这是一个创建于 2817 天前的主题，其中的信息可能已经有所发展或是发生改变。
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
 |
1
murmur 2018-02-16 20:35:28 +08:00
有十亿部电影那么多么
|
 |
4
l30n 2018-02-16 20:43:34 +08:00 via Android
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。
|
 |
5
gouchaoer 2018-02-16 20:46:21 +08:00 via Android
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
|
 |
6
thomaswang OP @murmur 你这么较真，那我把电影改成文章吧
|
|
7
murmur 2018-02-16 20:49:39 +08:00  2
@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 |
 |
8
wqzjk393 2018-02-16 20:52:25 +08:00 via iPhone
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
|
|
9
thomaswang OP 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
|
 |
10
guoer 2018-02-16 21:02:17 +08:00
10 亿也不多呀。es 多个节点即可。说到底还是得看具体需求。
|
|
11
murmur 2018-02-16 21:04:17 +08:00 1
@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 |
 |
12
nandaye 2018-02-16 21:13:44 +08:00 via Android 2
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
|
 |
13
ebony0319 2018-02-16 21:21:48 +08:00 via Android
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。
|
 |
15
sagaxu 2018-02-16 21:30:20 +08:00
@thomaswang 才 15K ？这个问题解决好了，至少值 50K 以上。
|
 |
16
izhangzhihao 2018-02-16 21:40:55 +08:00 via Android
图数据库
|
 |
17
3a3Mp112 2018-02-16 21:44:51 +08:00
其实这不是单纯的表设计问题了， 是大数据的问题。
|
 |
18
doubleflower 2018-02-16 21:56:31 +08:00 via Android
@wqzjk393 你没做索引而已
|
 |
19
feverzsj 2018-02-16 21:59:43 +08:00
10 亿单表还是能处理的，用 clustered index，或者升级下硬件吧
|
 |
20
alcarl 2018-02-16 22:17:18 +08:00 via Android
应该需要 elastic 了，传统 sql 数据库玩不转
|
 |
23
bzzhou 2018-02-16 22:21:45 +08:00 1
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 ） |
 |
24
lance6716276 2018-02-16 22:31:35 +08:00 via Android
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
|
|
27
nandaye 2018-02-16 22:49:34 +08:00 via Android
@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
|
 |
28
cnbattle 2018-02-16 22:52:56 +08:00 via Android
@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
|
 |
31
Daming 2018-02-17 08:24:01 +08:00
做好分区+索引
|
 |
32
ycz0926 2018-02-17 14:52:20 +08:00
@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 |
|
33
ycz0926 2018-02-17 14:53:53 +08:00
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 。。。😅
|
 |
34
cjyang1128 2018-02-17 17:14:00 +08:00
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？ |
Select Language