Tinder 数据库模型

假设有一个 User 表和一个 Match 表。那么 Match 表应该如何安排结构呢?假设 db 在记录 John 和 Jane 之间的交互。会有一个基础(base)用户列和一个目标(target)用户列吗?John 右滑了 Jane(一行)然后 Jane 右滑了 John(一行)所以总共是两行?或者它是不是应该设计为一行呢?一行设计意味着,没有基础用户和目标用户,而是会有 user1 和 user2。jane 和 john 的位置最终会随机决定。

两行设计:

Base User | Target User | Liked

row1 John|Jane|YES|YES
row2 Jane|John|YES|YES

一行设计:

User1 | User2 | User1_Liked_User2 | User2_Liked_User1 | Match

row1 John|Jane|YES|YES|YES

我知道如果是一行设计,缺点就是,要获取 john 的配对数量需要看 user1 user2 两列,但如果是两行设计你只需要搜索 base user 行。

尽管一行处理方式可以省去一半的行数,但表现会不会更好呢?或者说现在 w/ dbs 的扩展性已经很强了,有没有什么我们能忽略的呢?

为了论证,假设用户数为 10 万。


如果 Tinder 在使用 RDBMS 的话……我想每个用户被关联到一个滑动为 LIKES 和一个标记为 IS_LIKED 都会有一条记录。这种方式你可以拉出一个用户记录 (SELECT * FROM MATCH WHERE USER_ID = X) 然后回答所有关键问题:

  • 用户喜欢谁?(LIKES = TRUE)
  • 谁喜欢了用户?(IS_LIKED = TRUE)
  • 谁是用户的配对?(LIKES = TRUE and IS_LIKED = TRUE)

当一个滑动发生的时候,你合并了 2 个新的记录到已经存在的数据中。如果记录是新的,只是一个直接插入。如果是一个更新,更新一个记录的 LIKES 和另一个的 IS_LIKED 然后纠结了。

你可以给一个表只写 “likes”,然后用一个介于两个用户之间的查询来判断 match,当 row 的数量为二的时候。这样会导致更少的写入,更小的索引,减少偏航(drift)的机会?

你是不是说如果不是 RDBMS,设计会不同?

当然。一个键值库或 ORDBMS 可能需要一个不同的设计来有效的杠杆数据。


通常的,你会想要追踪更多的信息,不只是 yes 或 no。例如,你应该想要这个人滑动的日期/时间。当你有更多数据和滑动相关,用一行设计就越来越不实用了。

为了查询的简单,你可以添加一个 “swipe_from_other_was”,但查看一个特定滑动的细节的时候,那它都会在一行里,对于另一个人的细节,会在另一行里。

侧面说明一下,Match 会是那个表很烂的名字,Swipe 对于它的目标来说是更清晰的。

如果是这样的话,要查询 “John” 配对的数量不会变的太重了吗?如果 John 右滑了 1000 人,然后我们要做一个次级查询 FROM 一千人。或者你在建议给 Match 一个单独的表?一旦 john 喜欢了 jane,jane 喜欢了 john,Match 表插入一行?

我的第二段就是特别说这个需求的。你可以添加一列,简单地说,如果 “target user” 也喜欢了 “base user”。基本上,有一个滑动的时候,你为那个滑动创建了一行,带着所有相关数据,然后在表里查询另一个人的滑动,如果找到了,你在现有的和在新的行中更新额外的列会是正确的。这种方式你可以快速运行分析或任何你需要做的事情。

侧面说明,一个相当简单地 select 会给出这个信息。带有正确的索引的话会相当快,否则用 2 个查询来做也可以。

SELECT other_swipe.base_user
FROM swipe
JOIN swipe other_swipe ON swipe.base_user = other_swipe.target_user
WHERE swipe.base_user = *John's id* AND swipe.liked = TRUE AND other_swipe.liked = TRUE

为什么不简单点:

UserId ShownUserId Liked
John Jane yes
John Jill no
Jane Dave yes
Jane John yes
Jill Dave no
Jill John yes

John 喜欢谁:

select ShownUserId from UserLikes where UserId = 'John' and Liked = yes

谁被 John 喜欢了而且也喜欢回了他:

select UserLikes.ShownUserId 
from UserLikes
    inner join UserLikes as AlsoLikesMe
        on UserLikes.UserId = AlsoLikesMe.ShownUserId
        and AlsoLikesMe.Liked = yes
where UserLikes.UserId = 'John' and UserLikes.Liked = yes

不要忘记 ShownUserId 上的索引。

最后编辑于
©著作权归作者所有,转载或内容合作请联系作者
  • 序言:七十年代末,一起剥皮案震惊了整个滨河市,随后出现的几起案子,更是在滨河造成了极大的恐慌,老刑警刘岩,带你破解...
    沈念sama阅读 203,772评论 6 477
  • 序言:滨河连续发生了三起死亡事件,死亡现场离奇诡异,居然都是意外死亡,警方通过查阅死者的电脑和手机,发现死者居然都...
    沈念sama阅读 85,458评论 2 381
  • 文/潘晓璐 我一进店门,熙熙楼的掌柜王于贵愁眉苦脸地迎上来,“玉大人,你说我怎么就摊上这事。” “怎么了?”我有些...
    开封第一讲书人阅读 150,610评论 0 337
  • 文/不坏的土叔 我叫张陵,是天一观的道长。 经常有香客问我,道长,这世上最难降的妖魔是什么? 我笑而不...
    开封第一讲书人阅读 54,640评论 1 276
  • 正文 为了忘掉前任,我火速办了婚礼,结果婚礼上,老公的妹妹穿的比我还像新娘。我一直安慰自己,他们只是感情好,可当我...
    茶点故事阅读 63,657评论 5 365
  • 文/花漫 我一把揭开白布。 她就那样静静地躺着,像睡着了一般。 火红的嫁衣衬着肌肤如雪。 梳的纹丝不乱的头发上,一...
    开封第一讲书人阅读 48,590评论 1 281
  • 那天,我揣着相机与录音,去河边找鬼。 笑死,一个胖子当着我的面吹牛,可吹牛的内容都是我干的。 我是一名探鬼主播,决...
    沈念sama阅读 37,962评论 3 395
  • 文/苍兰香墨 我猛地睁开眼,长吁一口气:“原来是场噩梦啊……” “哼!你这毒妇竟也来了?” 一声冷哼从身侧响起,我...
    开封第一讲书人阅读 36,631评论 0 258
  • 序言:老挝万荣一对情侣失踪,失踪者是张志新(化名)和其女友刘颖,没想到半个月后,有当地人在树林里发现了一具尸体,经...
    沈念sama阅读 40,870评论 1 297
  • 正文 独居荒郊野岭守林人离奇死亡,尸身上长有42处带血的脓包…… 初始之章·张勋 以下内容为张勋视角 年9月15日...
    茶点故事阅读 35,611评论 2 321
  • 正文 我和宋清朗相恋三年,在试婚纱的时候发现自己被绿了。 大学时的朋友给我发了我未婚夫和他白月光在一起吃饭的照片。...
    茶点故事阅读 37,704评论 1 329
  • 序言:一个原本活蹦乱跳的男人离奇死亡,死状恐怖,灵堂内的尸体忽然破棺而出,到底是诈尸还是另有隐情,我是刑警宁泽,带...
    沈念sama阅读 33,386评论 4 319
  • 正文 年R本政府宣布,位于F岛的核电站,受9级特大地震影响,放射性物质发生泄漏。R本人自食恶果不足惜,却给世界环境...
    茶点故事阅读 38,969评论 3 307
  • 文/蒙蒙 一、第九天 我趴在偏房一处隐蔽的房顶上张望。 院中可真热闹,春花似锦、人声如沸。这庄子的主人今日做“春日...
    开封第一讲书人阅读 29,944评论 0 19
  • 文/苍兰香墨 我抬头看了看天上的太阳。三九已至,却和暖如春,着一层夹袄步出监牢的瞬间,已是汗流浃背。 一阵脚步声响...
    开封第一讲书人阅读 31,179评论 1 260
  • 我被黑心中介骗来泰国打工, 没想到刚下飞机就差点儿被人妖公主榨干…… 1. 我叫王不留,地道东北人。 一个月前我还...
    沈念sama阅读 44,742评论 2 349
  • 正文 我出身青楼,却偏偏与公主长得像,于是被迫代替她去往敌国和亲。 传闻我的和亲对象是个残疾皇子,可洞房花烛夜当晚...
    茶点故事阅读 42,440评论 2 342

推荐阅读更多精彩内容