这是一个创建于 832 天前的主题，其中的信息可能已经有所发展或是发生改变。
背景：活动场景，用户可以订阅活动，订阅完会在活动开始前收到开始的通知，目前了解到如果是热门活动订阅人数可能超过百万，但是有些不怎么热门的活动可能只有数百人或者人数是 0 。
现状：关注人数存在 redis 的 zset 中，每个活动有一个独立的 zset 。发送 push 消息通知的时候，是分页遍历 zset ，逐个发送通知。可能在关注数超百万的时候需要较长的处理时间（比如超过 5 分钟）。
要求：希望在推送消息时尽可能的快，低延时。
为了达到这个要求，选择对 zset 做分片，分片的规则是：按订阅用户的 userid 做 hash 取值，取值结果按分片数取模，在分配到相应的 zset 分片上。
问题：zset 数据除了承担 push 消息通知的数据源之外，还用于查询用户是否订阅该活动的状态查询（这个没啥问题，找到对应的分片，然后查询 zscore 即可）和订阅总数计算的角色。如果我为了某些活动可能超过百万的关注订阅数，而设置 1024 个 zset 分片，是不是意味着绝大多数的活动，为了计算总数都要去做 1024 次 zcount 再将 result 相加才能得到结果？感觉也不是很好的设计。。。。（当然也可以总数单独维护，不通过 zset 分片结果相加获取，就是这样又增加了存储成本）
大家觉得该怎么做比较合适呢？
现状：关注人数存在 redis 的 zset 中，每个活动有一个独立的 zset 。发送 push 消息通知的时候，是分页遍历 zset ，逐个发送通知。可能在关注数超百万的时候需要较长的处理时间（比如超过 5 分钟）。
要求：希望在推送消息时尽可能的快，低延时。
为了达到这个要求，选择对 zset 做分片，分片的规则是：按订阅用户的 userid 做 hash 取值，取值结果按分片数取模，在分配到相应的 zset 分片上。
问题：zset 数据除了承担 push 消息通知的数据源之外，还用于查询用户是否订阅该活动的状态查询（这个没啥问题，找到对应的分片，然后查询 zscore 即可）和订阅总数计算的角色。如果我为了某些活动可能超过百万的关注订阅数，而设置 1024 个 zset 分片，是不是意味着绝大多数的活动，为了计算总数都要去做 1024 次 zcount 再将 result 相加才能得到结果？感觉也不是很好的设计。。。。（当然也可以总数单独维护，不通过 zset 分片结果相加获取，就是这样又增加了存储成本）
大家觉得该怎么做比较合适呢？
 | 1 icql 2023-07-08 12:38:22 +08:00 看场景为啥不考虑直接用 bitmap 呢，zset 这场景看着不大合适 |
 | 2 justseemore 2023-07-08 13:03:24 +08:00 在加个 bitmap 就好了. 反正都是个粗略的数字或者单独维护一个 key 来进行统计, 用 lua 脚本 zadd 或者 zdel 的时候 对这个 key 进行加或者减 . |
 | 3 skyemin 2023-07-08 13:06:30 +08:00 一个 zset 里存储百万用户有可能变成 bigkey,分片存储又增加了聚合查询的成本,建议一个 key 一个 bitmap,更省空间,同时也满足用户是否订阅该活动的状态查询 |
 | 5 ben548 OP @icql 而且 bitmap 如果存用户的 uid 的话，uid 是雪花算法生成的的 32 位的数字，用 bitmap 其实非常占内存，本质上用 bitmap 基本上就是为了省内存，不过感觉这种场景下也完全没有节省到内存，甚至比用 zset 占用更多 |
 | 6 fkdtz 2023-07-08 14:41:38 +08:00 这是一个典型的大 key 热 key 场景，不管是否存在推送慢的情况，可能分片都是应该做的。 楼主的思我感觉没啥问题，成本也是最低的。 至于考虑到订阅计数器的单独维护问题，我觉得这点成本是应该的，毕竟你分片之后对于热门活动不可能在线上实时 zcount 1024 个分片吧，那也太慢了。 尽量保持线上业务快速响应，很多活可以异步处理，比如这个计数器就可以异步执行，不需要实时增加，不影响线上业务响应。 实际上我理解最好是特殊情况特殊处理，不需要一视同仁给所有活动都分片，可以动态地给大 key 做分片，不过一旦涉及到动态就会引入更多复杂的逻辑例如 rehash 或是引入哈希环等等，展开来就有更多东西可以讨论了，这个场景下有点舍本逐末就算了吧。 另外我觉得这个场景用 bitmap 不太合适，用户量级在百万级，那么单个 bitmap 的大小至少要上 M ，也算是大 key 了，而且很多绝大部分的活动都是冷门的，意味着 bitmap 中绝大部分都是非常稀疏的，这么搞不太划算。 我认知里 bitmap 更适合全体用户都参与的场景，例如是否活跃、是否在线等等吧。 一些临时的想法可能有不太合适的地方，可以一起讨论 |
 | 7 ben123321 2023-07-08 17:13:43 +08:00 随便解答下，看看是否能满足条件： 1. 增加一个大活动的 list ，用于存储哪些活动是大活动，只有进入了该 list ，才会走分片逻辑。这样其实已经保证了只有「非常小」一部分的活动需要做分片。 2. 针对大活动的 list ，维护一个 count key 。 3. 把大活动 list 推到 local cache 中，让判断损耗下降为 0 。 4. 如何从小活动转换成大活动？异步任务写分片数据，然后再加入到大 list 中。 5. 大活动如何变成小活动？不支持，因为这个概率实在太小。 以上。 |
 | 8 dusu 2023-07-08 18:05:07 +08:00 via iPhone 1. bitmap 也可以分片的 每片 id 从 1 开始 分成若干个 bitmap 拿出来的时候算下偏移就能拿到最终 id 分片越多越省内存 但是 key 不好维护 但是至少能解决内存太大问题 2. 冷数据过期后从内存里剔除 直接数据库里查归档结果就行了 当数据穿透超过阈值就回 redis |
| 9 dusu 2023-07-08 18:06:30 +08:00 via iPhone @dusu redis 的 bitmap 可以 dump 出来自己解析的 那个执行性能应该可以满足你要快速 scan 的效果 |
 | 10 xuanbg 2023-07-08 18:13:51 +08:00 没明白活动为什么要用 zset ？ |
Select Language