微信 Windows 端 IM 消息数据库的优化实践：查询慢、体积大、文件损坏等
本文由微信客户端技术团队工程师“Jon”分享，原题“Windows 微信：消息数据库架构演进”，有较多修订。
1、引言
本文分享的是，微信客户端团队基于对微信用户日常使用场景和数据分析，通过分离重要和非重要数据、采用可靠的分库策略等，对微信 Windows 端 IM 本地数据库的架构进行的优化和改造，并最终得到一个具备良好实践效果的技术改造方案。
2、背景说明
微信的 Windows 客户端自 2014 年上线以来，用户数稳步增长。随着时间的不断推移，很多用户本地积攒的消息量越来越大。
最初的本地 IM 数据库设计秉着遵循“简单易用、方便管理”的原则，把用户收到的所有消息都统一存放在用户当前客户端本地的“同一个 SQLite 数据文件中”。
(作者注：微信不会保存聊天记录，聊天内容只存储在用户手机、电脑等终端设备上。)
3、当前问题
由于初期这套本地数据库设计方案的短板，随着目前微信使用越来越广泛、消息堆积越来越多，从而逐渐暴露出了许多技术问题。
3.1 问题 1：数据查询慢
随着使用时间的推移，数据也逐渐增多，当数据量越来越庞大：
1）数据库的查询和插入效率会受到影响；
2）即使消息数据库存在索引，索引的查询效率也随之下降。
从文件系统的角度，数据库文件是逐页增长的。因为长时间的使用微信会使得消息量的逐步累积，让数据库体积逐渐增长，也会导致碎片化更严重，这在机械硬盘下，也会进一步影响读写效率。
对用户最直观的影响就是——切换聊天变得很卡，这个问题对于重度用户尤甚，甚至会出现点击聊天就卡顿的情况。
3.2 问题 2：存储文件大
随着时间的推移，消息量的逐步累积，数据库存储文件的体积也是越来越大，显著占用用户存储空间。
3.3 问题 3：磁盘文件损坏
磁盘文件意外损坏也有可能导致数据丢失。
因为所有消息都放到一个数据库文件，就类似把所有鸡蛋放在一个篮子。
数据库文件也可能会因为存储坏道、电脑意外断电、sqlite 自身 bug 等原因导致数据库文件发生损坏。如果发生损坏时，有可能导致用户丢失消息数据。即使有 DB 恢复机制，也无法保证能恢复出所有历史记录。
当这种情况发生时，对用户影响十分大，因为聊天记录可能没了！
PS：微信移动端也有类似困扰，有兴趣可以阅读《微信客户端SQLite数据库损坏修复实践》。
4、原因分析
4.1 概述
上述数据库存储文件变大和查询变慢的问题，都是由于消息数据的不断增多引起。
但消息数的增长是无法避免的，那么有没有办法控制增长速度，并且控制数据库的大小？
我们从两个方向进行分析：消息情况、日常使用场景
4.2 分析 1：消息情况
微信里的 IM 消息可分为三大类：
1）单人聊天消息；
2）群聊消息；
3）以及订阅号/服务号消息（统称为公众号消息）。
按消息的重要性来说：
1）单聊/群聊消息：这是用户的私人消息，被删除或者丢失无法恢复，对用户损失最大；
2）公众号的消息：因为只要关注了公众号，都可以拉取阅读，属于公共消息，所以对用户来说重要性稍低。
按消息的大小来说：
1）基于对测试帐号的消息大小数据分析，我们发现：占总条数比例不高的公众号消息，占用了超过一半的数据库空间；
2）经过对测试帐号消息类型的分析：网页卡片类消息是公众号消息的主要类型，其平均消息体大小是文本消息的几十倍。
4.3 分析 2：日常应用场景分析
众所周知，我们日常使用微信，都是收发消息，或者浏览最近的消息。对于更早的消息，我们一般很少会主动去浏览。
越早的消息，浏览的概率越低。
所以：在大多数场景下，我们要让最常访问的消息，不受老数据的影响。
5、解决方案
5.1 概述
针对前述问题并结合上述分析，我们从以下方面对微信 Windows 端本地 SQLite 数据库的架构进行了演进和优化。
涉及的主要优化内容和手段有：
1）分库改造；
2）建立消息索引；
3）消息体积优化；
4）提高数据库健壮性。
下面我们将逐一详细介绍。
5.2 分库改造
基于以上分析，首先把公众号消息划分出去，存到单独的一个数据库，跟用户的普通消息隔离，同时也可以大幅减少普通消息数据库的体积。
基于日常使用场景的分析，大部分老数据读取的频率很低，所以应该提高最近一段时间的读写效率。
对于上述这种情况，我们采取了以时间和空间动态划分数据库的方案。初始默认值是每个数据库存放半年的消息，超过时间之后新建一个数据库存放。对于大部分使用场景，我们只需要读写最新的数据库就可以满足需求，如果需要浏览更早的消息，可以再打开之前的数据库进行读取。
除了时间维度，我们还考虑了空间维度的划分：如果半年内消息普通消息规模超过阈值，也会新建一个数据库进行存储，让每个数据库大小和数据规模不至于太大，能提升最近一段时间消息的读写效率。
5.3 建立消息索引
对于最广泛的使用场景——查看每一个聊天的消息，这种场景需要对每一个聊天会话建立一个索引。
这里的索引方案我们参考了安卓端：即将每一个聊天转换成一个数值型的 ID，从而减少每条索引的长度，提高索引的读写效率。（关于微信的移动端 SQLite 完整数据库结构，可以参考：《微信本地数据库破解版(含iOS、Android)，仅供学习研究 [附件下载]》）
除此之外，我们还对一些经常访问的内容，单独提取成为一个字段，并且增加索引。比如消息的子类型（这个在老数据库中是一个序列化字段），它没有索引，但这个字段经常需要用到，所以单独提出成为一列，并且加上索引，为消息按类型查找提供方便。
5.4 消息体积优化
IM 中消息显然总是会越来越多的，但如何能够在不影响读写效率的同时，减少/压缩消息数据的体积，也是我们的优化方向。
从上面的数据看，部分消息体积较大，已经超过了数据库每页的大小（Page Size）。
数据库是按页存储数据的，Page Size 是数据库一页能够容纳的数据。如果一条数据，一个页放不下，就需要用到溢出页，把多出来放不下的数据放到溢出页中，溢出页可以有多个。
这时候，如果读取这条数据，就需要把溢出页也全部读出来，会增加 IO 的消耗。
如果压缩数据，能够把消息体压缩到一个页能放得下，减少溢出页的使用，是可以增加 IO 性能的。
SQLite 数据库溢出页结构：
(上图引用自书籍《The Definitive Guide to SQLite》第 308 页)
PS：《The Definitive Guide to SQLite》这本书的电子版我也给你找到了，请从下面附件处下载：
The Definitive Guide to SQLite (2nd edition, 2010)-52im.net.pdf.zip (3.61 MB)
但是压缩需要占用 CPU 资源，这里选择一种能够平衡性能和压缩率的算法是关键。
经过对比压缩算法的 Benchmark，并且对消息体压缩性进行实测，最终选择了一个高性能压缩算法：lz4。
经过对测试帐号的数据分析，不同类型的消息体大小差异较大。
一般来说：文本消息的长度不会特别大，但是网页卡片类型的消息，体积会较大。由于不同的消息长度，获得的压缩率不一样，太短的文本长度，压缩起来并没有意义。
所以经过消息体长度、压缩、，压缩性能的分析，最终确定对网页卡片等进行压缩，在较低性能消耗的前提下，综合压缩率可达到 40%，减少了 IO 次数 。
5.5 提高健壮性
如果数据库文件由于外部原因发生损坏，则会对体验造成较大影响。降低损坏率和减少损坏带来的数据损失，也是我们改进的方向。
按照时间维度划分数据库之后，相当于把消息按时间分散存储。最新的数据库负责读写最近的消息，其余的数据库只需要根据需求支持浏览查看消息。
对于老数据库而言：可以做到按需加载，从而减少了对数据库的读写，也减少了这些数据库损坏的几率。一旦有数据库出现损坏，即使无法恢复，也不会所有消息全部丢失，只会丢失该数据库对应时间段的消息，这也可以减少部分数据库损坏带来的损失。
在早期使用的单数据库架构中，由于数据会越攒越多，数据库体积会持续变大，很难去做备份。分库之后，每个数据库体积变小，因而数据库备份变得更为可行。因为最新的数据库存在频繁的消息读写，发生损坏的概率远高于老数据库，所以这里对最新的一个数据库做定期的备份。
默认配置下，我们每间隔一段时间会对最新的数据库进行一次备份，该备份是最新的一个数据库的完整拷贝。若最新的数据库在读写时发生损坏，会先尝试从备份数据恢复。若恢复成功，则最多丢失从备份到恢复这段时间的数据，进一步降低损坏造成的损失。
6、优化对比
经过对比，对于一个在测试帐号中原始的消息数据库，压缩后大小可以减少接近一半，同时溢出页数和需要使用溢出页的记录数减少也超过一半。
对于读写性能，对比压缩前，压缩后的读取和解压缩性能比之前有接近 10%的提升。
7、未来展望
后续我们微信客户端团队将继续研究数据库修复相关的实践，持续关注数据库相关的性能数据，提升可靠性，打造更好的用户体验！
以下是相关技术文章，有兴趣的读者可以一并阅读：
学习交流：
- 移动端 IM 开发入门文章：《新手入门一篇就够：从零开发移动端IM》
- 开源 IM 框架源码：https://github.com/JackJiang2011/MobileIMSDK（备用地址点此）
（本文已同步发布于：http://www.52im.net/thread-4034-1-1.html）
附录：更多大厂 IM 文章汇总
>> 更多同类文章 ……
还未添加个人签名 2019.08.26 加入
开源IM框架MobileIMSDK、BeautyEye的作者。
评论