帖子中心，1亿数据，架构如何设计？

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？

帖子中心是一个典型的1对多业务。

 

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。

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。

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？

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。

（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。

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；

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。

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。

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。

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；