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) ) ENGINEInnoDB DEFAULT CHARSETutf8mb4; -- 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) ) ENGINEInnoDB DEFAULT CHARSETutf8mb4;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) ) ENGINEInnoDB DEFAULT CHARSETutf8mb4;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tagsAI 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) ) ENGINEInnoDB DEFAULT CHARSETutf8mb4; -- 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) ) ENGINEInnoDB DEFAULT CHARSETutf8mb4;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 KafkaTemplateString, 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 MySQLComponent public class BarragePersistConsumer { private static final int BATCH_SIZE 500; private static final int FLUSH_INTERVAL_MS 2000; private final ListBarrageMessage 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; ListBarrageMessage 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) ) ENGINEInnoDB DEFAULT CHARSETutf8mb4;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。
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) ) ENGINEInnoDB DEFAULT CHARSETutf8mb4; -- 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) ) ENGINEInnoDB DEFAULT CHARSETutf8mb4;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) ) ENGINEInnoDB DEFAULT CHARSETutf8mb4;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tagsAI 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) ) ENGINEInnoDB DEFAULT CHARSETutf8mb4; -- 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) ) ENGINEInnoDB DEFAULT CHARSETutf8mb4;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 KafkaTemplateString, 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 MySQLComponent public class BarragePersistConsumer { private static final int BATCH_SIZE 500; private static final int FLUSH_INTERVAL_MS 2000; private final ListBarrageMessage 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; ListBarrageMessage 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) ) ENGINEInnoDB DEFAULT CHARSETutf8mb4;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。
