知序
返回
保存草稿
发布
H1
H2
H3
1
2
3
Excalidraw 图
AI 写作
AI 优化
目录
输入内容后显示目录
Markdown
# 20 - 如何设计朋友圈/微博的 Feed 流 > 导读:本文用一个具体场景——"用户关注了 1000 人,打开首页要看到这 1000 人的最新内容并按时间倒序"——讲清 Feed 流(信息流)设计中最核心的"推模式 vs 拉模式"取舍,以及大厂实际采用的推拉结合方案。读完你能说清两种模型的代价,并独立设计收件箱的数据结构。适合准备系统设计面试或需要实现关注流的后端同学。 ## 一、先建立全局认知 ### Q:什么是 Feed 流?这道题到底难在哪? A:Feed 流(信息流)指把用户关注的人发布的内容,按时间倒序聚合成一个可翻页的列表,也就是朋友圈、微博首页看到的东西。 场景定义:**用户 A 关注了 1000 个人,打开首页要看到这 1000 个人最新发布的内容,按时间倒序排列。** 难点就在于——每次刷首页都要把 1000 个人的内容汇总排序,如果每次都实时去查 1000 次,读性能会崩;如果改成发布时提前算好,写又会放大。所以这道题的全部核心,就是**选择在"写"还是"读"时付出这个聚合成本**。 ### Q:为什么说这道题的关键是"推"还是"拉"? A:因为聚合 1000 个人的内容这个动作,必然发生在发布时或读取时的其中之一: - **在发布时聚合**(把内容提前塞给每个粉丝)→ 推模式(写扩散)。 - **在读取时聚合**(读的时候才去关注人那里取)→ 拉模式(读扩散)。 先记住这句结论:**推模式读写快但写放大,拉模式写简单但读慢,真正的生产方案是两者结合**。下面逐个展开。 ## 二、理解核心机制 ### Q:推模式(写扩散)具体是怎么工作的? A:核心思想是"发布时把内容推送到所有粉丝的收件箱,粉丝读的时候直接读自己的收件箱即可"。流程如下: ```text 用户 A 发了一条动态: → 推送到粉丝 B 的收件箱 → 推送到粉丝 C 的收件箱 → 推送到粉丝 D 的收件箱 → ... 推送到所有粉丝 粉丝 B 刷首页:直接读自己的收件箱,已经排好序了 ``` 对应代码:发布时写库 + 遍历粉丝写入各自收件箱(用 Redis ZSet),读取时直接读自己的收件箱: ```java // 发布动态 public void publish(Long userId, String content) { // 1. 存储动态 Feed feed = feedMapper.insert(userId, content); // 2. 获取所有粉丝 List<Long> followers = followMapper.getFollowers(userId); // 3. 推送到每个粉丝的收件箱(Redis ZSet) for (Long followerId : followers) { redis.opsForZSet().add( "inbox:" + followerId, feed.getId().toString(), feed.getCreateTime().getTime() ); } } // 读取 Feed 流 public List<Feed> getTimeline(Long userId, int page, int size) { // 直接从收件箱读,已经按时间排好序 Set<String> feedIds = redis.opsForZSet().reverseRange( "inbox:" + userId, (page-1)*size, page*size-1); return feedMapper.selectByIds(feedIds); } ``` 优点:读取极快(O(1) 查自己的收件箱)。 缺点:大 V 发一条动态要推送给百万粉丝,写放大严重。 ### Q:拉模式(读扩散)又是怎么工作的? A:反过来,发布时只存一份,粉丝读首页时现场去每个关注人那里拉取并合并排序: ```text 粉丝 B 刷首页: → 去关注的 A 那里拉最新动态 → 去关注的 C 那里拉最新动态 → ... 拉取所有关注人的动态 → 合并排序,取 Top N ``` 优点:写入简单(发布只存一份)。 缺点:读取慢(关注 1000 人就要查 1000 次)。 ### Q:既然两种模型都有硬伤,实际方案为什么是推拉结合? A:因为"写放大"和"读放大"的痛点分别出现在不同人群身上:普通用户粉丝少,推送成本可以接受;大 V 粉丝百万,推送才会爆炸。所以按粉丝量把两种模式拆开用: ```text 大 V(粉丝 > 10 万):用拉模式 → 发布时不推送,粉丝读取时主动拉取大 V 的最新动态 普通用户(粉丝 < 10 万):用推模式 → 发布时推送到粉丝收件箱 粉丝读取 Feed 流时: 1. 读自己的收件箱(普通关注人推过来的) 2. 拉取关注的大 V 的最新动态 3. 合并排序 ``` 也就是说,粉丝刷首页时读的是"两路数据合并":收件箱里已排好序的普通用户动态 + 临时拉取的大 V 动态,最后合并排序。  [编辑 Excalidraw 源图](/images/java-interview-copy/system-design/20-design-feed-timeline-design-feed-timeline-hybrid-fanout-diagram.excalidraw) ## 三、放进真实场景 ### Q:收件箱用什么数据结构来存? A:写入用 Redis ZSet,持久化用 MySQL。ZSet 天然有序,score 存发布时时间戳,正好支持按时间倒序分页: ```text Redis ZSet(收件箱): Key: inbox:{userId} Score: 发布时间戳 Member: feedId 优点:天然有序,支持分页(ZREVRANGE) 容量控制:只保留最近 1000 条,超出的从数据库查 MySQL(持久化): feed 表:id, user_id, content, create_time follow 表:user_id, follow_user_id ``` 注意"容量控制"这一点:收件箱不可能无限增长,只保留最近 1000 条,更早的内容回退到数据库查询——这是一条重要的工程约束。 ### Q:除推拉结合外,还有哪些优化点值得在面试里提? A:围绕"减少无效写入"和"控制容量"补充几点:收件箱容量控制(只留最近若干条)、大 V 判定阈值(如粉丝 > 10 万走拉模式)、以及离线用户不推送(用户长期不上线就没有必要实时维护其收件箱)。这些都是决定方案能否落地的细节。 ## 四、总结与自测 ### Q:面试里怎么答这道题? A:按下面顺序分点作答: 1. 先说推和拉的区别,各自的优缺点。 2. 说实际方案:推拉结合(大 V 拉,普通人推)。 3. 数据结构:Redis ZSet 做收件箱。 4. 加分项:提到收件箱容量控制、大 V 判定阈值、离线用户不推送等优化。 ### Q:推拉结合方案本质上付出了什么代价? A:它并没有消灭"聚合排序"这个成本,只是把它按人群拆开分摊:普通用户的内容在发布时推(写放大由粉丝量小的人承担),大 V 的内容在读时拉(读放大由大 V 的少量读取入口承担)。代价是**读取链路变复杂**——每次刷首页既要读收件箱,又要额外拉大 V,还要在应用层做归并排序,复杂度从单一数据源变成了两路合并。这是用"实现复杂度"换取"读写两侧的均衡"。 --- ## 自测 1. 为什么大 V 适合拉模式、普通用户适合推模式?请从"粉丝量"和"读写放大"两个角度解释。 2. 收件箱的 ZSet 里 score 为什么存发布时间戳?如果 score 存别的值,分页会有什么问题? 3. 推模式在读取端是 O(1),你能说出它在写入端的复杂度吗?这会带来什么运维风险?
预览
发布文章
添加摘要让读者更快了解文章内容
取消
确认发布
AI 写作助手
输入一个主题,AI 将为你生成一篇 Markdown 博客文章
AI 正在写作中...
取消
开始生成
AI 优化助手
描述你的修改需求,AI 将在原文基础上进行补充或微调
AI 正在优化中...
取消
开始优化
画布
从已有图里选
✕
图名
保存后生成 /images/excalidraw/<图名>.svg(只能用字母、数字、短横线、下划线、点)
取消
保存并插入