当前位置：首页 > news >正文

视频平台的数据库设计：从用户体系到弹幕系统的Schema架构复盘

news 2026/7/23 7:46:27

视频平台的数据库设计：从用户体系到弹幕系统的Schema架构复盘

一、背景与问题定义

视频平台的数据库设计与传统业务系统有显著差异：读多写少但写入峰值尖锐、冷热数据分化严重、以及弹幕这类高吞吐写入场景对数据库选型提出挑战。一个典型的千万 DAU 视频平台，弹幕写入的峰值 QPS 可达 50 万以上，远超出单机 MySQL 的承载能力。

本文以"用户—视频—互动"三条核心业务线为骨架，复盘整个平台的 Schema 设计、弹幕高吞吐写入方案、以及数据归档策略。

二、核心业务 Schema 设计

2.1 用户体系

用户表的核心设计原则是：高频查询字段与低频字段垂直拆分，认证信息与基础信息隔离。

-- 用户基础信息表（高频读） CREATE TABLE `user_base` ( `id` BIGINT NOT NULL AUTO_INCREMENT, `user_id` BIGINT NOT NULL COMMENT '业务用户ID，对外暴露', `nickname` VARCHAR(64) NOT NULL, `avatar_url` VARCHAR(512) DEFAULT '', `bio` VARCHAR(256) DEFAULT '' COMMENT '个人简介', `follower_count` INT NOT NULL DEFAULT 0, `following_count` INT NOT NULL DEFAULT 0, `video_count` INT NOT NULL DEFAULT 0 COMMENT '发布视频数', `total_likes` BIGINT NOT NULL DEFAULT 0, `creator_level` TINYINT NOT NULL DEFAULT 0 COMMENT '创作者等级0-10', `status` TINYINT NOT NULL DEFAULT 1 COMMENT '1正常 2冻结 3注销', `created_at` DATETIME NOT NULL DEFAULT CURRENT_TIMESTAMP, `updated_at` DATETIME NOT NULL DEFAULT CURRENT_TIMESTAMP ON UPDATE CURRENT_TIMESTAMP, PRIMARY KEY (`id`), UNIQUE KEY `uk_user_id` (`user_id`), KEY `idx_creator_level` (`creator_level`, `status`) ) ENGINE=InnoDB DEFAULT CHARSET=utf8mb4; -- 用户认证信息表（低频访问，安全隔离） CREATE TABLE `user_auth` ( `id` BIGINT NOT NULL AUTO_INCREMENT, `user_id` BIGINT NOT NULL, `phone` VARCHAR(32) DEFAULT '' COMMENT 'AES加密存储', `email` VARCHAR(128) DEFAULT '', `password_hash` VARCHAR(256) NOT NULL, `last_login_at` DATETIME DEFAULT NULL, `last_login_ip` VARCHAR(64) DEFAULT NULL, PRIMARY KEY (`id`), UNIQUE KEY `uk_user_id` (`user_id`) ) ENGINE=InnoDB DEFAULT CHARSET=utf8mb4;

垂直拆分的动机：user_auth表仅在登录/注册时访问，与user_base每页都查的模式完全不同。分开后，user_auth可以放在加密存储卷上，甚至使用独立的数据库实例。

2.2 视频信息表

CREATE TABLE `video_info` ( `id` BIGINT NOT NULL AUTO_INCREMENT, `video_id` BIGINT NOT NULL COMMENT '业务视频ID', `user_id` BIGINT NOT NULL, `title` VARCHAR(256) NOT NULL, `description` TEXT DEFAULT NULL, `cover_url` VARCHAR(512) DEFAULT '', `duration` INT NOT NULL DEFAULT 0 COMMENT '视频时长（秒）', `category_id` INT NOT NULL DEFAULT 0, `tags` JSON DEFAULT NULL COMMENT 'AI生成的标签JSON数组', `play_count` BIGINT NOT NULL DEFAULT 0 COMMENT '播放次数', `like_count` INT NOT NULL DEFAULT 0, `comment_count` INT NOT NULL DEFAULT 0, `share_count` INT NOT NULL DEFAULT 0, `barrage_count` INT NOT NULL DEFAULT 0 COMMENT '弹幕总数', `status` TINYINT NOT NULL DEFAULT 0 COMMENT '0转码中 1正常 2审核中 3下架', `audit_result` JSON DEFAULT NULL COMMENT '多模态审核结果', `publish_at` DATETIME DEFAULT NULL, `created_at` DATETIME NOT NULL DEFAULT CURRENT_TIMESTAMP, `updated_at` DATETIME NOT NULL DEFAULT CURRENT_TIMESTAMP ON UPDATE CURRENT_TIMESTAMP, PRIMARY KEY (`id`), UNIQUE KEY `uk_video_id` (`video_id`), KEY `idx_user_status` (`user_id`, `status`), KEY `idx_category_publish` (`category_id`, `publish_at`), KEY `idx_play_count` (`status`, `play_count`) ) ENGINE=InnoDB DEFAULT CHARSET=utf8mb4;

关键设计决策：

计数器冗余：play_count、like_count等计数字段直接冗余在视频表上。虽然违反了严格的规范化，但避免了 SELECT COUNT(*) 的昂贵开销。计数器更新通过 Redis 原子操作 + 异步刷 MySQL。
JSON 字段用于动态属性：tags（AI 标签）和audit_result（审核结果）使用 JSON 类型。这两个字段结构变化频繁——标签体系每季度迭代，审核维度持续增加——JSON 的 Schema-less 特性避免了频繁 DDL。
status 字段的状态机：严格遵循 0→2→1 的流转（转码→审核→正常），不允许逆向流转（审核不过直接到 3 下架）。

2.3 互动体系

-- 评论表 CREATE TABLE `comment` ( `id` BIGINT NOT NULL AUTO_INCREMENT, `comment_id` BIGINT NOT NULL, `video_id` BIGINT NOT NULL, `user_id` BIGINT NOT NULL, `parent_id` BIGINT NOT NULL DEFAULT 0 COMMENT '0=一级评论', `reply_to_uid` BIGINT NOT NULL DEFAULT 0 COMMENT '被回复者', `content` TEXT NOT NULL, `like_count` INT NOT NULL DEFAULT 0, `status` TINYINT NOT NULL DEFAULT 1, `created_at` DATETIME NOT NULL DEFAULT CURRENT_TIMESTAMP, PRIMARY KEY (`id`), UNIQUE KEY `uk_comment_id` (`comment_id`), KEY `idx_video_created` (`video_id`, `created_at`), KEY `idx_parent` (`video_id`, `parent_id`, `created_at`) ) ENGINE=InnoDB DEFAULT CHARSET=utf8mb4; -- 点赞表（只记录关系，计数器在Redis） CREATE TABLE `like_record` ( `id` BIGINT NOT NULL AUTO_INCREMENT, `user_id` BIGINT NOT NULL, `target_type` TINYINT NOT NULL COMMENT '1视频 2评论', `target_id` BIGINT NOT NULL, `created_at` DATETIME NOT NULL DEFAULT CURRENT_TIMESTAMP, PRIMARY KEY (`id`), UNIQUE KEY `uk_user_target` (`user_id`, `target_type`, `target_id`), KEY `idx_target` (`target_type`, `target_id`) ) ENGINE=InnoDB DEFAULT CHARSET=utf8mb4;

三、弹幕高吞吐写入方案

3.1 整体写入链路

弹幕的写入链路遵循"先广播，后落盘"的原则。用户发送弹幕后，先写入 Redis（保证实时广播），同时投递到 Kafka（保证持久化），Kafka Consumer 批量写入 MySQL。

3.2 Redis 实时存储

@Service public class BarrageWriteService { private final StringRedisTemplate redisTemplate; private final KafkaTemplate<String, BarrageMessage> kafkaTemplate; public void sendBarrage(BarrageMessage msg) { // 1. 写入 Redis（实时查询用） String redisKey = "barrage:video:" + msg.getVideoId(); long score = msg.getTimestamp(); // 视频时间戳作为score redisTemplate.opsForZSet().add(redisKey, JSON.toJSONString(msg), score); // 2. Redis ZSet 只保留最近 5000 条 redisTemplate.opsForZSet().removeRange(redisKey, 0, -5001); // 3. 异步投递到 Kafka 做持久化 kafkaTemplate.send("barrage-persist", String.valueOf(msg.getVideoId()), msg); // 4. 实时广播给同房间用户（通过 WebSocket） broadcastToRoom(msg.getVideoId(), msg); } }

3.3 Kafka 批量写入 MySQL

@Component public class BarragePersistConsumer { private static final int BATCH_SIZE = 500; private static final int FLUSH_INTERVAL_MS = 2000; private final List<BarrageMessage> buffer = new ArrayList<>(); private long lastFlushTime = System.currentTimeMillis(); @KafkaListener(topics = "barrage-persist", concurrency = "3") public void onMessage(BarrageMessage msg) { synchronized (buffer) { buffer.add(msg); if (buffer.size() >= BATCH_SIZE || System.currentTimeMillis() - lastFlushTime >= FLUSH_INTERVAL_MS) { flushBuffer(); } } } private void flushBuffer() { if (buffer.isEmpty()) return; List<BarrageMessage> batch; synchronized (buffer) { batch = new ArrayList<>(buffer); buffer.clear(); lastFlushTime = System.currentTimeMillis(); } // INSERT ... ON DUPLICATE KEY UPDATE 实现幂等 jdbcTemplate.batchUpdate( """INSERT INTO barrage_{tableSuffix} (barrage_id, video_id, user_id, content, video_time, created_at) VALUES (?, ?, ?, ?, ?, ?) ON DUPLICATE KEY UPDATE content = VALUES(content)""", batch, BATCH_SIZE, (ps, msg) -> { ps.setLong(1, msg.getBarrageId()); ps.setLong(2, msg.getVideoId()); ps.setLong(3, msg.getUserId()); ps.setString(4, msg.getContent()); ps.setDouble(5, msg.getVideoTime()); ps.setTimestamp(6, Timestamp.from(msg.getCreatedAt())); }); } }

3.4 弹幕按月分表

弹幕表按月分表（barrage_202607、barrage_202608），依据是弹幕的查询场景高度集中于当前视频对应的月份——用户看弹幕时，绝大多数请求落在最近几周的视频。历史视频的弹幕查询量占比不到 2%。

CREATE TABLE `barrage_202607` ( `id` BIGINT NOT NULL AUTO_INCREMENT, `barrage_id` BIGINT NOT NULL, `video_id` BIGINT NOT NULL, `user_id` BIGINT NOT NULL, `content` VARCHAR(512) NOT NULL, `video_time` DOUBLE NOT NULL COMMENT '弹幕在视频中的时间位置（秒）', `status` TINYINT NOT NULL DEFAULT 1, `created_at` DATETIME(3) NOT NULL, PRIMARY KEY (`id`), UNIQUE KEY `uk_barrage_id` (`barrage_id`), KEY `idx_video_time` (`video_id`, `video_time`) ) ENGINE=InnoDB DEFAULT CHARSET=utf8mb4;

四、Schema 设计原则总结

4.1 反范式化

计数器字段（play_count、like_count）直接冗余在主表上，是典型的"用存储换查询性能"。一个视频详情页每次被访问都需要展示这些数字，如果每次 SELECT COUNT(*) 从统计表实时计算，在百万 QPS 的读压力下会直接击穿数据库。

4.2 预留字段

视频表的tags和audit_result使用 JSON 类型而非结构化字段，就是在为未来的属性扩展预留空间。当 AI 团队说"下个月我们要新增 3 个维度的标签"时，JSON 字段只需改代码逻辑，不需要 DDL。

4.3 归档策略

数据分为热、温、冷三层：

热数据（近 3 个月）：完整保留在 MySQL 主库，读写均可。
温数据（3~12 个月）：保留在 MySQL 只读副本，查询延迟略高但可接受。
冷数据（12 个月以上）：归档到对象存储（Parquet 格式），按需通过 Presto/Trino 查询，不占用 MySQL 存储。

弹幕的归档最激进：3 个月以上的弹幕直接从 MySQL 迁移到对象存储，前端播放时通过 CDN 边缘节点加载归档弹幕文件。

五、总结

视频平台的数据库设计围绕三个核心原则：读写分离（高频读字段垂直拆分、计数缓存到 Redis）、冷热分离（弹幕按月分表、3 个月归档）、以及用存储换性能（合理反范式化）。弹幕的高吞吐写入通过"Redis → Kafka → 批量 MySQL"三级链路实现，峰值写入从单机 MySQL 的 5000 QPS 提升到 50 万 QPS。

后续优化方向：引入 TiDB 替代部分按月分表的 MySQL 集群（减少运维成本）；弹幕的查询链路引入 Redisearch 做全文检索（支持"在这部剧的第 5 集搜索所有红色弹幕"）；以及冷数据查询的统一化（构建 Iceberg + Trino 的冷数据查询层）。

查看全文

http://www.cnnetsun.cn/news/3597308.html