短视频内容平台（如TikTok、Instagram Reel、YouTube Shorts）的系统设计

现在，短视频内容已成为新趋势，每个人都在从TikTok、Instagram、YouTube等平台上消费这些内容。让我们看看如何为TikTok创建一个系统。

这样的应用程序看起来很小，但在后台有很多事情正在进行。以下是相关的挑战：

•由于该应用程序在全球范围内使用，将会有大量的请求发送到服务器。这最终会增加服务器的负载。•将视频上传到后台将是一个巨大的任务，这将增加服务器的负载并阻塞。•流畅地播放视频，无缓冲。•一个基于用户兴趣推荐视频的推荐系统。

让我们逐一了解每个部分。我将其分为三个部分：

•与用户相关的服务•与视频发布相关的服务•与点赞和评论相关的服务•推荐服务

与用户相关的服务

这是一个包含与用户相关服务的服务，如下所示：

•注册： 用户将在应用程序中注册。•登录： 它将对凭证进行身份验证，并向应用程序发送响应。•登出： 用户将从应用程序中注销。•关注： 如果用户想要关注或取消关注其他用户，则可以通过此服务完成。

为了存储与用户相关的数据，我们将使用基于SQL的数据库，如MYSQL或PostgreSQL，因为与用户相关的数据（例如追踪关注者）将会是关联数据，所以这是一个适当的选择。

为了优化数据库性能，我们将使用主从架构。主数据库用于执行写操作，从数据库用于执行读操作。要了解有关此内容的更多信息，可以阅读文章如何优化数据库性能并扩展它？^[3]

现在让我们讨论用户服务的流程。应用程序将发出API调用，API Gateway将管理这些API。它将为用户服务路由请求。

请求将通过负载均衡器进行，负载均衡器下将有多个用户服务实例。根据负载，它将决定哪个实例将处理请求。一旦请求被处理，负载均衡器将将响应发送回API网关，然后再发送回应用程序。

与视频发布相关的服务

这是一个包含与视频发布相关服务的服务，如下所示：

•上传视频： 将视频上传到后台服务器。•发布： 如果用户想要创建、编辑或删除帖子，则可以通过此服务完成。

为了存储与帖子相关的数据，我们将使用基于NoSQL的数据库，如MongoDB。对于每个用户，可能会有成千上万的帖子，这将导致大量数据。

为了实现最佳性能，扩展数据库可能会很困难。NoSQL数据库支持水平分片，这有助于我们在不影响性能的情况下扩展数据库。要了解有关数据库分片的更多信息，可以阅读文章关于数据库分片的一切 | 扩展数据库^[4]。

现在让我们讨论视频服务的流程。应用程序将发出API调用，API Gateway将管理这些API。它将为视频服务路由请求。

请求将通过负载均衡器进行，负载均衡器下将有多个视频服务实例。根据负载，它将决定哪个实例将处理请求。一旦请求被处理，负载均衡器将将响应发送回API网关，然后再发送回应用程序。

如何使文件在全球范围内可访问而不增加下载时间？

视频文件将上传到单独的云存储服务，如Amazon S3 Bucket。现在，如果我们想在世界范围内任何地方访问文件而没有任何延迟，那么该文件将发送到内容分发网络(CDN)，它将将媒体文件更新到世界各地的不同数据云存储中。

我们能进一步优化以减少下载时间吗？

还有一个挑战需要解决，即原始视频的大小可能较大，因此如果将大文件发送回客户端，则下载时间会更长，这会影响用户体验。

文件一旦上传到云存储，您可以在数据库中存储文件路径。然后将帖子/视频详细信息发送到消息队列系统，如Kafka或RabbitMQ。

为了使用户体验流畅，我们需要压缩视频并为不同设备创建不同分辨率的视频。视频处理工作者将从消息队列系统接收视频详细信息，然后从

云存储中提取文件并进行处理。处理完成后，这些新的视频文件将发送到CDN。

如何访问压缩的视频文件？

现在您可能会想，应用程序如何知道上述讨论中压缩的视频的文件路径？由于压缩文件将存储在分类文件夹中，因此可以根据分辨率和文件名轻松查找文件。

视频发布API只会返回文件名，而要访问文件，应用程序将在URL本身中添加分辨率细节，例如/media//。

当访问此URL时，它将经过API网关，并从URL中提取分辨率和文件名详细信息。然后它将在缓存系统（Redis）中检查，如果文件不可用，则将访问CDN并通过它获取文件。然后将其添加到缓存中，以便如果再次请求相同文件，则不必从CDN获取。

点赞和评论相关的服务

这是一个包含与视频点赞和评论相关服务的服务。正如名称所示，通过此服务，我们可以为特定帖子更新点赞和评论。与上面讨论的其他流程相同。

推荐服务

通过此服务，基于用户偏好推荐一系列帖子。幕后有很多其他事情正在进行。让我们看看幕后运行的流程。

然后，创建一个帖子后，它将被发送到消息队列系统，然后消费者将提取数据并将数据更新到大数据（Hadoop）中。

将为机器学习服务（如PyTorch和Tensorflow）设置单独的服务器，在这里它将从大数据中提取数据并训练模型。推荐服务将使用此AI模型为给定用户推荐帖子。

结论

这是类似于TikTok的应用程序的基本级别的系统设计，根据需求可以添加许多其他内容，如跟踪用户行为（用户参与的帖子，用户关注的帖子）。基于此，可以改进AI模型，为用户推荐帖子。