文章较长,听我娓娓道来。
粉丝与关注,社交好友,都是典型的“多对多关系”的业务,这类业务的核心服务是好友中心,当关系链达到百亿之后,好友中心架构设计要考虑哪些因素,是本文将要分享的内容。
什么是“多对多”关系?
所谓的“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关联关系,一个学生可以选修多个课程,一个课程可以被多个学生选修,这里学生与课程时间的关系,就是多对多关系。
什么是好友关系?
好友关系主要分为两类:
(1)弱好友关系;
(2)强好友关系;
两类都有典型的互联网产品应用。
什么是弱好友关系?
弱好友关系的建立,不需要双方彼此同意:用户A关注用户B,不需要用户B同意,此时用户A与用户B为弱好友关系,对A而言,他多“关注”了一个人,对B而言,他多了一个“粉丝”。
微博粉丝是一个典型的弱好友关系应用。
什么是强好友关系?
强好友关系的建立,需要好友关系双方彼此同意:用户A请求添加用户B为好友,用户B同意,此时用户A与用户B则互为强好友关系,即A是B的好友,B也是A的好友。
QQ好友是一个典型的强好友关系应用。
什么是好友中心?
好友中心是一个典型的多对多业务,一个用户可以添加多个好友,也可以被多个好友添加。
其典型架构如上:
(1)friend-service:好友中心服务,对调用者提供友好的RPC接口;
(2)db:对好友数据进行存储;
服务的接口,不外乎:关注,取关,增加好友,删除好友,同意好友申请,不同意好友申请。其核心,在于元数据的设计。
弱好友关系,如何设计元数据?
通过弱好友关系业务分析,很容易了解到,其核心元数据为:
(1)guanzhu(uid, guanzhu_uid);
(2)fensi(uid, fensi_uid);
其中:
(1)guanzhu表,用户记录uid所有关注用户guanzhu_uid;
(2)fensi表,用来记录uid所有粉丝用户fensi_uid;
需要强调的是,一条弱关系的产生,会产生两条记录,一条关注记录,一条粉丝记录。
画外音:可不可以只有一条记录?
例如:用户A(uid=1)关注了用户B(uid=2),A多关注了一个用户,B多了一个粉丝,于是:
(1)guanzhu表要插入{1, 2}这一条记录,1关注了2;
(2)fensi表要插入{2, 1}这一条记录,2粉了1;
如何查询一个用户关注了谁呢?
在guanzhu的uid上建立索引:
select * from guanzhu where uid=1;
即可得到结果,1关注了2。
如何查询一个用户粉了谁呢?
在fensi的uid上建立索引:
select * from fensi where uid=2;
即可得到结果,2粉了1。
强好友关系,如何设计元数据?
通过强好友关系业务分析,很容易了解到,其核心元数据为:
(1)friend(uid1, uid2);
其中:
(1)uid1,强好友关系中一方的uid;
(2)uid2,强好友关系中另一方的uid;
uid=1的用户添加了uid=2的用户,双方都同意加彼此为好友,强好友关系,在数据库中应该插入记录{1, 2}还是记录{2,1}呢?
都可以,为了避免歧义,可以人为约定,插入记录时uid1的值必须小于uid2。
例如:有uid=1,2,3三个用户,他们互为强好友关系,那边数据库中可能是这样的三条记录:
{1, 2}
{2, 3}
{1, 3}
如何查询一个用户的好友呢?
假设要查询uid=2的所有好友,只需在uid1和uid2上建立索引,然后:
select * from friend where uid1=2
union
select * from friend where uid2=2
即可得到结果。
画外音,可不可以使用:
select * from friend uid1=2 or uid2=2
使用一个表记录所有关系链,如果数据量大了,数据库进行分库以后,不久无法同时满足uid1和uid2上的查询了么,此时要怎么办呢?
此时,可以使用类似于弱关系实现的方案,用数据冗余的方式,即使分库后,依然能够满足两种查询需求。
即,强好友关系也可以使用关注表和粉丝表来实现:
(1)guanzhu(uid, guanzhu_uid);
(2)fensi(uid, fensi_uid);
例如:用户A(uid=1)和用户B(uid=2)为强好友关系,即相互关注:
用户A(uid=1)关注了用户B(uid=2),A多关注了一个用户,B多了一个粉丝,于是:
(1)guanzhu表要插入{1, 2}这一条记录;
(2)fensi表要插入{2, 1}这一条记录;
同时,用户B(uid=2)也关注了用户A(uid=1),B多关注了一个用户,A多了一个粉丝,于是:
(1)guanzhu表要插入{2, 1}这一条记录;
(2)fensi表要插入{1, 2}这一条记录;
强调一下:数据冗余,是多对多关系,满足不同维度的查询需求,在数据量大时,数据水平切分的常用实践。
对于强好友关系的两类实现:
第一类:friend(uid1, uid2)表;
第二类:数据冗余guanzhu表与fensi表(后文称正表T1与反表T2);
在数据量小时,看似无差异,但数据量大时,只有后者,才能满足两类查询需求:
(1)friend表,数据量大时,如果使用uid1来分库,那么uid2上的查询就需要遍历多库;
(2)正表T1与反表T2通过数据冗余来实现好友关系,{1, 2}{2,1}分别存在于两表中,故两个表都使用uid来分库,均只需要进行一次查询,就能找到对应的关注与粉丝,而不需要多个库扫描;
问题转化为,T1和T2正反表,如何进行数据冗余呢?
数据冗余,常见有三种方法。
方法一:服务同步冗余
顾名思义,由好友中心服务同步写冗余数据,如上图1-4流程:
(1)业务方调用服务,新增数据;
(2)服务先插入T1数据;
(3)服务再插入T2数据;
(4)服务返回业务方新增数据成功;
这个方法,有什么优点呢?
(1)不复杂,服务层由单次写,变两次写;
(2)数据一致性相对较高(因为双写成功才返回);
这个方法,有什么不足呢?
(1)请求的处理时间增加(要插入次,时间加倍);
(2)数据仍可能不一致,例如第二步写入T1完成后服务重启,则数据不会写入T2;
如果系统对处理时间比较敏感,引出常用的第二种方案。
方法二:服务异步冗余
数据的双写并不再由好友中心服务来完成,服务层异步发出一个消息,通过消息总线发送给一个专门的数据复制服务来写入冗余数据,如上图1-6流程:
(1)业务方调用服务,新增数据;
(2)服务先插入T1数据;
(3)服务向消息总线发送一个异步消息(发出即可,不用等返回,通常很快就能完成);
(4)服务返回业务方新增数据成功;
(5)消息总线将消息投递给数据同步中心;
(6)数据同步中心插入T2数据;
这个方法,有什么优点呢?
(1)请求处理时间短(只插入1次);
这个方法,有什么不足呢?
(1)系统的复杂性增加了,多引入了一个组件(消息总线)和一个服务(专用的数据复制服务);
(2)因为返回业务线数据插入成功时,数据还不一定插入到T2中,因此数据有一个不一致时间窗口(这个窗口很短,最终是一致的);
(3)在消息总线丢失消息时,冗余表数据会不一致;
如果想解除“数据冗余”对系统的耦合,引出常用的第三种方案。
方法三:线下异步冗余
数据的双写不再由好友中心服务来完成,而是由线下的一个服务或者任务来完成,如上图1-6流程:
(1)业务方调用服务,新增数据;
(2)服务先插入T1数据;
(3)服务返回业务方新增数据成功;
(4)数据会被写入到数据库的log中;
(5)线下服务或者任务读取数据库的log;
(6)线下服务或者任务插入T2数据;
这个方法,有什么优点呢?
(1)数据双写与业务完全解耦;
(2)请求处理时间短(只插入1次);
这个方法,有什么不足呢?
(1)返回业务线数据插入成功时,数据还不一定插入到T2中,因此数据有一个不一致时间窗口(这个窗口很短,最终是一致的);
(2)数据的一致性依赖于线下服务或者任务的可靠性;
上述三种方案各有优缺点,可以结合实际情况选取。
数据冗余固然能够解决多对多关系的数据库水平切分问题,但又带来了新的问题,如何保证正表T1与反表T2的数据一致性呢?
可以看到,不管哪种方案,因为两步操作不能保证原子性,总有出现数据不一致的可能,高吞吐分布式事务是业内尚未解决的难题,此时的架构优化方向,并不是完全保证数据的一致,而是尽早的发现不一致,并修复不一致。
需要强调的是,最终一致性,是高吞吐互联网业务一致性的常用实践。
更具体的,保证数据最终一致性的方案有三种。
方法一:线下扫面正反冗余表全部数据
如上图所示,线下启动一个离线的扫描工具,不停的比对正表T1和反表T2,如果发现数据不一致,就进行补偿修复。
这个方法,有什么优点呢?
(1)比较简单,开发代价小;
(2)线上服务无需修改,修复工具与线上服务解耦;
这个方法,有什么不足呢?
(1)扫描效率低,会扫描大量的“已经能够保证一致”的数据;
(2)由于扫描的数据量大,扫描一轮的时间比较长,即数据如果不一致,不一致的时间窗口比较长;
有没有只扫描“可能存在不一致可能性”的数据,而不是每次扫描全部数据,以提高效率的优化方法呢?
方法二:线下扫描增量数据
每次只扫描增量的日志数据,就能够极大提高效率,缩短数据不一致的时间窗口,如上图1-4流程所示:
(1)写入正表T1;
(2)第一步成功后,写入日志log1;
(3)写入反表T2;
(4)第二步成功后,写入日志log2;
当然,我们还是需要一个离线的扫描工具,不停的比对日志log1和日志log2,如果发现数据不一致,就进行补偿修复。
这个方法,有什么优点呢?
(1)虽比方法一复杂,但仍然是比较简单的;
(2)数据扫描效率高,只扫描增量数据;
这个方法,有什么不足呢?
(1)线上服务略有修改(代价不高,多写了2条日志);
(2)虽然比方法一更实时,但时效性还是不高,不一致窗口取决于扫描的周期;
有没有实时检测一致性并进行修复的方法呢?
方法三:实时线上“消息对”检测
这次不是写日志了,而是向消息总线发送消息,如上图1-4流程所示:
(1)写入正表T1;
(2)第一步成功后,发送消息msg1;
(3)写入反表T2;
(4)第二步成功后,发送消息msg2;
这次不是需要一个周期扫描的离线工具了,而是一个实时订阅消息的服务不停的收消息。
假设正常情况下,msg1和msg2的接收时间应该在3s以内,如果检测服务在收到msg1后没有收到msg2,就尝试检测数据的一致性,不一致时进行补偿修复。
这个方法,有什么优点呢?
(1)效率高;
(2)实时性高;
这个方法,有什么不足呢?
(1)方案比较复杂,上线引入了消息总线这个组件;
(2)线下多了一个订阅总线的检测服务;
however,技术方案本身就是一个投入产出比的折衷,可以根据业务对一致性的需求程度决定使用哪一种方法。
总结
文字较多,希望尽量记住如下几点:
(1)好友业务是一个典型的多对多关系,又分为强好友与弱好友;
(2)数据冗余是一个常见的多对多业务数据水平切分实践;
(3)冗余数据的常见方案有三种:
(3.1)服务同步冗余;
(3.2)服务异步冗余;
(3.3)线下异步冗余;
(4)数据冗余会带来一致性问题,高吞吐互联网业务,要想完全保证事务一致性很难,常见的实践是最终一致性;
(5)最终一致性的常见实践是,尽快找到不一致,并修复数据,常见方案有三种:
(5.1)线下全量扫描法;
(5.2)线下增量扫描法;
(5.3)线上实时检测法;
新尝试,视频讲架构
希望大家有收获,帮转哟。