标签
PostgreSQL , 12306 , 春节 , 一票难求 , 门禁广告 , 数组 , 范围类型 , 抢购 , 排他约束 , 大盘分析 , 广告查询 , 火车票
背景
马上春节了，又到了火车票的销售旺季，一票难求的问题依旧存在吗？
还记得10年前春节前买火车票得在放票前1天搬个小板凳去排队，对于热门路线，排一个晚上都有可能买不到票。
随着互联网的发展，几年前建设了12306网上购票系统，可以从电脑上买票，但是不要以为在电脑上就能买到票。
我记得12306刚推出时，经常发生12306网站打不开，无法付款的问题。
为什么呢？
原因很简单，春节期间网上购票的人可能达到几亿的级别，而且放票日期是同一天同一个时间点，也就是说同一时刻12306要接受几亿用户的访问。
处理能力和实际的访问需求更不上，带来的结果就是网站打不开，系统不稳定的现象。
后来12306想了分线路分时段开启的办法，想办法把不同线路的用户错开时间来访问12306的网站，但是这个方法起初的效果不明显，并不是所有用户都知道的（就好像你临时通知今天不上班，但还是有用户会来单位的），所以大多数用户还是集中在一个点去访问12306的网站。
随着硬件的发展，技术的演进，12306的系统越来越趋于成熟，稳定性和响应速度也越来越好。
据说现在很多商家还开通了云抢票业务，本质上是让你不要冲击12306系统了，把需求提前收集，在放票时，这些系统会进行排队与合并购买，这种手段可以减少12306的访问并发。
抢火车票是很有意思的一个课题，对IT人的智商以及IT系统的健壮性，尤其是数据库的功能和性能都是一种挑战。
接下来我们一起来缕一缕有哪些难点，又有怎样的解决手段。
一、铁路售票系统 - 西天取经之路开始啦
铁路售票系统最基本的功能包括
查询余票、余票统计、购票、车次变化、退票、改签、中转乘车规划 等。 每个需求都有各自的特点，例如
1. 查询余票，用户在购票前通常会查一下到达目的地有哪些余票，它属于一个高并发的操作，同时需要统计余票张数，需要很强的CPU来支撑实时的查询。
2. 购票，购票和查询不一样，购票是会改变库存的，所以对数据库来说是更新的操作。
而且购票很可能发生冲突，例如很多人要买同一趟车的票，那就出现冲突了，到底卖给谁呢？
需要考虑锁冲突，尽量的让不同的人购买时可并行，或者可以合并多人的购票请求，来减少数据库的更新操作。
3. 中转乘车，当用户需要购买的起点和到达站无票时，需要计算中转的搭乘方案。
比如从北京到上海，如果没有直达车，是不是该转车呢？转哪趟，在哪里转就成了问题，简单一点就是买票的人自己想。
高级一点的话，可以让12306给你推荐路线，这个涉及的是数据库的路径规划功能。
我们来逐一分析一下这些需求的特点。
1 查询余票
1. 普通的余票查询需求
你如果要买从北京到上海的火车票，通常会查一下哪些车次还有余票。
查询的过滤条件可能很多，比如
1.1. 上车站、下车站、中转站
1.2. 车次类型（高铁、动车、直达、快速、普客、...）
1.3. 出发日期、时段
1.4. 到达日期、时段
1.5. 席别（硬座、硬卧、...站票）
1.6. 过滤掉没有余票的车次
展示给用时还要考虑到怎么排序（是按始发时间排呢，还是按票价，或者按余票数量排？），怎么分页。
眼见不一定为实
查询余票通常不是实时的、或者说不一定是准确的，有可能是后台异步统计的结果。
即使是实时统计的结果，在高并发的抢票期间，你看到的信息对你来说也许很快就会失效。
比如你看到某趟车还有100张票，很可能等你付款的时候，已经卖光了。
所以在高峰期，余票信息的参考价值并不大，不要被迷惑了。
2. 查询余票的另一个更高级的需求是路径规划, 自动适配(根据用户输入的中转站点s)
这个功能以前可能没有，但是总有一天会暴露出来，特别是车票很紧张的情况下。
就比如从北京到上海，直达的没有了，系统可以帮你看看转一趟车的，转2趟车的，转N趟车的。（当然，转的越多越复杂）。
从中转这个角度来讲，实际上已经扯上路径规划的技术了。
怎么中转是时间最短的、价格最低的、中转次数最少的等等。（里面还涉及转车的输入要求（比如用户要求在一线城市转车，或者必须要转高铁））。
关于路径规划，可以参考一下PostgreSQL pgrouting，已支持多种路径规划算法，支持算法的自定义扩展。
简直是居家旅行，杀人灭口的必备良药。
师父小心，有妖怪。。。
1. 大多数用户是有选择综合症的，通常来说，用户可能会查询很多次，才选到合适日期的合适车次的票。
查询量比较大，春节期间更甚。
2. 为了展示余票数量，需要统计，会耗费较多的CPU, IO资源。
3. 路径规划，帮用户选择最佳的转车路线，很考验数据库的功能，大多数数据库没有这个功能。
2 余票统计
对于售票系统来说，查询余票实际上是一个统计操作。
统计操作相比简单查询，不但消耗更多的IO还消耗更多的CPU资源。
想像一下几亿人（其实不用这么多，可能几十万就够了）来查询余票，即使机器没挂掉，也会把所有机器的资源跑满，CPU产生的热量，可能几分钟就能把鸡蛋煮熟咯。
为了减少实时查询余票的开销，通常会分时进行统计，更新最新的统计信息。
用户查询余票信息时，查到的是统计后的结果，前面我已经分析过了，余票是不可信的，所以存在一定的延迟其实也是允许的。
这下不能煮鸡蛋了，因为把几亿个统计请求，变成了1个统计请求，是不是一下子世界就冷静了呢？
我们可以看到12306主页的余票大盘数据
师父小心，有妖怪。。。
1. 余票信息需要统计，查询会耗费较多的CPU,IO。
由于余票是不可信的，所以存在一定的延迟其实也是允许的，优化手段是异步统计，用户查询统计后的结果。
3 购票
购票相对于查询余票来说，从请求量来分析，比查询请求更少，因为通常来说，用户可能会查询很多次，才选到合适日期的合适车次的票。
但是由于购票是一次交易，每次交易都会产生写操作，而且这种交易并不是无限库存的交易，因为库存是有限的，所以设计的关键是降低粒度，减少锁冲突，减少数据扫描量。
另外还需要考虑的因素包括
1. 同一趟车次的同一个座位，在不同的维度可能会被多次售卖
1.1 时间维度，如发车日期
1.2 空间维度，不同的起始站点
2. 票价
票价一般和席别绑定，按区间计费。
另一个需求是尽量的将票卖出去，减少空洞座位。
打个比方，从北京到上海的车，中间经过（天津、徐州、南京、无锡、苏州），如果天津到南京段有人买了，剩下的没有被购买的段应该还可以继续被购买。
如果一趟从北京到上海的车，所有的票都被苏州到上海的用户买了，其他的位置没有卖出，铁大哥是不是要哭晕在厕所。
又或者某趟车大量的座位被中途上车的用户买了，是不是可以买到全程的票数就少了。
以前就存在这种情况，对铁大哥的成本是个不小的考验。
师父小心，有妖怪。。。
1. 为了减少购票系统的写锁冲突，例如同一个座位，尽量不出现因为一个会话在更新它，其他会话需要等待的情况。
（比如A用户买了北京到天津的，B用户买了天津到上海的同一趟车的同一个座位，那么应该设计合理的合并操作（如数据库内核改进）或者从设计上避免锁等待）
其实就是把座位的空间维度（从哪里到哪里）、本身的属性（座位号）、时间维度（发车日期）进行解耦，放到多条记录中，从而在购买时，可以同时进行。
因为数据库中最小的锁目前是行锁（单行记录同一时刻只允许一个会话进行更新，其他的被堵塞，等待释放锁），也许随着技术的发展，会演变成列锁，或者列里面的元素锁（比如数组，JSON）。
4 车次新增、删除、变更
春节来临时、通常需要对某些热门线路增加车次。
及车次的新增、删除和变更需求。
在设计数据库时，应该考虑到这一点。
师父小心，有妖怪。。。
车次的变更简直是牵一发而动全身，比如余票统计会跟着变化，查询系统也要跟着变化。
还有初始化信息的准备，例如为了加快购票的速度，可能会将车次的数据提前准备好（也许是每个座位一条记录），参考第3个需求的解说。
5 对账需求
票可能是经过很多渠道卖出去的，例如支付宝、去哪儿、携程、铁老大的售票窗口、银行的代理窗口、客运机构 等等。
涉及到实际的销售信息与资金往来的对账需求。
通常这个操作是隔天延迟对账的。
6 退票、改签需求
退票和改签也是比较常见的需求，特别是现在APP流行起来，退改签都很方便。
这就导致了用户可能会先买好一些，特别是春节期间，用户无法预先知道什么时候请假回家，所以先买几张不同日期的，到时候提前退票或者改签。
改签和退票就涉及到位置回收（对数据库来说也许是更新数据），改签还涉及购票同样的流程。
7 取票
这个就很简单了，就是按照用户ID，查询已购买，未打印的车票。
8 其他需求
票的种类
学生票、团体票、卧铺、站票
这里特别是站票，站票是有上限的，需要控制一趟车的站票人数
站票同样有起点和终点，但是有些用户可能买不到终点的票，会先买一段的，然后补票或者就一直在车上不下车，下车后再补票。
先上车后补票
这个手段极其恶劣，不过很多人都是这么干的，未婚先孕，现在的年轻人啊。。。。
通常会考虑容积率，避免站票太多。
如果无节制的销售站票，可能坐不下的。
猴哥，师父被妖怪抓走啦
1. 大多数用户是有选择综合症的，通常来说，用户可能会查询很多次，才选到合适日期的合适车次的票。
查询量比较大，春节期间更甚。
2. 为了展示余票数量，需要统计，会耗费较多的CPU, IO资源。
3. 路径规划的需求，帮用户找出（时间最短、行程最短、指定中转站、最廉价、或者站票最少）等条件的中转搭乘路线。
妈妈再也不用担心买不到票啦。
4. 余票信息需要统计，查询会耗费较多的CPU,IO。
由于余票是不可信的，所以存在一定的延迟其实也是允许的，优化手段是异步统计，用户查询统计后的结果。
5. 为了减少购票系统的写锁冲突，例如同一个座位，尽量不出现因为一个会话在更新它，其他会话需要等待的情况。
（比如A用户买了北京到天津的，B用户买了天津到上海的同一趟车的同一个座位，那么应该设计合理的合并操作（如数据库内核改进）或者从设计上避免锁等待）
其实就是把座位的空间维度（从哪里到哪里）、本身的属性（座位号）、时间维度（发车日期）进行解耦，放到多条记录中，从而在购买时，可以同时进行。
因为数据库中最小的锁目前是行锁（单行记录同一时刻只允许一个会话进行更新，其他的被堵塞，等待释放锁），也许随着技术的发展，会演变成列锁，或者列里面的元素锁（比如数组，JSON）。
6. 车次的变更简直是牵一发而动全身，比如余票统计会跟着变化，查询系统也要跟着变化。
还有初始化信息的准备，例如为了加快购票的速度，可能会将车次的数据提前准备好（也许是每个座位一条记录），参考第3个需求的解说。
综合以上痛点和需求分析，我们在设计时应尽量避免锁等待，避免实时余票查询，同时还要避免席位空洞。
二、谁是猴子请来的救兵?
经过前面的分析，已经把铁路售票系统最关键的几个业务场景进行了描述，并且阐述了其中的设计痛点，那么我们如何设计合理的系统来满足几亿人民抢票的需求呢？
西游记里每一集孙悟空师父被妖怪抓走，总能找到救兵来解救。
我们也需要救兵，救兵快来啊。。。。
PostgreSQL是全世界最高级的开源数据库，几乎适用于任何场景。
有很多特性是可以用来加快开发效率，满足架构需求的。
针对铁路售票系统，可以用到哪些救命法宝呢？
1. 看招，法宝1，varbit类型
使用varbit存储每趟车的每个座位途径站点是否已销售。
例如 G1921车次，从北京到上海，途径天津、徐州、南京、苏州。包括起始站，总共6个站点。 那么使用6个比特位来表示。
'000000' 如果我要买从天津到徐州的，这个值变更为(下车站的BIT不需要设置)
'010000' 这个位置还可以卖从北京到天津，从徐州到终点的任意站点。
余票统计也很方便，对整个车次根据BIT做聚合计算即可。
统计任意组合站点的余票（ 北京-天津, 北京-徐州, 北京-南京, 北京-苏州, 北京-上海, 天津-徐州, 天津-南京, ......, 苏州-上海 ）
udf_count(varbit) returns record 统计指定起始站点的余票（start: 北京, end: 南京； 则返回的是 北京-南京 的余票）
udf_count(varbit, start, end) returns record 以上两个需求，开发对应的聚合函数即可，其实就是一些指定范围的bitand的count操作。
通过法宝1，解决了统计余票的需求、售票无空洞的需求。
2. 看招，法宝2，数组类型
使用数组存储每趟车的起始站点，途经站点。
使用数组来存储，好处是可以使用到数组的GIN索引，快速的检索哪些车次是可以搭乘的。
例如查询从北京到南京的车次。
select 车次 from 全国列车时刻表 where column_arr @> array['北京','南京']; 这条SQL是可以走索引的，效率非常高，每秒请求几十万不是问题。
法宝2解决了高并发请求查询符合条件的列车信息的需求。
3. 看招，法宝3，skip locked
这个特性是跳过已被锁定的行，比如用户在购买某一趟从北京到南京的车票时，其实是一次UPDATE ... SET BIT的操作。
但是很可能其他用户也在购买，可能就会出现锁冲突，为了避免这个情况发生，可以skip locked，跳过锁冲突，直接找另一个座位。
select * from table
where column1='车次号' -- 指定车次
and column2='车次日期' -- 指定发车日期
-- and mod(pg_backend_pid(),100) = mod(pk,100) -- 提高并发，如果有多个连接并发的在更新，可以直接分开落到不同的行，但是可能某些pID卖完了，可能会找不到票，建议不要开启这个条件
and column4='席别' -- 指定席别
and getbit(column3, 开始站点位置, 结束站点位置-1) = '0...0' -- 获取起始位置的BIT位，要求全部为0
order by column3 desc -- 这个目的是先把已经卖了散票的的座位拿来卖，也符合铁大哥的思想，尽量把起点和重点的票卖出去，减少空洞
for update
skip locked -- 跳过被锁的行，老牛逼了，不需要锁等待
limit ?; -- 要买几张票 法宝3解决了一伙人来抢票时，在同一趟车的座位发生冲突的问题。
4. 看招，法宝4，cursor
如果要查询大量记录，可以使用cursor，减少重复扫描。
5. 看招，法宝5，路径规划
如果用户选择直达车已经无票了，可以自动计算如何转乘，根据用户的乘车站点和目的地选择最佳搭乘路线。
参考一下pgrouting，与物流的动态路径规划需求一致。
6. 看招，法宝6，多核并行计算
开源也支持多核并行计算的，在生成余票统计时，为了提高生成速度，可以将更多的CPU加入进来并行计算，快速得到余票统计。
就比如你策划了一本书，已经列好了大纲，同时你找了100个作者，这100个作者可以根据你分配的工作，同时开始写作，很快就能把一本书写完。
而传统的情况，一本书，只能一个作者帮你写，即使你找了100个作者，另外的99位也只能空闲，或者他们只能写其他的99本书。
7. 看招，法宝7，资源隔离
PostgreSQL为进程模型，所以可以控制每个进程的资源开销，包括(CPU,IOPS,MEMORY,network)，在铁路售票系统中，查询和售票是最关键的需求，使用这种方法，可以在关键时刻保证关键业务有足够的资源，流畅运行。
这个思想和双十一护航也是一样的，在双十一期间，会关掉一些不必要的业务，保证主要业务的资源，以及它们的流畅运行。
8. 看招，法宝8，分库分表
铁路数据达到了海量数据的级别，很显然一台机器无法存下所有的铁路数据。
那么怎么办呢？ 可以将铁路的数据进行分区存储，存到不同的主机。
PostgreSQL的分库分表方案很多，例如plproxy, pgpool-II, pg-xl, pg-xc, citus等等.
9. 看招，法宝9，递归查询
铁路有非常典型的上下文相关特性，例如一趟车途径N个站点，全国铁路组成了一个很大的铁路网。
递归查询可以根据某一个节点，向上或者向下递归搜索相关的站点。
比如在有哪些车可以直达北京，有哪些车可以转车到达北京，又或者查询从北京到拉萨，有哪些线路以及途经线路可以走。
10. 看招，法宝10，MPP，打完收工
为了持续的提高12306的体验，铁大哥还有数据挖掘的需求，比如今年春节应该对哪些线路增加车次，每天的车次增加的规划，哪些线路可以减少车次也能在春节前将用户送回家。
这些问题可以基于以往的运输数据进行挖掘计算，进行回答。
基于PostgreSQL的MPP产品很多，例如Postgres-XL, Greenplum, Hawq, REDSHIFT, paraccl, 等等。
使用PG可以和这些产品很好的融合，保持语法一致。
降低数据分析的开发成本。
10道法宝一出，师父又回来啦。
猴子请来的救兵厉害吧，别急，还有更厉害的，阿里云在PostgreSQL基础上做了很多的改进，比如对12306的系统，就有特别的定制特性。
三、阿里云PostgreSQL varbit, array增强介绍
在铁路购票系统中，有几个需求需要用到bit和array的特殊功能，这些特殊的功能目前社区版本没有，阿里云RDS PostgreSQL对此做了增强，如下。
1. 余票统计
统计指定bit范围=全0的计数
不指定范围，查询任意组合的bit范围全=0的计数
2. 购票
指定bit位置过滤、取出、设置对应的bit值
根据数组值取其位置下标。
回顾一下我之前写的两篇文章，也是使用varbit的应用场景，有异曲同工之妙
《基于 阿里云 RDS PostgreSQL 打造实时用户画像推荐系统》
《门禁广告销售系统需求剖析 与 PostgreSQL数据库实现》
PostgreSQL的bit, array功能已经很强大，阿里云RDS PostgreSQL的bitpack也是用户实际应用中的需求提炼的新功能，大伙一起来给阿里云提需求。
打造属于国人的PostgreSQL。
小结
本文从铁路购票系统的需求出发，分析了购票系统的部分痛点，以及数据库设计时需要注意的事项。
PostgreSQL的10个特性，以及阿里云对PostgreSQL的改进，可以很好的满足铁路购票系统的需求。
1. 使用varbit存储每趟车的每个座位途径站点是否已销售。解决了统计余票的需求、售票无空洞的需求。
2. 使用数组存储每趟车的起始站点，途经站点。数组类型支持索引，解决了高并发请求查询符合条件的列车信息的需求。
3. 使用skip locked特性，解决了一伙人来抢票时，在同一趟车的座位发生冲突的问题。
4. 使用pgrouting路径规划特性，解决了智能推荐乘车的需求。
同时还可以用在很多场景，比如金融风险控制，刑侦，社会关系分析，人脉分析等。
如果你感兴趣，网上有很多分析PostgreSQL, pgrouting, Neo4j的文章，PostgreSQL甚至比Neo4j更适合graph场景.
5. 多核并行计算，让更多的CPU同时帮你干活，例如快速的异步余票统计。
6. 减少坐席空洞的产生，保证更多的人可以购买到全程票。（购票时，如果是中途票，尽量选择已售的中途票）
7. 根据每个进程进行资源隔离，可以提高稳定性。
8. 对接HybridDB (基于GPHAWQ) MPP系统，语法一致，可以支持铁路系统的数据挖掘需求，节约了开发成本。
阿里云长期提供PostgreSQL, HybridDB ( 基于Greenplum, HAWQ ) 服务和支持。
另外还准备了很多技术大餐分享给大家，谢谢观赏。
