在互联网应用中，点赞功能看似简单却暗藏玄机。当用户轻点屏幕的瞬间，后台系统需要完成从请求验证到数据更新的全链路处理，而支撑这个过程的数据库架构设计，正是保障高并发场景下服务稳定的核心技术。

一、架构设计的核心挑战

在海量用户同时点击"点赞"按钮时，系统需要应对三个核心矛盾：瞬时写入压力（每秒数万次操作）、实时性与一致性冲突（用户立即看到反馈与数据准确同步的矛盾）、存储容量扩展（千亿级点赞记录的存储需求）。这就像节假日的地铁站，既要快速疏导人流（处理请求），又要确保每位乘客准确到达目的地（数据正确）。

传统数据库的单点写入模式如同只开放一个检票口，当大量用户涌入时必然产生排队。例如微博明星动态的百万级点赞场景中，若采用MySQL直接写入，数据库连接池可能在10秒内耗尽，导致系统崩溃。

二、存储优化策略

1. 数据分片技术

将数据按特定规则拆分到不同数据库的技术，如同图书馆将书籍分类存放：

  • 垂直分片：按业务类型拆分（点赞记录、用户信息独立存储）
  • 水平分片：以用户ID或内容ID为分片键，例如将用户ID尾号为0-4的点赞记录存入分片A，5-9存入分片B

    • 新型分布式数据库（如TiDB）采用自动分片机制，类似智能快递分拣系统，根据数据特征自动选择最优存储位置，避免了手动分片的复杂性。

    2. 异步批量写入

    B站的技术方案揭示了一个关键策略：将10秒内的点赞操作在内存中聚合，如同快递员收集整栋楼的包裹后才出发配送。这不仅减少90%的数据库写入次数，还能通过合并操作降低行锁竞争。

    实现方式示例：

    python

    内存队列收集点赞请求

    from collections import defaultdict

    import threading

    like_queue = defaultdict(int)

    lock = threading.Lock

    def batch_update:

    while True:

    with lock:

    每10秒批量更新一次

    for msg_id, count in like_queue.items:

    db.execute("UPDATE counts SET likes = likes + %s WHERE msg_id = %s", (count, msg_id))

    like_queue.clear

    time.sleep(10)

    启动后台线程

    threading.Thread(target=batch_update, daemon=True).start

    三、高性能保障机制

    点赞系统数据库架构设计-高并发场景下的存储优化与性能提升策略

    1. 多级缓存体系

    构建由本地缓存（Guava Cache）、分布式缓存（Redis）、持久化存储组成的三层架构：

  • 第一层：本地缓存拦截60%重复请求，响应时间<1ms
  • 第二层：Redis集群存储热点数据，支撑毫秒级查询
  • 第三层：数据库作为数据最终落地点

    • 缓存更新策略对比：

    | 策略 | 一致性保障 | 适用场景 |

    |-||--|

    | 定时过期 | 最终一致 | 非核心数据（文章浏览量） |

    | 主动淘汰 | 强一致 | 点赞状态等关键数据 |

    | 写穿透 | 实时一致 | 金融交易类场景 |

    2. 智能流量调度

    通过业务网关层实现的动态路由机制，类似交通指挥系统：

  • 识别异常请求（如黑产）并拦截
  • 将流量分流到不同机房，实现负载均衡
  • 在峰值期间自动启用降级策略（如仅更新计数不记录明细）

    • 四、容灾与数据一致性

    1. 双写一致性保障

    采用"缓存标记+数据库事务"的双重校验机制：

    mermaid

    graph TD

    A[用户点击点赞] --> B{缓存是否存在标记}

    B -->|是| C[立即返回成功]

    B -->|否| D[写入消息队列]

    D --> E[异步更新数据库]

    E --> F[写入缓存标记]

    2. 冷热数据分离

    点赞系统数据库架构设计-高并发场景下的存储优化与性能提升策略

  • 热数据：近3天的点赞记录存放于Redis集群
  • 温数据：3天至1个月的数据存储于HBase
  • 冷数据：历史数据归档至对象存储（如AWS S3）

    • 这种分层存储策略如同图书馆的新书展示区、普通书库和档案库的组合，兼顾访问效率与存储成本。

    五、未来演进方向

    随着边缘计算和5G技术的发展，点赞系统正在向边缘节点预处理+中心集群聚合的架构演进。例如在视频播放器端直接完成点赞状态校验，仅将确认操作同步至中心数据库，这种"化整为零"的策略可将端到端延迟降低至50ms以内。

    智能算法的引入也让系统更具预见性——通过分析用户行为模式，对可能成为爆款的内容进行缓存预热，就像天气预报提醒我们提前准备雨具，这种预加载机制可使热门内容的查询效率提升300%。

    从数据库分片到多级缓存，从异步处理到边缘计算，点赞系统的演进历程揭示了一个真理：在高并发场景下，没有完美的架构，只有持续优化的平衡艺术。每一次点赞的背后，都是存储优化、性能提升、容灾保障三大支柱的精密协作，而这正是互联网架构设计的魅力所在。