Feed流架构设计

前言：当前最流行的Feed流产品有微博、微信朋友圈、头条的资讯推荐、快手抖音的视频推荐等，还有一些变种，比如私信、通知等，这些系统都是Feed流系统。Feed流是Feed + 流，Feed的本意是饲料，Feed流的本意就是有人一直在往一个地方投递新鲜的饲料，如果需要饲料，只需要盯着投递点就可以了，这样就能源源不断获取到新鲜的饲料。由于Feed流一般是按照时间“从上往下流动”，非常适合在移动设备端浏览。

---

一、Feed流简介

1.1、Feed流定义

在信息学里面，Feed其实是一个信息单元，比如一条朋友圈状态、一条微博、一条新闻或一条短视频等，所以Feed流就是不停更新的信息单元，只要关注某些发布者就能获取到源源不断的新鲜信息，我们的用户也就可以在移动设备上逐条去浏览这些信息单元。

Feed流本质上是一个数据流，是将 “N个发布者的信息单元” 通过 “关注关系” 传送给 “M个接收者”。

Feed流系统是一个数据流系统，据分为三类，分别是：

• 发布者的数据：发布者产生数据，然后数据需要按照发布者组织，需要根据发布者查到所有数据，比如微博的个人页面、朋友圈的个人相册等。

• 关注关系：系统中个体间的关系，微博中是关注，是单向流，朋友圈是好友，是双向流。不管是单向还是双向，当发布者发布一条信息时，该条信息的流动永远是单向的。

• 接收者的数据：从不同发布者那里获取到的数据，然后通过某种顺序（一般为时间）组织在一起，比如微博的首页、朋友圈首页等。这些数据具有时间热度属性，越新的数据越有价值，越新的数据就要排在最前面。

针对这三类数据，我们可以有如下定义：

• 存储库：存储发布者的数据，永久保存。

• 关注表：用户关系表，永久保存。

• 同步库：存储接收者的时间热度数据，只需要保留最近一段时间的数据即可。

1.2、Feed流应用场景特点

1） 读多写少

读写比例差距巨大，典型的读多写少场景。

2） 有序展示

需要根据timeline或者feed的打分值来进行排序处理展示。

---

二、Feed系统的数据存储设计

在数据存储上主要分三个部分

1）feed存储

是用户发布的内容存储，这部分内容需要永久存储，用户在查看个人主页的时候不论多久的都要可以看到。数据结构简化如下，根据userId进行水平分表

create table `t_feed`(  `feedId` bigint not null PRIMARY KEY,  `userId` bigint not null COMMENT '创建人ID'  `content` text,  `recordStatus` tinyint not null default 0 comment '记录状态')ENGINE=InnoDB;

2）关注关系存储

是用户之间关系的一个存储，也是控制用户能够看到feed范围的依赖，同样需要永久存储。

数据结构简化如下，根据userId进行水平分表：

CREATE TABLE `t_like`(    `id` int(11) NOT NULL PRIMARY KEY,     `userId` int(11) NOT NULL,     `likerId` int(11) NOT NULL,    KEY `userId` (`userId`),    KEY `userId` (`likerId`),)ENGINE=InnoDB;

3）feed同步存储

用于feed流展示，可以理解为是一个收件箱，关注的人发布了feed，就要向其中投递。

可以根据业务场景保存一段时间内的内容，冷的数据可以进行归档也可以直接删除。

数据结构简化如下，根据userId进行水平分表：

create table `t_inbox`(  `id` bigint not null PRIMARY KEY,  `userId` bigint not null comment '收件人ID',  `feedId` bigint not null comment '内容ID',  `createTime` datetime not null)ENGINE=InnoDB;

4）总结

三张元数据表：用户表、作者表、文章表；

三张关联表：关注关系表、作者发件箱、用户收件箱；

---

三、如何设计Feed流系统？

设计Feed流系统时最核心的是确定清楚产品层面的定义，需要考虑的因素包括：

• 产品用户规模：用户规模在十万、千万、十亿级时，设计难度和侧重点会不同。

• 关注关系（单向、双写）：如果是双向，那么就不会有大V，否则会有大V存在

• 如何实现Feed内容搜索？

  • 虽然Feed流系统本身可以不需要搜索，但是一个Feed流产品必须要有搜索，否则信息发现难度会加大，用户留存率会大幅下降。

• Feed流的顺序是时间还是其他分数，比如个人的喜好程度？

  • 双向关系时由于关系很紧密，一定是按时间排序，就算一个关系很紧密的人发了一条空消息或者低价值消息，那我们也会需要关注了解的。

  • 单向关系时，那么可能就会存在大V，大V的粉丝数量理论极限就是整个系统的用户数，有一些产品会让所有用户都默认关注产品负责人，这种产品中，该负责人就是最大的大V，粉丝数就是用户规模。

---

四、Feed流的主要模式

类型	推模式	拉模式	推拉结合模式
写放大	高	无	中
读放大	无	高	中
用户读取延时	毫秒	秒	秒
读写比例	1:99	99:1	~50:50
系统要求	写能力强	读能力强	读写都适中
常见系统	Tablestore、Bigtable等LSM架构的分布式NoSQL	Redis、memcache等缓存系统或搜索系统(推荐排序场景)	两者结合
架构复杂度	简单	复杂	更复杂

• 如果产品中是双向关系，那么就采用推模式。

• 如果产品中是单向关系，且用户数少于1000万，那么也采用推模式，足够了。

• 如果产品是单向关系，单用户数大于1000万，那么采用推拉结合模式，这时候可以从推模式演进过来，不需要额外重新推翻重做。

• 永远不要只用拉模式。

• 如果是一个初创企业，先用推模式，快速把系统设计出来，然后让产品去验证、迭代，等客户数大幅上涨到1000万后，再考虑升级为推拉集合模式。

4.1、推模式

4.1.2 推模式定义

推模式也称写扩散模式，当被关注人发布内容后，主动将内容推送给关注人，写入关注人的收件箱中。

当一个用户触发行为（比如发微博），自身行为记录到行为表中，同时也对应到这个用户的粉丝表，为每个粉丝插入一条feed。但是对于粉丝过万的大V，为每个粉丝插入一条feed对存储数据成本很大。

①当被关注人发布一条内容以后，获取所有关注该人的用户，然后进行遍历数据，将内容插入这些用户的收件箱中，示例如下：

/** 插入一条feed数据  **/
insert into t_feed (`feedId`,`userId`,`content`,`createTime`) values (10001,4,'内容','2021-10-31 17:00:00')

/** 查询所有粉丝 **/
select userId from t_like where liker = 4;

** 将feed插入粉丝的收件箱中 **/
insert into t_inbox (`userId`,`feedId`,`createTime`) values (1,10001,'2021-10-31 17:00:00');
insert into t_inbox (`userId`,`feedId`,`createTime`) values (2,10001,'2021-10-31 17:00:00');
insert into t_inbox (`userId`,`feedId`,`createTime`) values (3,10001,'2021-10-31 17:00:00'

②当用户ID为1的用户进行查看feed流时，就将收件箱表中的所有数据进行查出，示例如下：

select feedId from t_inbox where userId = 1 ;

③对数据进行聚合排序处理

4.1.2 存在的问题

1. 即时性较差

当大V被很多很多用户关注的时候，遍历进行粉丝进行插入数据非常耗时，用户不能及时收到内容

可尝试的解决方法：

 1.  可将任务推入消息队列中，消费端多线程并行消费。 2.  使用插入性能高、数据压缩率高的数据库

2. 存储成本很高

每个粉丝都要存储一份关注人的微博数据，大V粉丝量很高的时候，插入数据量成指数级上升。

并且微博可以将关注的博主进行分组，所以数据不仅要在全部收件箱中插入，也要在分组的收件箱中插入。

可尝试的解决方法：

数据冷热分离，热库仅保存短时间内的数据，冷库多保留一段时间的数据，冷热库均定时清理数据。

用户量不断上涨，使用这种设计方案，终究还是会遇到瓶颈

3. 数据状态同步

当被关注用户删除微博或取关某博主时，需要将所有粉丝的收件箱中的内容都删除，依然存在一个写扩散的即时性问题

可尝试的解决方案：

在拉取数据的时候对微博的状态进行判断，过滤已删除/已取关的微博过滤

以上解决方案可以在一定程度上提升效率，但是不能根源上解决问题。

4.1.3 推模式小结

推模式仅适用于粉丝量不会太多的情况，例如微信朋友圈，这样能够比较好的控制好即时触达性、以及数据存储的成本。

对于微博大V这种粉丝量很大的场景并不适合。

4.2、拉模式

4.2.1 拉模式

拉模式也称读扩散模式。当一个用户（特别是关注了很多人的）触发行为的时，拉取自己动态，检索用户的关注表，然后根据关注表检索新发的feed。如果一个用户关注过多的时候，查询该用户的关注列表也是有很大数据成本。

获取所有关注的博主ID

select liker from t_like where userId = 1;

根据博主ID进行内容拉取

select * from t_feed where userId in (4,5,6) and recordStatus = 0;

获取所有内容后根据timeline进行排序。

这样的方案解决了在推模式下存在的三个问题，但是却也引发了另外的性能问题。

假如，用户关注的博主非常多，要拉取所有内容并进行排序聚合，这样的操作必定会耗时很多，请求时延很高。

那么如何做到低耗时，完成快速响应呢？

单纯依靠数据库是无法达到要求的，所以我们要在中间引入缓存层（分片），通过缓存来降低磁盘IO。

流程为：

①关注列表缓存

将用户关注的所有博主ID存入缓存中。以用户ID为key，value为关注博主id集合

②微博内容缓存

以博主ID为key，value为微博内容集合。博主发布微博后，将微博内容存入集合中

③获取feed流时

根据关注的博主id集合，在所有缓存分片节点上拉取所有内容并进行排序聚合。

假如缓存分片集群为三主三从，也就是一共需要三次请求即可拉取到所有内容，然后进行时间倒排，响应给用户

4.2.2 存在的问题

系统的读压力很大：

假如用户关注了1000个博主，那么需要拉取这1000个博主的所有发布内容，进行排序聚合，对于缓存服务，以及带宽压力都很大。

可尝试的解决方案:

缓存节点一主多从，通过水平扩容，来分散读压力和带宽瓶颈

4.2.3 拉模式小结

对于大V用户，拉模式能够很好解决写扩散存在的问题，同时也会带来上述存在的问题。

4.3、推拉结合模式

在线推，离线拉：

大V发动态，只同步发布动态给同时在线的粉丝，离线的粉丝上线后，再去拉取动态。来完成推与拉。

定时推，离线拉：

大V发动态之后，以常驻进程的方式定时推送到粉丝动态表。

feed流智能排序

智能排序基于趋势trending、热门hot、用户生产UGC 、编辑推荐PGC、相似Similarity等等因素综合考虑，随着技术的进步智能算法将会更加懂得用户的喜好。

4.4、总结

分析完推模式和拉模式的优缺点，我们很容易发现

1. 推模式适合于粉丝量不大的场景。例如朋友圈，一对一聊天。

2. 拉模式适合粉丝量巨大的大V用户。例如微博大V。

所以在场景设计时，可以将推模式和拉模式结合使用。逻辑如下

1. 设定一个大V粉丝量阈值，达到阈值后触发打用户标签事件。

2. 对于未达到阈值的用户依然使用写扩散方式，这样冗余的数据量不会太大，也不存在即时性问题。

3. 当达到阈值的用户发微博的时候，将微博内容存入缓存（热数据），不进行写扩散，而是粉丝拉取数据与收件箱中的数据进行排序聚合。

PS：这里还可以通过用户行为去维护一个活跃粉丝列表，对于该列表中的粉丝，同样进行一个写扩散的行为，保证即时触达。

---

五、Feed 评论功能设计

除了私信类型外，其他的feed流类型中，都有评论功能，评论的属性和存储库差不多，但是多了一层关系：被评论的消息，所以只要将评论按照被被评论消息分组组织即可，然后查询时也是一个范围查询就行。这种查询方式很简单，用不到关系型数据库中复杂的事务、join等功能，很适合用分布式NoSQL数据库来存储。

所以，一般的选择方式就是：

• 如果系统中已经有了分布式NoSQL数据库，比如Tablestore、Bigtable等，那么直接用这些即可。

• 如果没有上述系统，那么如果有MySQL等关系型数据库，那就选关系型数据库即可。

• 如果选择了Tablestore，那么“评论表”设计结构如下：

主键列顺序	第一列主键	第二列主键	属性列	属性列	属性列
字段名	message_id	comment_id	comment_content	reply_to	other
备注	微博ID或朋友圈ID等消息的ID	这一条评论的ID	评论内容	回复给哪个用户	其他

如果需要搜索评论内容，那么对这张表建立多元索引即可。

---

六、Feed流架构思想

6.1、架构模型演化

（1）重新梳理一下，最始，为了使得用户读取关注流的响应时间快，采用推模型，公众号作者发文章后，立即推送给所有粉丝。从三个角度，我们讲这种设计思想在架构设计中，有 牺牲写性能，换取读性能、用空间换时间、平摊复杂度

（2）后来，粉丝数变多，推模型的推送阶段矛盾凸显，所以要想办法削平它。考虑到仅有一少部分读者是活跃用户，大部分读者是非活跃的，推送阶段只推给活跃用户，非活跃用户采用延迟推送的方式，这是延迟推模型。从架构设计的角度，这是冷热分离的思想。

（3）最后，用户层面的划分也扛不住大 V 作者了，进而考虑将作者也进行划分，分为大V 作者和普通作者，普通作者采用推模型或延迟推模型，大 V 作者采用拉模型，这是推拉结合模型。当然，这同样是冷热分离的思想。

6.2、架构细节优化

（1）再具体的细节，假如公众号作者的发件箱是用 mysql 或 hbase 这种数据库存储的，那大 V 作者的发布文章，可以进一步放在 Redis 中存储，读者在拉取大 V 作者的数据时就变得更快了，这是更细微层面的冷热分离。

（2）再比如，其实大部分用户，可能并没有关注到大 V 作者，但还是要去用户自己的关注关系表中，把其关注的作者都查出来，然后一个个判断是不是大 V 作者。当大部分情况下结果都是不存在大 V 作者时，我们又可以通过一点小技巧来优化，即在用户表中存储一个字段，表示该用户是否有关注大 V 作者。这样，在用户关注了一个大 V 作者后，就多了一步修改这个字段的逻辑，但换来的是大部分读者在查询大 V 作者时很可能无需查询，这显然是合适的，这又是一种牺牲写性能换取读性能，或牺牲空间换取时间的思想。

而整个，我们这样不断地发现优化点，不断牺牲这个换取那个，就是架构设计中的权衡，用一个更装逼的词汇就是，Trade-Off。其实就是英文的权衡。

倘若你在架构设计中，始终能有 Trade-Off 这种思想围绕，不论是理解很多组件的设计、业务的架构，还是面试中回答面试官的问题，都会让人觉得你的思路至少是清晰的，和你的交流，是通畅的。记住它，Trade-Off！

---

参考链接：

你管这破玩意叫关注流?

淦！女票问我能不能开发一个微信朋友圈、微博？

如何设计一个微博feed流

深度解析内容分发Feed流

表格存储（Tablestore）入门指南-阿里云开发者社区