粉丝关系链，10亿数据，如何设计？

继续答星球水友提问，大数据量，高并发量，好友关系链、粉丝关系链要如何设计？

什么是关系链业务？

关系链主要分为两类，弱好友关系与强好友关系，两类都有典型的互联网产品应用。

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，暂且理解为 “关注”；

• 用户 B 关注用户 A，也不需要用户 A 同意，此时用户 A 与用户 B 也为弱好友关系，对 A 而言，暂且理解为 “粉丝”；

idol 与 fans 这类微博粉丝关系链，是一个典型的弱好友关系应用。

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 好友关系链，是一个典型的强好友关系应用。

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

其典型架构为：

• friend-service：好友中心服务，对调用者提供友好的 RPC 接口

• db：对好友数据进行存储

弱好友关系，存储层应该如何实现？

通过弱好友关系业务分析，很容易了解到，其核心元数据为：

• guanzhu(uid, guanzhu_uid);

• fensi(uid, fensi_uid);

其中：

• guanzhu 表，用户记录 uid 所有关注用户 guanzhu_uid

• 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。

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：

• guanzhu 表要插入 {1, 2} 这一条记录，1 关注了 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？

回答：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？

回答：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，存储层应该如何实现？

方案一

通过强好友关系业务分析，很容易了解到，其核心元数据为：

• friend(uid1, uid2);

其中：

• uid1，强好友关系中一方的 uid

• 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，这个强好友关系，在数据库中应该插入记录 {1, 2} 还是记录 {2,1} 呢？

回答：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？

回答：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。

方案二

强好友关系是弱好友关系的一个特例，A 和 B 必须互为关注关系（也可以说，同时互为粉丝关系），即也可以使用关注表和粉丝表来实现：

• guanzhu(uid, guanzhu_uid);

• 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：

• guanzhu 表要插入 {1, 2} 这一条记录

• 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：

• guanzhu 表要插入 {2, 1} 这一条记录

• fensi 表要插入 {1, 2} 这一条记录

两种实现，各有什么优缺点？

对于强好友关系的两类实现：

• friend(uid1, uid2) 表

• 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，数据冗余的优势就体现出来了：

• 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

• 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

画外音：假如有 10 亿关系链，必须水平切分。

数据冗余，是多对多关系，在数据量大时，数据水平切分的常用实践。

如何进行数据冗余？

接下来的问题转化为，好友中心服务如何来进行数据冗余，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：

• 业务方调用服务，新增数据

• 服务先插入 T1 数据

• 服务再插入 T2 数据

• 服务返回业务方新增数据成功

优点：

• 不复杂，服务层由单次写，变两次写

• 数据一致性相对较高（因为双写成功才返回）

缺点：

• 请求的处理时间增加（要插入次，时间加倍）

• 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：

• 业务方调用服务，新增数据

• 服务先插入 T1 数据

• 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）

• 服务返回业务方新增数据成功

• 消息总线将消息投递给数据同步中心

• 数据同步中心插入 T2 数据

优点：

• 请求处理时间短（只插入 1 次）

缺点：

• 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）

• 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）

• 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：

• 业务方调用服务，新增数据

• 服务先插入 T1 数据

• 服务返回业务方新增数据成功

• 数据会被写入到数据库的 log 中

• 线下服务或者任务读取数据库的 log

• 线下服务或者任务插入 T2 数据

优点：

• 数据双写与业务完全解耦

• 请求处理时间短（只插入 1 次）

缺点：

• 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）

• 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？

从上面的讨论可以看到，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：最终一致性。并不是完全保证数据的实时一致，而是尽早的发现不一致，并修复不一致。

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常见方案有三种。

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。

优点：

• 比较简单，开发代价小

• 线上服务无需修改，修复工具与线上服务解耦

缺点：

• 扫描效率低，会扫描大量的 “已经能够保证一致” 的数据

• 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：

• 写入正表 T1

• 第一步成功后，写入日志 log1

• 写入反表 T2

• 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

优点：

• 虽比方法一复杂，但仍然是比较简单的

• 数据扫描效率高，只扫描增量数据

缺点：

• 线上服务略有修改（代价不高，多写了 2 条日志）

• 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：

• 写入正表 T1

• 第一步成功后，发送消息 msg1

• 写入反表 T2

• 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

优点：

• 效率高

• 实时性高

缺点：

• 方案比较复杂，上线引入了消息总线这个组件

• 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

• 关系链业务是一个典型的多对多关系，又分为强好友与弱好友

• 数据冗余是一个常见的多对多业务数据水平切分实践

• 冗余数据的常见方案有三种

           （1）服务同步冗余

           （2）服务异步冗余

           （3）线下异步冗余

• 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

• 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

           （1）线下全量扫描法

           （2）线下增量扫描法

           （3）线上实时检测法

希望大家有所启示，思路比结论重要。

欢迎大家继续提问，有问必答。