标签
PostgreSQL , 图数据库 , 论坛搜索 , 推荐 , 数组 , smlar相似搜索
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：
