库基因是uid的最后4个bit,即1010;
(3)在生成tid时,先使用一种分布式ID生成算法生成前60bit(上图中绿色部分);
(4)将分库基因加入到tid的最后4个bit(上图中粉色部分);
(5)拼装成最终的64bit帖子tid(上图中蓝色部分);

这般,保证了同一个用户发布的所有帖子的tid,都落在同一个库上,tid的最后4个bit都相同,于是:
(1)通过uid%16能够定位到库;
(2)通过tid%16也能定位到库;

有人要问了,同一个uid发布的tid落在同一个库上,会不会出现数据不均衡?

只要uid是均衡的,每个用户发布的平均帖子数是均衡的,每个库的数据就是均衡的。

又有人要问了,最开始分16库,分库基因是4bit,未来要扩充成32库,分库基因变成了5bit,那怎么办?

需要提前做好容量预估,例如事先规划好5年内数据增长256库足够,就提前预留8bit基因。

总结

将以“帖子中心”为典型的“1对多”类业务,在架构上,采用元数据与索引数据分离的架构设计方法:
(1)帖子服务,元数据满足uid和tid的查询需求;
(2)搜索服务,索引数据满足复杂搜索寻求;

对于元数据的存储,在数据量较大的情况下,有三种常见的切分方法:
(1)tid切分法,按照tid分库,同一个用户发布的帖子落在不同的库上,通过uid来查询要遍历所有库;
(2)uid切分法,按照uid分库,同一个用户发布的帖子落在同一个库上,需要通过索引表或者缓存来记录tid与uid的映射关系,通过tid来查询时,先查到uid,再通过uid定位库;
(3)基因法,按照uid分库,在生成tid里加入uid上的分库基因,保证通过uid和tid都能直接定位到库;

技术图片
架构师训练营,欢迎来玩
相关文章:
《用户中心,1亿数据,架构如何设计?》

以上是关于帖子中心,1亿数据,架构如何设计?的主要内容,如果未能解决你的问题,请参考以下文章

用户中心,1亿数据,架构如何设计?

100亿数据1万属性数据架构设计

转载100亿数据1万属性数据架构设计

京东架构师:日均 5 亿查询量的ElasticSearch架构如何设计?

类别和子类别架构设计

深入架构师级 MySQL 之千亿数据分库分表实战方法论