PostgreSQL 实践 - 内容社区(如论坛)图式搜索应用

4 minute read

背景

通常一个内容社区网站可能需要记录这么一些数据: 文章,用户,标签。

还有三者之间的关系,包括,文章的标签,用户阅读了文章,用户收藏了文章,用户关注了某用户,用户是某篇文章的作者。

最终要实现毫无人道的查询,例如:

阅读了此篇文章的人还在阅读什么其他文章,和我爱好相近的人都有哪些等等等等。

其中文章数量几千万,用户数量接近一千万。

如何实现这样的需求呢?

实际上PostgreSQL里面的数组、smlar实现这个需求非常的方便。下面开始设计和压测。

数组用于存储正向和反向关系,标签等。

smlar用于查询相似的数组(找出爱好相似的人)。

设计

元数据

1、用户表

create table users(  
  uid int primary key,             -- 用户ID  
  info text,           -- 附加信息  
  crt_time timestamp   -- 时间  
);  

2、标签表

create table tags(  
  tagid int primary key,              -- 标签ID  
  info text,              -- 附加信息   
  crt_time timestamp      -- 时间  
);  

3、文章表

create table arts(  
  artid int primary key,      -- 文章ID  
  info text,      -- 附加信息、内容  
  uids int[],     -- 用户IDs(作者可能是多人,所以使用数组)  
  tags int[]      -- 标签  
);  

关系数据

1、正向关系

1.1、文章被谁看过

create table art_uids_view (  
  artid int primary key,  
  uids int[]  
);  

1.2、文章被谁收藏过

create table art_uids_like (  
  artid int primary key,  
  uids int[]  
);  

2、反向关系

2.1、用户看过哪些文章,包含哪些标签

create table uid_arts_view (  
  uid int primary key,  
  arts int[],  
  tags int[]  
);  

2.2、用户收藏了哪些文章,包含哪些标签

create table uid_arts_like (  
  uid int primary key,  
  arts int[],  
  tags int[]  
);  

查询

1、阅读了此篇文章的其他人还在阅读什么其他文章,(过滤当前文章、以及我阅读过的文章)。

逻辑如下,写成UDF即可:

create extension intarray ;  -- 创建intarry插件,简化数组的加减  
  
select (uids - $current_uid) into v1 from art_uids_view where artid = $current_artid ;  -- 取出阅读了当前文章的所有用户(减去当前用户)  
  
select (unnest(arts) as arts, count(*) as cnt) into v2 from uid_arts_view where uid = any (v1) group by 1 ;  -- 获取阅读了同样文章的人,还阅读了哪些文章  
  
select arts into v3 from uid_arts_view where uid= $current_uid ;          -- 当前用户阅读了哪些文章  
  
result = v2.arts - v3 ;   -- 其他人阅读的所有文章 减去 当前用户阅读的文章,得到其他人阅读的文章。  按重叠数从大到小排序,推荐给用户   

UDF如下,都能使用索引,都是聚合后的点查,性能很赞:

create or replace function rec_arts_view(  
  i1 int,  -- 文章ID  
  i2 int,  -- 当前用户ID  
  i3 int   -- limit  
) returns setof int as $$  
declare  
  res int[];  -- 结果  
  v1 int[];   -- 文章被哪些用户阅读了  
begin  
    
  -- 文章被哪些用户阅读了  
  select (uids - i2) into v1 from art_uids_view where artid = i1 ;  
    
  -- 阅读了这篇文章的其他用户,阅读了哪些文章,排除当前用户已阅读的,按重复率排序,返回N条。  
  -- 如果阅读了该文章的其他人,还阅读了很多其他文章,排序可能会略耗时。
  return query  
  select t1.arts from   
  (  
    select unnest(arts) arts, count(*) cnt from uid_arts_view where uid = any (v1) group by 1  
  ) t1  
  left join  
  (  
    select unnest(arts) arts, 1 cnt from uid_arts_view where uid= i2   
  ) t2  
  on (t1.arts=t2.arts)   
  where t2.* is null  
  order by t1.cnt desc  
  limit i3;  
  
end;  
$$ language plpgsql strict;  

2、与我(阅读文章)爱好相近的人有哪些,走GIN索引,性能很赞。

create extension smlar;  
  
set smlar.type='overlap';        
set smlar.threshold=?;             -- 设置重叠阈值  
    
select arts into v1 from uid_arts_view where uid = ?;       -- 我阅读了哪些文章    
  
select      
    *,      
    smlar( arts, v1, 'N.i' )       -- 其他人与我阅读的文章的重叠数是多少  
  from      
    uid_arts_view      
  where      
    arts % v1                      -- where cosine similarity >= smlar.threshold      
;    

3、与我(阅读文章标签)爱好相近的人有哪些。

与2类似,略。

4、与我(收藏文章)爱好相近的人有哪些。

与2类似,略。

5、与我(收藏文章标签)爱好相近的人有哪些。

与2类似,略。

生成正反向关系的UDF

使用UDF,减少交互次数,完成以下几类业务逻辑的操作。UDF可以使用plpgsql编写,很简单,本文略:

https://www.postgresql.org/docs/10/static/plpgsql.html

1、新建文章的行为,自动产生标签,并更新或追加标签表。

insert into tags values ();  
  
insert into arts values ();  

2、阅读行为,修改正向反向关系。

文章的tags信息从arts里获取  
  
insert into art_uids_view values ();  
  
insert into uid_arts_view values ();  

3、收藏行为,修改正向反向关系。

文章的tags信息从arts里获取  
  
insert into art_uids_like values ();  
  
insert into uid_arts_like values ();  

索引

-- smlar 相似查询  
create index idx_gin_1 on art_uids_view using gin ( uids _int4_sml_ops );    
create index idx_gin_2 on art_uids_like using gin ( uids _int4_sml_ops );    
  
create index idx_gin_3 on uid_arts_view using gin ( arts _int4_sml_ops );    
create index idx_gin_4 on uid_arts_view using gin ( tags _int4_sml_ops );    
  
create index idx_gin_5 on uid_arts_like using gin ( arts _int4_sml_ops );    
create index idx_gin_6 on uid_arts_like using gin ( tags _int4_sml_ops );    
  
create index idx_gin_7 on art_uids_view using gin ( uids _int4_sml_ops );    
create index idx_gin_8 on art_uids_like using gin ( uids _int4_sml_ops );    

可选索引

-- 数组相交、包含查询  
create index idx_gin_01 on art_uids_view using gin ( uids gin__int_ops );    
create index idx_gin_02 on art_uids_like using gin ( uids gin__int_ops );    
  
create index idx_gin_03 on uid_arts_view using gin ( arts gin__int_ops );    
create index idx_gin_04 on uid_arts_view using gin ( tags gin__int_ops );    
  
create index idx_gin_05 on uid_arts_like using gin ( arts gin__int_ops );    
create index idx_gin_06 on uid_arts_like using gin ( tags gin__int_ops );    
  
create index idx_gin_07 on art_uids_view using gin ( uids gin__int_ops );    
create index idx_gin_08 on art_uids_like using gin ( uids gin__int_ops );    

填充测试数据

1、生成1000万用户

insert into users select id, md5(id::text), now() from generate_series(1,10000000) t(id);  

2、生成10万标签

insert into tags select id, md5(id::text), now() from generate_series(1,100000) t(id);  

3、生成5000万文章

create or replace function gen_arr(int,int) returns int[] as $$  
  select array(select ceil(random()*$1) from generate_series(1,$2))::int[];  
$$ language sql strict;  
insert into arts select id, md5(id::text),   
  gen_arr(10000000 ,3),    
  gen_arr(100000 ,10)   
from generate_series(1,50000000) t(id);  

4、生成正向关系,平均每篇文章被500人阅读,被50人收藏。

insert into art_uids_view select id, gen_arr(10000000, 500) from generate_series(1,50000000) t(id);  
  
insert into art_uids_like select id, gen_arr(10000000, 50) from generate_series(1,50000000) t(id);  

5、生成反向关系(按理说,反向关系和正向关系应该一一对应,为了测试方便,我这里就不对应了,测试效果是一样的)

平均每人阅读1000篇文章,涉及500个标签。收藏100篇文章,涉及50个标签。

insert into uid_arts_view select id, gen_arr(50000000, 1000), gen_arr(100000, 500) from generate_series(1,10000000) t(id);  
  
insert into uid_arts_like select id, gen_arr(50000000, 100), gen_arr(100000, 50) from generate_series(1,10000000) t(id);  

性能测试

1、阅读了此篇文章的其他人还在阅读什么其他文章,(过滤当前文章、以及我阅读过的文章)。

select rec_arts_view(1,2,10);    -- 文章ID=1, 当前用户ID=2,  返回10条推荐文章给当前用户。  

其他人一共阅读了约50万其他文章,获取加排序耗时:200毫秒。

postgres=# select count(*) from rec_arts_view(1,4,1000000);
 count  
--------
 497524
(1 row)

Time: 565.524 ms

postgres=# select count(*) from rec_arts_view(1,4,10);
 count 
-------
    10
(1 row)

Time: 198.368 ms

2、与我(阅读文章)爱好相近的人有哪些。

set smlar.type='overlap';        
set smlar.threshold=10;             -- 设置重叠阈值  
    
select arts into v1 from uid_arts_view where uid = 1;       -- 我阅读了哪些文章  
  
select      
    *,      
    smlar( arts, v1, 'N.i' )       -- 其他人与我阅读的文章的重叠数是多少  
  from      
    uid_arts_view      
  where      
    arts % v1                      -- where cosine similarity >= smlar.threshold      
;    

耗时:2.4毫秒。

 Bitmap Heap Scan on public.uid_arts_view  (cost=933.50..29296.93 rows=10000 width=72) (actual time=1.955..2.351 rows=2 loops=1)
   Output: uid, arts, tags, smlar(arts, '{25213311,49886221,45108456,27929256,20760231,35023889,17507871,43947072,48578113,41561690,39557908,26852171,29310889,5029778,24892381,12174141,9191797,41397570,25795440,27806324,28635176}'::integer[], 'N.i'::text)
   Recheck Cond: (uid_arts_view.arts % '{25213311,49886221,45108456,27929256,20760231,35023889,17507871,43947072,48578113,41561690,39557908,26852171,29310889,5029778,24892381,12174141,9191797,41397570,25795440,27806324,28635176}'::integer[])
   Heap Blocks: exact=2
   Buffers: shared hit=107
   ->  Bitmap Index Scan on idx_gin_3  (cost=0.00..931.00 rows=10000 width=0) (actual time=1.506..1.506 rows=2 loops=1)
         Index Cond: (uid_arts_view.arts % '{25213311,49886221,45108456,27929256,20760231,35023889,17507871,43947072,48578113,41561690,39557908,26852171,29310889,5029778,24892381,12174141,9191797,41397570,25795440,27806324,28635176}'::integer[])
         Buffers: shared hit=85
 Planning time: 0.110 ms
 Execution time: 2.378 ms
(10 rows)

预计算与性能优化

前面的推荐文章、找相似的人。指的是实时查询的性能,而实际这些操作都可以预计算的(因为文章增量不会太大、而且文章的阅读人群变化不会太大),例如一天刷新一次,那么像用户推荐相似用户,推荐相似文章时,有预计算则直接查询结果,那性能会提升到0.0N毫秒级响应。没有预计算的新文章,则实时查询(并更新到预计算的表中),也能够毫秒级响应。

预计算还可以做成另一种模式,当有人查询这篇文章时,根据上次预计算的时间,决定是否需要重新查询,并更新它。 (也就是说,实时计算 + 缓存 + 缓存超时 的模式。)

逻辑如下

select xxx from pre_view_tbl where xxx=xxx;  -- 查询缓存,return

-- 写入或更新缓存
if not found then
  -- 同步写入
  insert into pre_view_tbl select xxxx returning *; -- 实时计算, 并返回
else if mod_time < (now() - 超时阈值) then
  -- 异步
  delete from pre_view_tbl where xxx=xxx;
  insert into pre_view_tbl select xxxx; -- 实时计算
end if;

小结

3分开发,7分运营。内容网站与社交软件类似,运营是重头戏。运营中关键的一环是圈子,圈子可以聚人气,形成圈子往往靠的是推荐,推荐的源头又是行为,推荐什么样的内容、人给目标,靠的是行为。所谓物以类聚,人以群居,就是这个理。

PostgreSQL 的数组、smlar实现高效的归类查询、推荐需求非常的方便。

1、数组用于存储正向和反向关系,标签等。

2、smlar用于查询相似的数组(找出爱好相似的人)。

在社交运营、内容运营场景中,非常方便、高效。

热点人、热点文章也不在话下,在其他案例中已经测试过,可以参考本文末尾。

参考

https://www.postgresql.org/docs/10/static/plpgsql.html

《电商内容去重\内容筛选应用(实时识别转载\盗图\侵权?) - 文本、图片集、商品集、数组相似判定的优化和索引技术》

https://www.postgresql.org/docs/10/static/intarray.html

计数、实时需求也口可以使用流计算,案例参考:

《三体高可用PCC大赛 - facebook\微博 like场景 - 数据库设计与性能压测》

https://github.com/bitnine-oss/agensgraph

Flag Counter

digoal’s 大量PostgreSQL文章入口