番外篇：新鲜上市的 Unicorn - Pinterest 的数据系统
我是数据库内核杂谈系列的作者。首先和大家道个歉，数据库内核杂谈拖更了。时至年中，工作有点忙，要总结也要计划，另外，北美特别是北加这边疫情也愈发严重，导致心情也沉重了，导致拖更了。新的一期已经在创作了，绝对不会荒废的，今天这期，插播一期番外，是当时Pinterest刚上市时写的博客。
话说为什么会有番外篇呢？上次休假写上一篇数据库杂谈的时候正值Pinterest上市，小葡萄就问了一句“Pinterest上市啦！话说，写了这么多期数据库，那你知道Pinterest用的是什么数据库吗？”。“嗯，that's a very good question! 首先他们需要blah blah blah ...”，我开始一本正经地说... “太多啦，我不要听啦，要不你写一期Pinterest的数据库吧，算是数据库内核杂谈的番外篇？” 这一期，咱们就围绕着Pinterest有哪些数据要存储和处理，来聊聊Pinterest可能会用到的大数据系统。为了写这一期，我翻阅了一系列Pinterest的技术博客外加一些自己的理解。如有不当，欢迎拍砖和指正，尤其是Pinterest的朋友！
用户信息怎么存？
首先，Pinterest有很多用户，得有个系统存储这些用户信息。网上能查到的数字是超过250Million月活(写这篇文章的时候，月活肯定已经超过这个数字了)。用户信息，比如用户名，登陆信息，偏好等等是非常结构化的信息，属于非常典型的关系型数据库应用。那么多用户，你可能会觉得，需要很多台服务器再搭载分布式数据库才能存储。其实，做个简单计算，250M * 10KB(假设每个用户信息存放10KB，我已经很大方啦) = 2.5TB。一台安装关系型数据库(可选用受欢迎的开源数据库MySQL或者Postgres) Amazon x1e.32xlarge 服务器(搭载2块2TB硬盘)就可以勉强存下所有的用户数据啦。存是存下了，那么多用户的请求，一台服务器是否能处理过来呢？对于用户的请求分为读请求和写请求：读请求可以理解为用户登陆，需要确认登陆信息，这类请求的数量巨大；写请求可以理解为新用户注册或者现有用户更改信息。考虑到用户更改信息的频率不会太高以及网站已经比较知名，不太可能再出现短时间内大量新用户注册。而一台MySQL服务器至少能做到100K QPS(我找了很久，也没找到非常靠谱的benchmark，请读者赐教)，所以，如果优化得好，一台服务器是勉强可以处理所有写请求的。对于读请求，其实很容易想到，虽然量巨大，但因为数据不变，没必要每次都从数据库读取，完全可以用Memcached或者Redis这类缓存来处理高并发请求。可见，并不是动不动就需要分布式数据库的。当然，我们的计算非常理想主义，完全没有考虑容错，备份，灾难恢复等。在现实情况下，Pinterest肯定会对用户信息做sharding(每个shard数据库只保存一部分用户信息)，并且对每个shard还会有replica做备份(也可以用Master-slave模式，master负责处理所有的写请求，slave同步数据并且负责处理所有的读请求)。
Pin - Interest
Pinterest用户当然是来分享和浏览Pin的。Pin的主要格式为图片，动图(gif)或者视频格式。网上查到的数字是超过175Billion个Pin。假设每个Pin的大小是500KB(估算相对保守), 175Billion * 500KB = 87.5PB。OMG！87.5PB的数据。假设还是用前面提到的Amazon x1e.32xlarge, 要超过22000台服务器才能存下，还不算备份。Pin这类图片或者视频都是字节流文件，属于非格式化信息，一次写完后都不需要再改变，读取主要是通过key-value读取，属于典型的NoSQL应用。我大致搜索了Pinterest的技术博客，确实没有发现提到存储Pin用的是什么NoSQL系统，最像的可能就是Cassandra了。Cassandra是Facebook开源的key-value的NoSQL系统，源于Amazon的Dynamo系统，咱就不先细聊，以后单独一篇来讲。一言以蔽之，Cassndra通过一种叫consistent hashing的技术来维护一大群key-value服务器成为一个集群。每个服务器用来存储一部分的数据，任何服务器都能接受读请求，当所读数据不在本地时，会发送给有这个数据的服务器。虽然理论上是可以建立超大规模集群，但实际情况可能是一个集群有1000+左右的服务器。如此，即便每台服务器加载10块2T硬盘，一个1000+的Cassandra集群也只能存储20PB的数据，依然没有计算冗余备份。所以，如果Pinterest使用Cassndra存储Pin，那还需要在application层面再做一层sharding。这层sharding可能基于区域划分：不同数据中心存储各自新增的Pin，或者根据数据冷热划分：新鲜的数据都存放在一个集群，并且在每个数据中心都备这样一个集群，超级热的数据应该也会缓存到CDN上，冷数据单独存放因为读取需求不大。如果没有用开源的NoSQL系统，也可能是in-house自建了一个，就像Facebook的Haystack系统专门用来存储图片视频。
关注的背后是怎样的？
有了用户，用户能发Pin看Pin，还有什么信息需要保存呢？你可能会在Pinterest上关注了某网红(influencer)，想第一时间看到她(他)发出的pin，需要follow她(他)。这层follower关系同样需要存储。这类信息也是非常结构化的信息，依然可以选择用关系型数据库来存储。或者也可以用图数据库(graph database)来存储。我个人感觉如果单单是follower关系，查询通常只需要针对直接follower信息，最多再加一次跳转用来推荐熟人或好友，因此并不需要用到特别复杂的图查询操作，其实关系型数据库已经可以很好地处理这种请求了。
搜索，推荐时，都发生了什么？
聊完Pin，用户和follow关系，读者可能觉得，数据大头都搞定啦。用户可以登陆，可以发pin，也可以第一时间浏览关注网红发的pin啦。真的是这样吗？打开app后，会给你一个可以无限下拉的下拉框，随着你不断下拉，持续刷新你关注的网红发的pin，这些pin多以时间排序，也可能根据相关度做微调。你可能会有疑问，如果每次打开App，浏览关注网红的pin，都要直接先从follow关系出发，找到关注账号，再去获取关注账号最新发布的pin，最后再聚合，排序发给你。即使前面所有的数据都已经放入缓存，也要花不少时间聚合，肯定会影响用户体验。到底是怎么实现的？至此，feed流系统闪亮登场。概括来讲，feed流系统的职责就是空间换时间，利用额外的资源提前把要发送给你的pin聚合好，当你发出请求时(甚至可以不定期主动推送)，直接把结果发给你。一种实现的方法是，为活跃用户(如果不是活跃用户，当有请求发来再计算就好，同时也降低了资源的使用)维护一个固定的队列用来缓存最新需要推送的pin，当有关注账号发了新的pin后就推送到这个队列进行排序。然后根据请求把缓存的好的pin发给用户。
除了feed流应用，还有什么常见的需求？有读者肯定猜到了，搜索！用户通过搜索来找相关的pin。和搜索息息相关的另一个应用就是推荐。为了让你花费更多时间在app上(increase user engagement)，系统会时不时地推荐一些它认为你感兴趣的东西。为什么说搜索和推荐特别相关呢？引用一句名人名言：搜索是有关键字的推荐，推荐是无关键字的搜索。而且很多相关技术都相通。对于搜索和推荐系统，读者可能会听到很多下面这些buzz word：用户画像，协同过滤，倒排索引，多轮打分等等。搜索和推荐系统本身就和数据库一样，是个非常复杂的系统。今天咱们就不跑题啦，有机会可以再作一期番外篇(有幸做过Facebook搜索，知道些皮毛，可以和大家分享)。
点击Pin后，Pinterest都做了什么？
说了这么多关于feed流，搜索和推荐系统的事，我想引出的关键问题其实是要建立一个优秀的feed流，搜索或者推荐系统的重中之重在于(敲黑板！)，需要收集大量的高质量的用户行为数据(当然是在用户知情并且允许的前提下)。读者可能会有疑问，哪些行为数据会对构建上述系统有帮助呢？举个例子，你对某个Pin的点击，在这个Pin停留了几秒，都隐式地反馈了你对这个Pin的喜爱程度，当然如果你选择转发，点赞，或者关注都显式地表达了你对这个Pin的喜爱。这个行为，不仅可以帮助系统完善对你的用户画像：假设这个Pin是体育相关，系统可能对于你是个体育爱好者这个维度上进行加分，也同时完善了这个Pin的信息：比如统计全球范围内被多少人喜欢，喜欢它的人都是什么类型等等。这些信息都会最终被推荐和搜索系统用来建模，训练生成机器学习模型来服务新的搜索和推荐需求。简而言之，任何形式的用户行为信息都可能对系统改进有帮助，所以当然是多多益善。这类信息多以事件或者log形式存在，定期地传回服务器端。这类数据有多大呢？我在一篇博客中看到，Pinterest每天会记录100TB的log(https://medium.com/@Pinterest_Engineering/scalable-and-reliable-data-ingestion-at-pinterest-b921c2ee8754) (这个数据应该除了用户数据还包括各种其他日志数据)。事件信息根据事件不同，所存储的属性也各不相同，因此并不适合用关系型数据库。除了数据量大，这类数据的另一个特点是会被不同的下游应用所需要。比如，对于Pin的点击事件，一小时最热榜说我需要这个数据实时地传输给我，方便我计算出上一个小时最受欢迎的pin。搜索系统说，我需要统计每个Pin在前90天总共的点击次数，不需要实时，每天发给我一次即可。除了手机端的用户数据，服务器端也会生成相关行为数据，这些数据也同时被不同应用所需要。于是，整个数据流变成了如下这么个复杂的交互：
怎么才能很好地解决这类量大，错综交错复杂，对实时性要求高的数据需求呢？Linkedin的大牛们发明了Kafka，一个分布式，高并发，低延时的消息发布订阅系统。所有的数据源都把数据以topic的形式在Kafka上发布，不同的应用只要订阅相关的topic来获取数据即可。Pinterest也使用了Kafka来处理分发log数据。有了Kafka，上述的交互就变得清爽多了，如下图所示：
这里，我们也不展开讲Kafka，强烈推荐Kafka作者之一，Confluent公司CEO Jay Kreps的一篇博文：The log: What every software engineer should know about real-time data's unifying abstraction。
有了Kafka这个实时数据分发中心，我们再来看有哪些下游应用。一类应用属于实时类，这类应用数据量不会太大，但对延时要求高。现在特别火的流式处理系统(streaming processing)正好非常契合这类应用，比如Spark, Storm, Flink等，包括Kafka也在集成streaming的功能。数据从Kafka中取出，再流入这些系统的计算节点后，就能产生相应的结果而被使用。另一类实时性的数据系统称之为时序数据库系统(Timeseries Database)，专门用来查询，展示和时序相关的数据。除了应用相关的数据比如实时的点击率，搜索次数，QPS变化等。另一个主要应用在于监控整个数据流和系统稳定性，比如服务器的带宽，CPU，内存使用等等。Pinterest一开始使用开源的OpenTSDB，后来自行开发了Goku。聊完了实时性要求高的，自然也有没那么紧迫的应用，也称batch job，频率一般是每天运行一次，对实时性要求并不高，可能几小时，或者只要保证24小时内能完成(不至于job一天一天不断积压)。但是数据量会特别大，比如搜索系统可能希望对前90天所有浏览过的pin统计浏览次数。流系统为了追求性能，数据处理多放在内存中，显然并不是很好的候选方案。这时，咱们的老朋友map reduce就该出场啦。Pinterest使用开源的Hadoop来支持大数据存储和处理。HIVE，基于Hadoop，提供了类似SQL的语法来省去程序员自己写map reduce job。一般的数据处理流程会被分成好几个阶段，这些阶段成DAG(directed acyclic graph)状。每个阶段会等待前一阶段的job完成，然后将这些job的输出(比如生成的HIVE table)作为这个阶段的输入。这类场景就是原来数据库应用里的ETL(extract, transform and load)，只是传统的数据库可能处理不了这么大量的数据，才催生出了大数据产品。
除了上述两类，当然还会有数据量大，同时延时要求高的应用(人类真是贪得无厌呢!)，比如，Data scientists可能会想要运行一些adhoc query来快速验证某些想法，如果这些query需要运行好几个小时，DS岂不是哭晕在厕所了。这就不得不搬出分布式OLAP数据库啦(终于说到老本行了)。Pinterest使用的是AWS提供的Redshift数据库。按照博客中写的，Redshift对于90%的查询语句能在120秒内完成，相对于HIVE的增速在50到100倍。不过同时也提到，使用Redshift并不是没有代价的，Redshift使用的是列存，存储方式和Hadoop不兼容，专门需要一个ETL job负责每天导出导入100TB的数据，同时还需要保证数据的完整和正确性。Facebook内部使用的是Presto，好处在于直接兼容HIVE数据格式。
上述提到的三种类型的应用，对应三种不同的数据系统，可以覆盖大部分的业务逻辑需求。不同的组根据自身业务不同，分别用对应的数据系统去实现自身的应用。比如，搜索系统的某些模块需要实时更新，可以使用流系统处理，而基数索引只需要每天更新，可以运行batch map reduce job来做统计。
数据安全和隐私保护
收集数据最终是为了能够更好地改进App，提供更好的用户体验。但必须强调，数据安全和隐私保护永远是第一位的。有哪些实践操作来保护数据安全和隐私呢？对数据进行加密和提高服务器安全性能可以很好地保护数据安全。对于用户隐私的保护，可以选择在收集用户行为数据时作随机采样，在基数足够的前提下，不会对应用或算法模型产生不良影响。就像Mark Zuckerberg说的，future is private。保护用户隐私一直是很火热的研究方向，如differential privacy，或者Google最近提到的federated training(把ML模型推送到device端做training和evaluation来避免敏感数据传回服务器端)。另一个实践是对于已经收集和存储的用户数据，设置一个table retention，如超过30天或90天后就删除原始数据。读者可能提问，只能保存90天是不是太短了。对于需要长期收集的信息，可以根据用户画像的维度作统计信息而不是保留原始数据。路漫漫其修远兮，我们都需要再接再厉！
总结
至此，我们结合Pinterest的业务和数据流图，讨论了它可能会用到的各种数据系统。要做好一个app，还有许多我们能想到的，不能想到的业务和逻辑，本文也只能从3000miles角度，概括地介绍各种系统。画了一张图，一起围绕这张图总结一下。
从App出发：
1）对于强一致，结构化的数据如用户信息等，使用关系型数据库存储
2）对于非结构化的数据如Pin的图片，视频，使用NoSQL系统存储
3）对于各种用户行为信息，app log，和服务器端log，用Kafka作消息分发订阅系统
4）下游应用，根据数据量和延时要求，又大致分为：
4.1）对数据量不大，延时要求高，采用流式系统或者时序数据库作实时数据处理
4.2）对数据量大，延时要求不高的应用，可以用Hadoop/HIVE作batch处理
4.3）对数据量大，同时有延时要求的，将数据导入到高性能的OLAP数据库作分析查询
5）对于不同业务逻辑需求，如搜索，feed，或者推荐，会根据需要采用4）中提到的方法来生成和消费相应数据
6）这些业务逻辑最终和app作交互
最后，贴一下Pinterest Engineering的blog地址：https://medium.com/@Pinterest_Engineering
以及文中提及的一些blogs：
感谢阅读！
版权声明: 本文为 InfoQ 作者【顾仲贤】的原创文章。
原文链接:【http://xie.infoq.cn/article/6d8ff04f8f0fe487b4c042126】。文章转载请联系作者。
数据库内核杂谈https://t.zsxq.com/VrZbeAE 2018.04.27 加入
数据库内核杂谈作者，程序员。我的知识星球：Dr.ZZZ 聊技术和管理：https://t.zsxq.com/VrZbeAE
评论 (4 条评论)