系统设计（三）Designing Pastebin-CSDN博客

让我们设计一个类似于Pastebin的web服务，用户可以在其中存储纯文本。使用这个服务的用户将输入一段文本，并获得一个随机生成的URL来访问它。类似服务：pastebin.com，pasted.co，hplapp.com

1.Pastebin是什么？

类似Pastebin的服务使用户能够通过网络(通常是Internet)存储纯文本或图像，并生成唯一的URL来访问上传的数据。这些服务也被用来快速地在网络上共享数据，因为用户只需传递URL就可以让其他用户看到它。如果您以前没有使用pastebin.com，请尝试在那里创建一个新的“粘贴”，并花一些时间浏览他们的服务提供的不同选项。这将对你理解这一章有很大帮助。

2.系统的要求和目标

我们的Pastebin服务应该满足以下要求：

功能需求：
1.用户应该能够上传或“粘贴”他们的数据，并获得一个唯一的URL来访问数据。
2.用户只能上传文本。
3.数据和链接将在特定的时间段后自动过期；用户还应该能够指定过期时间。
4.用户应该可以随意地为他们的粘贴选择一个自定义别名。

非功能性需求：
1.系统应高可靠，上传的任何数据不应丢失。
2.系统应高可用。这是必需的，因为如果我们的服务关闭，用户将无法访问他们的粘贴。
3.用户应该能够以最小的延迟实时访问他们的粘贴。
4.粘贴链接不应是可猜测的(不可预测的)。

拓展要求：
1.分析，例如，一个粘贴被访问了多少次？
2.我们的服务也应该可以通过REST API被其他服务访问。

3.一些设计考虑

Pastebin与URL缩短服务有一些相同的要求，但是我们还需要记住一些额外的设计注意事项。

用户一次可以粘贴的文本数量的限制应该是多少？
我们可以限制用户的粘贴不超过10 MB，以阻止滥用服务。

我们是否应该对自定义URL施加大小限制？
由于我们的服务支持自定义URL，用户可以选择他们喜欢的任何URL，但是提供自定义URL并不是强制性的。但是，对自定义URL施加大小限制是合理的(而且通常是可取的)，以保证我们有一个一致的URL数据库。

4.容量估计和约束

我们的服务将是大量读取的；与paste的创建相比，将会有更多的读取。我们可以假设读写之间的比例为5：1。

流量估计：
Pastebin服务的流量预计不会与Twitter或Facebook类似，假设我们每天都有100万新的paste添加到我们的系统中。这使我们每天有五百万的读请求。

每秒产生的新paste数量：1M/(24小时*3600秒)~=12/秒
每秒读取的paste数量：5M/(24小时*3600秒)~=58/秒

存储估计：
用户最多可以上传10 MB的数据；通常类似Pastebin的服务用于共享源代码、配置或日志，这样的文本并不大，所以让我们假设每个paste平均包含10 KB。按照这个速率，我们将每天存储10 GB的数据。
1M*10 kb=>10 GB/日
如果我们想将这些数据存储十年，我们将需要36TB的总存储容量。
如果每天有100万paste，我们在10年内就会有36亿个paste。我们需要生成和存储密钥，以唯一地识别这些粘贴。如果我们使用base 64编码([A-Z，a-z，0-9，.，-])，我们需要6个字符串：
64^6~=687亿唯一字符串
如果存储一个字符需要一个字节，则存储3.6B键所需的总大小为：
3.6b*6=>22 GB
与36 TB相比，22 GB是可以忽略不计的。为了保持一定的空间，我们将假设一个70%的容量模型(意味着我们不想在任何时候使用超过70%的总存储容量)，这将使我们的存储需求增加到51.4TB。

带宽估计：
对于写请求，我们期望每秒有12个新的paste，从而每秒产生120 kb的入口。
12*10 kb=>120 KB/s
至于读取请求，我们预计每秒有58个请求。因此，总数据出口(发送给用户)将为0.6MB/s。
58*10 kb=>0.6 MB/s

虽然总出入口不是很大，但是在设计我们的服务时，我们应该记住这些数字。

内存估计：
我们可以缓存一些经常被访问的热门paste。按照80-20规则，即20%的热paste产生80%的流量，我们希望缓存这20%的paste。既然我们每天有500万次阅读请求，要缓存其中20%的请求，我们就需要：
0.2*5m*10 kb~=10 GB

5.系统API

我们可以使用SOAP或REST API来公开服务的功能。以下是创建/检索/删除paste的API的定义：

addPaste(api_dev_key, paste_data, custom_url=None user_name=None, paste_name=None, expire_date=None)

参数：
api_dev_key(string)：一个注册帐户的API Developer key。除其他外，这将用于根据用户被分配到的配额来对用户限流。
paste_data(string)：paste的文本数据
custom_url(string)：可选的自定URL
user_name(string)：用于生成URL的可选用户名
paste_name(string)：可选的paste名称
expire_date(string)：可选的paste过期日期

返回：(string)
成功的插入返回可以访问paste的URL，否则它将返回一个错误代码。

同样地，我们可以得到检索和删除paste的API：

getPaste(api_dev_key, api_paste_key)

其中，“api_dev_key”是一个字符串，表示要检索的paste键。此API将返回paste的文本数据。

deletePaste(api_dev_key, api_paste_key)

成功的删除返回“true”，否则返回“false”。

6.数据库设计

关于我们正在存储的数据的性质的一些观察：
1.我们需要储存数十亿份记录。
2.我们存储的每个元数据对象都很小(小于100个字节)。
3.我们存储的每个paste对象都可以是中等大小的(可以是几MB)。
4.记录之间没有任何关系，除非我们想存储哪个用户创建了什么paste。
5.我们的服务读取量很大.

数据库模式：我们需要两个表，一个用于存储有关粘贴的信息，另一个用于存储用户的数据。

Paste表：
URLHash:PK varchar(16)
ContentKey: varchar(512)
ExpirationDate: datatime
CreationDate：datetime

用户表
UserID: PK int
Name: varchar(20)
Email: varchar(32)
CreationDate：datetime

在这里，‘URlHash’是TinyURL的URL等效，‘ContentKey’是存储paste内容的对象键。

7.高层设计

在较高的层次上，我们需要一个应用程序层来服务所有的读写请求。应用层将与存储层对话以存储和检索数据。我们可以使用一个数据库隔离存储层，其中一个数据库存储与每个paste、用户等相关的元数据，而另一个数据库则将paste内容存储在某些对象存储中(如AmazonS 3)。这种数据划分也将使我们能够单独地扩大数据规模。

在这里插入图片描述

8.构件设计

A.应用层
我们的应用层将处理所有传入和传出请求。应用服务器将与后端数据存储组件进行通信，以满足请求。

如何处理写入请求？
在接收到写请求后，我们的应用服务器将生成一个6个字母的随机字符串，作为paste的key(如果用户没有提供自定义key)。然后，应用服务器将在数据库中存储paste的内容和生成的key。成功插入后，服务器可以将key返回给用户。这里可能存在的一个问题是插入失败是因为键重复。由于我们正在生成一个随机key，所以新生成的key可能与现有key重复。在这种情况下，我们应该重新生成一个新的键，然后再试一次。我们应该继续重试，直到我们没有看到由于重复导致的键失败。如果用户提供的自定义key已经存在于我们的数据库中，我们应该向用户返回一个错误。
解决上述问题的另一个解决方案是运行一个独立key生成服务(KGS)，该服务预先生成随机的6个字母字符串，并将它们存储在数据库中(让我们称之为key-DB)。当我们想要存储一个新的paste时，我们只需要使用一个已经生成的键就可以了。这种方法将使事情变得非常简单和快速，因为我们不会担心重复或碰撞。KGS将确保键DB中插入的所有键都是唯一的。KGS可以使用两个表来存储密钥，一个用于尚未使用的键，另一个用于所有已使用的键。一旦KGS给出了应用服务器的一些key，它就可以将这些键移动到已使用的键表中。KGS总是可以在内存中保存一些密钥，这样每当服务器需要它们时，它都可以快速地提供它们。一旦KGS在内存中加载了一些键，它就可以将它们移动到已使用的键表中，这样我们就可以确保每个服务器都得到唯一的键。如果KGS在使用内存中加载的所有key之前就挂了，我们将浪费这些key。我们可以忽略这些key，因为我们有大量的key。

KGS不是一个单点故障吗？
是的。为了解决这个问题，我们可以有一个KGS的备用副本，每当主服务器挂掉后，它就可以负责生成和提供key，每个应用服务器可以从key-DB缓存一些key吗？是的，这肯定能加快速度。尽管在这种情况下，如果应用程序服务器在使用所有key之前就挂了，我们最终会丢失这些键。这是可以接受的，因为我们有68B个唯一的6个字母键，这比我们需要的要多得多。它如何处理paste读取请求？在接收到读取paste请求时，应用程序服务层与数据存储进行联系，数据存储搜索key，如果找到，则返回paste的内容。否则，将返回错误代码。
B.数据存储层
我们可以将数据存储层分为两层：

1.元数据数据库：我们可以使用关系数据库，如mysql或像Dynamo或Cassandra这样的分布式键值存储。
2.对象存储：我们可以将内容存储在像Amazon S3那样的对象存储中。每当我们想在内容存储上充分发挥我们的能力时，我们可以通过增加更多的服务器来轻松地增加它。
Pastebin组件的详细设计