1万属性,100亿数据,10万吞吐,今天和大家聊一聊,这一类“分类信息业务”架构的设计实践。
一、背景描述及业务介绍
一个分类信息平台,有很多垂直品类:招聘、房产、二手物品、二手车、黄页等等,每个品类又有很多子品类,不管哪个品类,最核心的数据都是“帖子信息”。
逛过分类信息平台的朋友很容易了解到,这里的帖子信息:
各品类的属性千差万别,招聘帖子和二手帖子属性完全不同,二手手机和二手家电的属性又完全不同,目前恐怕有近万个属性;
数据量巨大,100亿级别;
每个属性上都有查询需求,各组合属性上都可能有组合查询需求,招聘要查职位/经验/薪酬范围,二手手机要查颜色/价格/型号,二手要查冰箱/洗衣机/空调;
吞吐量很大,每秒几十万吞吐;
如何解决100亿数据量,1万属性,多属性组合查询,10万并发查询的技术难题呢?一步步来。
二、最容易想到的方案
每个公司的发展都是一个从小到大的过程,撇开并发量和数据量不谈,先看看:
如何实现属性扩展性需求;
多属性组合查询需求;
公司初期并发量和数据量都不大,必须先解决业务问题。
最开始,业务只有一个招聘品类,那帖子表可能是这么设计的:
tiezi(tid, uid, c1, c2, c3);
最容易想到的是通过组合索引满足查询需求:
index_1(c1, c2)
index_2(c2, c3)
index_3(c1, c3)
可以新增若干属性满足存储需求,于是帖子表变成了:
tiezi(tid, uid, c1, c2, c3, c10, c11, c12, c13);
其中:
c1,c2,c3是招聘类别属性;
c10,c11,c12,c13是房产类别属性;
通过扩展属性,可以解决存储的问题。
首先,跨业务属性一般没有组合查询需求。只能建立了若干组合索引,满足房产类别的查询需求。
不敢想有多少个索引能覆盖所有两属性查询,三属性查询。
当业务越来越多时,是不是发现玩不下去了?
三、垂直拆分是一个思路
新增属性是一种扩展方式,新增表也是一种方式,垂直拆分也是常见的存储扩展方案。
可以这么玩:
tiezi_zhaopin(tid, uid, c1, c2, c3);
tiezi_fangchan(tid, uid, c10, c11, c12, c13);
这些表,以及对应的服务维护在不同的部门,看上去各业务灵活性强,研发闭环,这恰恰是悲剧的开始:
tid如何规范?
属性如何规范?
按照uid来查询怎么办(查询自己发布的所有帖子)?
按照时间来查询怎么办(最新发布的帖子)?
跨品类查询怎么办(例如首页搜索框)?
技术范围的扩散,有的用mongo存储,有的用mysql存储,有的自研存储;
重复开发了不少组件;
维护成本过高;
…
想想看,电商的商品表,不可能一个类目一个表的。
四、行业最佳实践:三大中心服务
平台型创业型公司,可能有多个品类,各品类有很多异构数据的存储需求,到底是分还是合,无需纠结:基础数据基础服务的统一,是一个很好的实践。
这里说的是平台型业务。
如何将不同品类,异构的数据统一存储起来呢?
全品类通用属性统一存储;
单品类特有属性,品类类型与通用属性json来进行存储;
更具体的:
tiezi(tid, uid, time, title, cate, subcate, xxid, ext);
一些通用的字段抽取出来单独存储;
通过cate, subcate, xxid等来定义ext是何种含义;
通过ext来存储不同业务线的个性化需求。
例如:
招聘的帖子,ext为:
{“job”:”driver”,”salary”:8000,”location”:”bj”}
而二手的帖子,ext为:
{”type”:”iphone”,”money”:3500}
帖子数据,100亿的数据量,分256库,通过ext存储异构业务数据,使用mysql存储,上层架了一个帖子中心服务,使用memcache做缓存,就是这样一个并不复杂的架构,解决了业务的大问题。这是分类信息平台最核心的帖子中心服务IMC(Info Management Center)。
解决了海量异构数据的存储问题,遇到的新问题是:
每条记录ext内key都需要重复存储,占据了大量的空间,能否压缩存储;
cateid已经不足以描述ext内的内容,品类有层级,深度不确定,ext能否具备自描述性;
随时可以增加属性,保证扩展性。
解决完海量异构数据的存储问题,接下来,要解决的是类目的扩展性问题。
每个业务有多少属性,这些属性是什么含义,值的约束等,耦合到帖子服务里显然是不合理的,那怎么办呢?
抽象出一个统一的类目、属性服务,单独来管理这些信息,而帖子库ext字段里json的key,统一由数字来表示,减少存储空间。
帖子表只存元信息,不管业务含义。
如上图所示,json里的key不再是”salary” ”location” ”money” 这样的长字符串了,取而代之的是数字1,2,3,4,这些数字是什么含义,属于哪个子分类,值的校验约束,统一都存储在类目、属性服务里。
类目表存业务信息,以及约束信息,与帖子表解耦。
这个表里对帖子中心服务里ext字段里的数字key进行了解释:
1代表job,属于招聘品类下100子品类,其value必须是一个小于32的[a-z]字符;
4代表type,属于二手品类下200子品类,其value必须是一个short;
这样就对原来帖子表ext扩展属性:
{“1”:”driver”,”2”:8000,”3”:”bj”}
{”4”:”iphone”,”5”:3500}
key和value都做了统一约束。
除此之外,如果ext里某个key的value不是正则校验的值,而是枚举值时,需要有一个对值进行限定的枚举表来进行校验:
这个枚举校验,说明key=4的属性(对应属性表里二手,手机类型字段),其值不只是要进行“short类型”校验,而是value必须是固定的枚举值:
{”4”:”iphone”,”5”:3500}
这个ext就是不合法的,key=4的value=iphone不合法,而应该是枚举属性,合法的应该为:
{”4”:”5”,”5”:3500}
此外,类目属性服务还能记录类目之间的层级关系:
一级类目是招聘、房产、二手…
二手下有二级类目二手家具、二手手机…
二手手机下有三级类目二手iphone,二手小米,二手三星…
…
类目服务解释了帖子数据,描述品类层级关系,保证各类目属性扩展性,保证各属性值合理性校验,就是分类信息平台另一个统一的核心服务CMC(Category Management Center)。
类目、属性服务像不像电商系统里的SKU扩展服务?
(1)品类层级关系,对应电商里的类别层级体系;
(2)属性扩展,对应电商里各类别商品SKU的属性;
(3)枚举值校验,对应属性的枚举值,例如颜色:红,黄,蓝。
通过品类服务,解决了key压缩,key描述,key扩展,value校验,品类层级的问题,还有这样的一个问题没有解决:每个品类下帖子的属性各不相同,查询需求各不相同,如何解决100亿数据量,1万属性的检索与联合检索需求呢?
数据量很大的时候,不同属性上的查询需求,不可能通过组合索引来满足所有查询需求,“外置索引,统一检索服务”是一个很常用的实践:
数据库提供“帖子id”的正排查询需求;
所有非“帖子id”的个性化检索需求,统一走外置索引;
元数据与索引数据的操作遵循:
对帖子进行tid正排查询,直接访问帖子服务;
对帖子进行修改,帖子服务通知检索服务,同时对索引进行修改;
对帖子进行复杂查询,通过检索服务满足需求。
这个检索服务,扛起了分类信息平台80%的请求(不管来自PC还是APP,不管是主页、城市页、分类页、列表页、详情页,最终都会转化为一个检索请求)。
对于这个搜索引擎架构,简单说明一下:
为应对100亿级别数据量、几十万级别的吞吐量,业务线各种复杂的复杂检索查询,扩展性是设计重点:
统一的代理层,作为入口,其无状态性能够保证增加机器就能扩充系统性能;
统一的结果聚合层,其无状态性也能够保证增加机器就能扩充系统性能;
搜索内核检索层,服务和索引数据部署在同一台机器上,服务启动时可以加载索引数据到内存,请求访问时从内存中load数据,访问速度很快:
为了满足数据容量的扩展性,索引数据进行了水平切分,增加切分份数,就能够无限扩展性能
为了满足一份数据的性能扩展性,同一份数据进行了冗余,理论上做到增加机器就无限扩展性能
系统时延,100亿级别帖子检索,包含请求分合,拉链求交集,从聚合层均可以做到10ms返回。
帖子业务,一致性不是主要矛盾,检索服务会定期全量重建索引,以保证即使数据不一致,也不会持续很长的时间。
五、总结
文章写了很长,最后做一个简单总结,面对100亿数据量,1万列属性,10万吞吐量的业务需求,可以采用了元数据服务、属性服务、搜索服务来解决:
一个解决存储问题;
一个解决品类解耦问题;
一个解决检索问题;
任何复杂问题的解决,都是循序渐进的。思路比结论重要,希望大家有收获。
如果字段的最大可能长度超过255字节,那么长度值可能…
只能说作者太用心了,优秀
感谢详解
一般干个7-8年(即30岁左右),能做到年入40w-50w;有…
230721