Windows微信：消息数据库架构演进

发表于 1年以前 | 总阅读数：475 次

前言

本文基于微信用户日常使用场景 & 数据分析，「通过分离重要 / 非重要数据、采用可靠的分库策略等」，对微信数据库架构进行优化 & 改造，并最终得到一个具备实践良好效果的改造方案。

背景说明

微信 for Windows自2014年上线以来，用户数稳步增长。随着时间的不断推移，用户积攒的消息量越来越大。最初的数据库设计秉着「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「同一个数据文件中。」

(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。)

目前问题

该方案随着目前微信使用越来越广泛、消息越来越多而逐渐暴露出许多问题：

问题1：慢

随着使用时间的推移，数据也逐渐增多，数据库的查询和插入效率会受到影响；即使消息数据库存在索引，当数据量越来越庞大，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。」

问题2：大

随着时间的推移，消息量的逐步累积，数据库体积也是越来越大，占用用户存储空间。

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！」

原因分析

上述变大和变慢的问题，「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

分析1：消息情况

消息分类

用户消息可分为三大类：单人聊天，群聊，以及订阅号/服务号消息（统称为公众号消息）。

从重要性区分：

单聊和群聊消息：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；
公众号消息：因为只要关注了公众号，都可以拉取阅读，属于公共的消息，所以对用户来说重要性稍低。

消息大小

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。
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。

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。

解决方案

针对上述问题 & 结合分析，从以下方面对微信数据库的架构进行演进 & 优化：

分库改造
建立消息索引
消息体积优化
提高数据库健壮性

1 . 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。

2 . 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」。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，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。

3 . 消息体积优化

消息总是会越来越多的，如何能够不影响读写效率的同时，减少 & 压缩体积，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」。

数据库溢出页结构(来源：《The Definitive Guide to SQLite》)

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，压缩率，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」 。

4 . 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。