摘要：來自作者沈劍更多技術分享，盡在微信公眾號技術雜談前言本文將以好友中心為例，介紹多對多類業務，隨著數據量的逐步增大，數據庫性能顯著降低，數據庫水平切分相關的架構實踐。

來自 GitChat 作者：沈劍
更多IT技術分享，盡在微信公眾號：GitChat技術雜談

本文將以“好友中心”為例，介紹“多對多”類業務，隨著數據量的逐步增大，數據庫性能顯著降低，數據庫水平切分相關的架構實踐。

所謂的“多對多”，來自數據庫設計中的“實體-關系”ER模型，用來描述實體之間的關聯關系，一個學生可以選修多個課程，一個課程可以被多個學生選修，這里學生與課程時間的關系，就是多對多關系。

好友關系主要分為兩類，弱好友關系與強好友關系，兩類都有典型的互聯網產品應用。

弱好友關系的建立，不需要雙方彼此同意：

用戶A關注用戶B，不需要用戶B同意，此時用戶A與用戶B為弱好友關系，對A而言，暫且理解為“關注”；

用戶B關注用戶A，也不需要用戶A同意，此時用戶A與用戶B也為弱好友關系，對A而言，暫且理解為“粉絲”；

微博粉絲是一個典型的弱好友關系應用。

強好友關系的建立，需要好友關系雙方彼此同意：

用戶A請求添加用戶B為好友，用戶B同意，此時用戶A與用戶B則互為強好友關系，即A是B的好友，B也是A的好友。

QQ好友是一個典型的強好友關系應用。

好友中心是一個典型的多對多業務，一個用戶可以添加多個好友，也可以被多個好友添加，其典型架構為：

friend-service：好友中心服務，對調用者提供友好的RPC接口

db：對好友數據進行存儲

通過弱好友關系業務分析，很容易了解到，其核心元數據為：

guanzhu(uid, guanzhu_uid);

fensi(uid, fensi_uid);

其中：

guanzhu表，用戶記錄uid所有關注用戶guanzhu_uid

fensi表，用來記錄uid所有粉絲用戶fensi_uid

需要強調的是，一條弱關系的產生，會產生兩條記錄，一條關注記錄，一條粉絲記錄。

例如：用戶A(uid=1)關注了用戶B(uid=2)，A多關注了一個用戶，B多了一個粉絲，于是：

guanzhu表要插入{1, 2}這一條記錄，1關注了2

fensi表要插入{2, 1}這一條記錄，2粉了1

如何查詢一個用戶關注了誰呢？
回答：在guanzhu的uid上建立索引：
select * from guanzhu where uid=1;
即可得到結果，1關注了2。
如何查詢一個用戶粉了誰呢？
回答：在fensi的uid上建立索引：
select * from fensi where uid=2;
即可得到結果，2粉了1。

通過強好友關系業務分析，很容易了解到，其核心元數據為：

friend(uid1, uid2);

其中：

uid1，強好友關系中一方的uid

uid2，強好友關系中另一方的uid

uid=1的用戶添加了uid=2的用戶，雙方都同意加彼此為好友，這個強好友關系，在數據庫中應該插入記錄{1, 2}還是記錄{2,1 }呢？

回答：都可以，為了避免歧義，可以人為約定，插入記錄時uid1的值必須小于uid2。

例如：有uid=1,2,3三個用戶，他們互為強好友關系，那邊數據庫中可能是這樣的三條記錄

{1, 2}

{2, 3}

{1,3 }

如何查詢一個用戶的好友呢？
回答：假設要查詢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
即可得到結果。

作業：為何不使用這樣的SQL語句呢？

select * from friend uid1=2 or uid2=2

供大家思考。

強好友關系是弱好友關系的一個特例，A和B必須互為關注關系（也可以說，同時互為粉絲關系），即也可以使用關注表和粉絲表來實現：

guanzhu(uid, guanzhu_uid);

fensi(uid, fensi_uid);

例如：用戶A(uid=1)和用戶B(uid=2)為強好友關系，即相互關注：
用戶A(uid=1)關注了用戶B(uid=2)，A多關注了一個用戶，B多了一個粉絲，于是：

guanzhu表要插入{1, 2}這一條記錄

fensi表要插入{2, 1}這一條記錄

同時，用戶B(uid=2)也關注了用戶A(uid=1)，B多關注了一個用戶，A多了一個粉絲，于是：

guanzhu表要插入{2, 1}這一條記錄

fensi表要插入{1, 2}這一條記錄

對于強好友關系的兩類實現：

friend(uid1, uid2)表

數據冗余guanzhu表與fensi表（后文稱正表T1與反表T2）

在數據量小時，看似無差異，但數據量大時，數據冗余的優勢就體現出來了：

friend表，數據量大時，如果使用uid1來分庫，那么uid2上的查詢就需要遍歷多庫

正表T1與反表T2通過數據冗余來實現好友關系，{1,2}{2,1}分別存在于兩表中，故兩個表都使用uid來分庫，均只需要進行一次查詢，就能找到對應的關注與粉絲，而不需要多個庫掃描

數據冗余，是多對多關系，在數據量大時，數據水平切分的常用實踐。

接下來的問題轉化為，好友中心服務如何來進行數據冗余，常見有三種方法。

顧名思義，由好友中心服務同步寫冗余數據，如上圖1-4流程：

業務方調用服務，新增數據

服務先插入T1數據

服務再插入T2數據

服務返回業務方新增數據成功

優點：

不復雜，服務層由單次寫，變兩次寫

數據一致性相對較高（因為雙寫成功才返回）

缺點：

請求的處理時間增加（要插入次，時間加倍）

數據仍可能不一致，例如第二步寫入T1完成后服務重啟，則數據不會寫入T2

如果系統對處理時間比較敏感，引出常用的第二種方案

數據的雙寫并不再由好友中心服務來完成，服務層異步發出一個消息，通過消息總線發送給一個專門的數據復制服務來寫入冗余數據，如上圖1-6流程：

業務方調用服務，新增數據

服務先插入T1數據

服務向消息總線發送一個異步消息（發出即可，不用等返回，通常很快就能完成）

服務返回業務方新增數據成功

消息總線將消息投遞給數據同步中心

數據同步中心插入T2數據

優點：

請求處理時間短（只插入1次）

缺點：

系統的復雜性增加了，多引入了一個組件（消息總線）和一個服務（專用的數據復制服務）

因為返回業務線數據插入成功時，數據還不一定插入到T2中，因此數據有一個不一致時間窗口（這個窗口很短，最終是一致的）

在消息總線丟失消息時，冗余表數據會不一致

如果想解除“數據冗余”對系統的耦合，引出常用的第三種方案

數據的雙寫不再由好友中心服務來完成，而是由線下的一個服務或者任務來完成，如上圖1-6流程：

業務方調用服務，新增數據

服務先插入T1數據

服務返回業務方新增數據成功

數據會被寫入到數據庫的log中

線下服務或者任務讀取數據庫的log

線下服務或者任務插入T2數據

優點：

數據雙寫與業務完全解耦

請求處理時間短（只插入1次）

缺點：

返回業務線數據插入成功時，數據還不一定插入到T2中，因此數據有一個不一致時間窗口（這個窗口很短，最終是一致的）

數據的一致性依賴于線下服務或者任務的可靠性

上述三種方案各有優缺點，可以結合實際情況選取。

數據冗余固然能夠解決多對多關系的數據庫水平切分問題，但又帶來了新的問題，如何保證正表T1與反表T2的數據一致性呢？

上一節的討論可以看到，不管哪種方案，因為兩步操作不能保證原子性，總有出現數據不一致的可能，高吞吐分布式事務是業內尚未解決的難題，此時的架構優化方向，并不是完全保證數據的一致，而是盡早的發現不一致，并修復不一致。

最終一致性，是高吞吐互聯網業務一致性的常用實踐。更具體的，保證數據最終一致性的方案有三種。

如上圖所示，線下啟動一個離線的掃描工具，不停的比對正表T1和反表T2，如果發現數據不一致，就進行補償修復。

優點：

比較簡單，開發代價小

線上服務無需修改，修復工具與線上服務解耦

缺點：

掃描效率低，會掃描大量的“已經能夠保證一致”的數據

由于掃描的數據量大，掃描一輪的時間比較長，即數據如果不一致，不一致的時間窗口比較長

有沒有只掃描“可能存在不一致可能性”的數據，而不是每次掃描全部數據，以提高效率的優化方法呢？

每次只掃描增量的日志數據，就能夠極大提高效率，縮短數據不一致的時間窗口，如上圖1-4流程所示：

寫入正表T1

第一步成功后，寫入日志log1

寫入反表T2

第二步成功后，寫入日志log2

當然，我們還是需要一個離線的掃描工具，不停的比對日志log1和日志log2，如果發現數據不一致，就進行補償修復

優點：

雖比方法一復雜，但仍然是比較簡單的

數據掃描效率高，只掃描增量數據

缺點：

線上服務略有修改（代價不高，多寫了2條日志）

雖然比方法一更實時，但時效性還是不高，不一致窗口取決于掃描的周期

有沒有實時檢測一致性并進行修復的方法呢？

這次不是寫日志了，而是向消息總線發送消息，如上圖1-4流程所示：

寫入正表T1

第一步成功后，發送消息msg1

寫入反表T2

第二步成功后，發送消息msg2

這次不是需要一個周期掃描的離線工具了，而是一個實時訂閱消息的服務不停的收消息。

假設正常情況下，msg1和msg2的接收時間應該在3s以內，如果檢測服務在收到msg1后沒有收到msg2，就嘗試檢測數據的一致性，不一致時進行補償修復

優點：

效率高

實時性高

缺點：

方案比較復雜，上線引入了消息總線這個組件

線下多了一個訂閱總線的檢測服務

however，技術方案本身就是一個投入產出比的折衷，可以根據業務對一致性的需求程度決定使用哪一種方法。

文字較多，希望盡量記住如下幾點：

好友業務是一個典型的多對多關系，又分為強好友與弱好友 。

數據冗余是一個常見的多對多業務數據水平切分實踐。

冗余數據的常見方案有三種：

服務同步冗余

服務異步冗余

線下異步冗余

數據冗余會帶來一致性問題，高吞吐互聯網業務，要想完全保證事務一致性很難，常見的實踐是最終一致性。

最終一致性的常見實踐是，盡快找到不一致，并修復數據，常見方案有三種。

線下全量掃描法

線下增量掃描法

線上實時檢測法

以訂單中心為典型的“多KEY”類業務的水平拆分架構又應該怎么處理，敬請期待下期。

我們 GitChat 經過半年的運營，在產品形態上不斷改進。

這次，我們將系統性的優化 GitChat 一些內容，在原有 Chat 基礎上推出新的內容分享產品：

GitQ 精品課程

如果您在 IT技術上有自己獨到的學習心得 或 自成體系的技術成長套路，我們非常期待您能在 GitQ 上進一步實現：

GitQ 定位：具備專業性、成體系的IT類課程

GitQ 形態：獨家文章（6~12篇）+讀者圈答疑

GitQ 定價：9.99 / 19.99 等

【作者如何開設 GitQ 精品課？】

提交如下內容：課程名稱 / 用戶定位 / 課程大綱

GitChat 進行內容評估與課程策劃

雙方確定課程細節、交付時間

GitChat 完成課程的上線、宣傳推廣

【作者注意事項】

GitQ 精品課內的文章，在課程上線一年內屬于 GitChat 獨家使用。

按約定時間準時交付文章。

課程上線后，積極在讀者圈回答用戶的提問。

【更多咨詢】
在微信公眾號: GitChat技術雜談（GitChat_Club） 留言 ，或加微信聯系 GitChat 主編：ztx415

實錄：《沈劍：“多對多”類業務數據庫水平切分架構解析》