数据规模在 10 亿条，表如何设计，什么合适的方案

[thomaswang]

比如: 电影资源有 10 亿级别，电影标签有 1000 个（ eg：武侠，言情，剧情，悬疑, 90 年代...）, 每个电影有不确定个标签

用户检索的时候，可能会点选不确定个标签，这样的场景在实际生产中如何处理

[murmur]

有十亿部电影那么多么

[Event]

@murmur 比如...

[murmur]

@Event 没有比如 当需求太离谱的时候先反省需求
有的时候从业务上可以把需求优化上去

[l30n]

有类似如何进行取样，模糊处理后在小规模数据上进行操作的论文。

[gouchaoer]

电影本身真有 10 亿可以分表，后期流量太大上 tidb，检索上 es 吧，用数据库不现实。。。因为一个标签对应很多电影，你肯定要按照某一规则排序

[thomaswang]

@murmur 你这么较真，那我把电影改成文章吧

[murmur]

@thomaswang 不 这种大数据肯定要具体分析的
比如你没提到的：
1、精确度如何，可以漏数据么
2、并发，不谈并发谈大数据都是耍流氓
3、数据更新速度如何，要求某些数据实时刷新么
4、每条数据的数据量如何

就你那个电影的例子，热 tag 缓存 新 tag 人工审核（放你大天朝带审核才是合理业务设计） 再加上电影爱好者的维护 tag 能命中老高的缓存了

[wqzjk393]

加大服务器集群配置…我千万级别的数据，查询时候只要带个 where 就要几分钟了，加一点运算就要几个小时了。觉得表再怎么设计，对付大数据量都是没啥用

[thomaswang]

各位老铁，我想表达的是，数据量大一点的，不定个标签搜索，表怎么设计，外加什么软件(es)来提高搜索速度, 这是多年以前的一个面试题目，当时面的是 web 开发，那家公司给了 15k，没有去，我不知道这个题目好一点的答案

[guoer]

10 亿也不多呀。es 多个节点即可。说到底还是得看具体需求。

[murmur]

@thomaswang 这还真不好回答
刚才我去时光网看了一下
时光网 2017 年电影的主键才到 2x xxxx 导演多一点 到 100 多 w 了 虽然不知道是不是乱编或者漏了多少数据
但是用电影做例子显然还不够大数据的考点
所以才要求你具体的场景
另外很聪明的时光网貌似没自定义 tag 音乐的量大一点但是网易云也没 tag 所以似乎大家都很聪明的回避了这个问题

[nandaye]

以 oracle 为例，先对标签分类放不同列很有必要，大多数数据库做模糊搜索效率都比较差，比如年代 tag1,类型 tag2,国家 tag3 等等，然后 tag 加位图索引，必选的 tag 可以直接 partition 分区，问题不大应该。我 3 亿多数据加唯一索引查询零点几秒出结果

[ebony0319]

电影信息主表，便签主表，另外一个表记录便签与电影信息的关系。分表加索引，查询肯定是分页的。一页二十条应该也很快的。

[terranboy]

@ebony0319 另一个表存关系 那这个表得多大

[sagaxu]

@thomaswang 才 15K ？这个问题解决好了，至少值 50K 以上。

[izhangzhihao]

图数据库

[3a3Mp112]

其实这不是单纯的表设计问题了， 是大数据的问题。

[doubleflower]

@wqzjk393 你没做索引而已

[feverzsj]

10 亿单表还是能处理的，用 clustered index，或者升级下硬件吧

[alcarl]

应该需要 elastic 了，传统 sql 数据库玩不转

[alcarl]

@nandaye 同时查数个标签就慢了，况且这种需求标签应该也是会增加的

[alcarl]

@feverzsj 单表 10 亿是可以，但这个表还有一千列。。。。。

[bzzhou]

如果仅仅是满足各种标签的组合的检索，而不考虑 ranking 的情况
那么直接利用 bitmap 倒排拉链即可

10 亿电影，每个电影从 0 自增分配 id ；然后每个标签，用一个包含 10 亿个 bit 的 bitmap 来表示是否包含某部电影。

每个标签的存储开支：1,000,000,000bit，大概 120M 的存储空间
那么 1000 个标签，理论上需要 120G 的存储空间

至于检索的性能，如果数据可以全部落入到内存中，那么几个标签的过滤，基本都是 10ms 级别

如果要落入磁盘，那么多准备几块 SSD 也可以

PS：估计 ES 在这个场景下，哪怕单节点，性能也不会差（前提是关闭 ranking ）

[lance6716276]

一年前 tidb 的学长给过我们一个某软件的 alpha 版，已经记不清了，做复杂运算测试的时候千万行还是秒级，估计现在 tidb 也可以了吧

[kltt22]

@wqzjk393 你忘了建索引吧，千万数据跑起来还是挺流畅的。

[feverzsj]

@alcarl tag 系统设计可以参考 danbooru 这些图站的

[nandaye]

@alcarl 传统数据库比你想的可能还是强不少的，where 条件多个没问题的，电影标签的分类没多少可分的

[cnbattle]

@thomaswang 一般这个得具体自身实际业务场景设计，不管数据库还是代码都得量身设计，V 友们要么根据你举得例子的理解说说，要么就是一个同通用的想法，别想着有怎样一个完整通用的方法，还是得根据具体自身实际业务场景来

[ebony0319]

@terranboy 我相信不是所有的电影都有便签的。

[wellsc]

@bzzhou 编程珠玑第一章。。

[Daming]

做好分区+索引

[ycz0926]

@thomaswang 倒让我想起了一次面试，面我的人问的也是一个类似的问题，我回答说，分库、分表、缓存、再不然上集群……
可最后，他说我得考虑业务方面
这种问题，似乎不如问算法、cs 领域的理论来的贴切，这种问题不管你怎么答，都是每个准的，这个收敛的结果，只把握在问你的人手里

[ycz0926]

还有一个就是，看面的岗位吧，你说要是一个 php 的 dev，问这种问题，是去做 TL、做架构么？还是让我兼职 DBA 呢 。。。😅

[cjyang1128]

列一下方案：
1、自己做分库分表
2、分布式数据库：Tidb 或者阿里云的某些产品比如 DRDS 或者 Petadata ；或者也可以调研一下 Greenplum，分布式的 pgsql
3、搜索引擎：Solr 或者 ES
4、NoSQL 类型比如 HBase

1、2 数据可以平滑迁移，但是 3、4 需要较多的重构。我感觉你这个场景 HBase 应该可以完美 hold。如果公司没有 HBase 运维经验的话，可以考虑采购 HBase 的云产品。

另外比较好奇的是，如果你这个是按标签的搜索场景的话，你们目前通过一张 tag_id_to_movie_id 这张关系表来 select 吗？