响应式网站模板是什么常用网站代码

响应式网站模板是什么,常用网站代码,app怎么做需要多少钱,郴州刚刚发生的事昨晚一个 6 年经验的粉丝在群里复盘字节跳动架构面#xff0c;心态崩了。 面试官问了一个非常核心的业务场景题#xff1a;“抖音/微博的‘关注流’#xff08;Feed Stream#xff09;#xff0c;用户发视频#xff0c;粉丝刷视频。如果让你来设计这个系统#xff0c;你…昨晚一个 6 年经验的粉丝在群里复盘字节跳动架构面心态崩了。面试官问了一个非常核心的业务场景题“抖音/微博的‘关注流’Feed Stream用户发视频粉丝刷视频。如果让你来设计这个系统你怎么做”这哥们觉得这题熟自信地回答“这不就是消息通知吗用**‘推模式’Push每个用户维护一个 Redis List收件箱。A 发了视频就遍历 A 的所有粉丝把视频 ID 推送到粉丝的 List 里。粉丝读取时直接查自己的 List速度极快。”面试官听完冷笑了一声追问 “推模式读确实快。但如果某顶流大V发了一条视频他有 1 亿粉丝。 按照你的方案你需要瞬间发起 1 亿次 Redis 写入。哪怕你用了 MQ 削峰、Redis Pipeline 批量写写入延迟和资源消耗也是巨大的。 这意味着该大V发了视频粉丝可能要几分钟后才能看到而且这期间 Redis 集群可能因为写热点产生抖动。这能上线吗”这哥们瞬间哑口无言才意识到自己掉进了“写扩散”的深坑。兄弟们Feed 流架构 是大厂面试的“试金石”。 它没有标准答案只有“最适合业务场景的取舍”。今天 Fox 带你拆解这道题的 3 种段位看看亿级流量的社交系统是怎么搭建的。一、 为什么 “单纯的推/拉” 都是死路在设计 Feed 流时我们面临两个核心概念Inbox收件箱和Outbox发件箱。纯拉模式Pull / 读扩散逻辑大V发视频只存自己的 Outbox。粉丝要看时去遍历自己关注的 2000 个博主 的 Outbox把最新视频拉取回来在内存中排序。死穴 读延迟极高。 如果你关注了 2000 人每次刷新都要查 2000 次数据库/缓存再做聚合排序接口响应起码几秒钟用户早卸载了。纯推模式Push / 写扩散逻辑也就是这哥们答的方案。发视频时主动推送到所有粉丝的 Inbox。死穴 大 V 延迟。 对于千万级粉丝的大 V发一条动态的成本是天价写放大导致资源耗尽。结论纯拉模式死于“高关注用户海王”纯推模式死于“大 V 用户顶流”。必须搞混合架构二、 核心架构3 种主流解法从青铜到王者解法 1全量推模式适合微信朋友圈—— 青铜段位如果面试官问的是“微信朋友圈”那你答“推模式”是满分。为什么因为微信主打“强关系、小圈子”。微信限制了好友上限比如 5000 人。 即使你加满了好友发一条朋友圈最多也就是写 5000 次 Redis这对于后台来说毫无压力**。架构写写入自己的 Outbox 异步推送给所有好友的 Inbox。读直接读自己的 InboxRedis ZSet性能 O(1)。Fox 点评业务场景决定架构。微信的“封闭性”决定了推模式是体验最好的。解法 2推拉结合Hybrid 模式—— 黄金段位如果面试官问的是“微博/抖音”这种“开放式、有大 V”的平台必须上混合模式。核心逻辑 普通人用“推”大 V 用“拉”。流程推演判断身份用户发布视频时系统判断其粉丝量。普通用户粉丝 50W 走推模式。直接把 Feed ID 写入所有粉丝的 Inbox。大 V粉丝 50W 走拉模式。只写入自己的 Outbox不推送。读取逻辑粉丝请求 Feed 流时系统执行“混合查询”第一步读取粉丝自己的 Redis Inbox这里面有普通好友的动态。第二步读取粉丝关注的“大 V 列表”并发去拉取这些大 V 的 Outbox。第三步将 Inbox 数据 大 V Outbox 数据在内存中按时间戳归并排序Merge Sort。第四步返回给前端。Fox 点评这是业界标准解法。既保证了普通用户的实时性又解决了大 V 发博的写放大问题。解法 3存储分层 粉丝分层生产级架构—— 王者段位真实的亿级流量系统如抖音光靠简单的推拉结合还不够必须考虑存储成本和极致性能。1. 存储分层解决 Redis 贵的问题Redis 内存太贵了存不下全量 Feed 流。接入层API 网关 流量路由。缓存层Redis Cluster只存热点 Feed最近 7 天和活跃用户的 Inbox。持久层HBase / ByteKV存储全量 Feed 数据和冷数据。Redis 没命中时再去查持久层。2. 粉丝分层解决“拉”性能问题针对大 V不能对所有粉丝都“拉”也不能对所有粉丝都“不推”。铁粉高频互动走推模式。即使是大 V也给这部分核心粉丝推 Inbox保证体验。普通粉/僵尸粉走拉模式。大 V 聚合池对于拉模式粉丝不是去遍历 100 个大 V 的 Outbox而是去查询一个“大 V 聚合索引池”由后台异步聚合热点大 V 内容一次 I/O 拿到所有大 V 动态。3. 推荐流融合关注流不再纯按时间排序而是融合推荐算法。双列召回关注流召回 推荐流召回。统一 Rank根据互动率、视频质量进行加权重排最后输出给用户。三、 最后的“防杠”指南扫清死角设计完架构面试官会追问这 3 个实战死角答不上来也是挂Q1Feed 流的分页怎么做用 limit offset 吗答“绝对不能用 limit offset深分页问题。标准做法使用 Max_ID瀑布流 方式。前端传给后端last_feed_id上一页最后一条的 ID。后端查询Select ... WHERE id last_feed_id ORDER BY id DESC LIMIT 10。 Redis ZSet 中使用 ZREVRANGEBYSCORE 实现。”Q2混合模式下关注了大 V 多了拉取还是很慢怎么办答“用‘大 V 聚合池’优化。 系统后台会维护一个‘热点大 V 内容池’或者用 ES 索引。 粉丝刷新时不是去遍历 2000 个大 V 的 Outbox而是直接读这个聚合池。相当于把‘多次读’变成了‘一次读’极大降低了 I/O 开销。”Q3用户删除了视频怎么同步给粉丝答“采用‘读时修复’策略。 写扩散模式下回撤成本太高。我们只在元数据层把状态改为 deleted。 粉丝读取 Inbox 拿到 ID 后会去查元数据详情此时通常走 Cache发现状态是 deleted则在读取端直接过滤掉。后台再起异步任务慢慢清理无效的 Inbox 数据。”四、 面试标准答案模板建议背诵下次被问到“Feed 流架构”或“推拉模式”直接按这个套路输出“对于 Feed 流架构必须根据业务场景和粉丝量级来定业务定性微信朋友圈双向小圈子走全量推模式微博/抖音单向大 V走推拉结合。核心架构普通用户推模式写 Inbox。大 V 用户拉模式写 Outbox 粉丝分层策略铁粉推路人拉。存储优化考虑到成本我采用冷热分离。热数据存 Redis全量历史数据存 HBase/ByteKV。性能兜底引入大 V 聚合池优化拉取性能并配合Max_ID瀑布流分页确保亿级流量下的丝滑体验。”https://mp.weixin.qq.com/s/zhAb84ufJty-QlqqGweGdg