前言
分享一道网上很火的腾讯面试题:亿级用户排行榜怎么设计呢？换种说法，王者荣耀亿级排行榜，如何设计？
本文跟大家一起探讨一下，如何回答更好呢？
数据库的order by为什么不行？
为什么Redis是排行榜的“扛把子”？
Redis扛亿级数据可能存在哪些问题以及对应解决方案
实现方案：分治
巨人的肩膀，前人踩过的坑
1. 数据库的order by
很多小伙伴，一提到排行榜，就想到数据库的order by。
比如微信运动的步数排行：
select * from user_info order by step desc这个实现没有问题的，如果表的数据量少的话，反而推荐这样实现。如果数据量多呢。则存在问题，尤其还涉及亿级的数据量时~
在亿级用户+高并发实时更新的场景下，会彻底崩盘。 原因一句话：磁盘扛不住，排序算不动，并发撑不起。
2.为什么Redis是排行榜的扛把子
当数据量较大且需要实时更新并频繁查询时，使用 Redis 的zset有序集合更为适合。
zset是Redis提供的一种数据结构，它类似于集合（set），但每个成员都关联着一个分数（score），Redis 使用这个分数来对集合中的成员进行排序。
不仅仅是redis的zset支持排序，API简单易用，还因为redis的排序快、可扩展性强、能轻松应对高并发。
2.1 redis排序快
Redis 的数据全放内存，避免磁盘读写，核心操作秒回：
更新分数（ZADD）→ 快如闪电
查排名（ZREVRANK）→ 毫秒响应
查Top 100（ZREVRANGE）→ 瞬间出结果
以下为 Redis vs MySQL 性能对比（亿级数据）
| 操作 | Redis (Sorted Set) | MySQL (ORDER BY) |
|---|---|---|
更新单个用户分数 | 0.1ms | 5~50ms（索引更新代价高） |
查询用户排名 | 0.2ms | 100ms~5s（依赖索引和缓存） |
获取Top 100 | 1ms | 1s~10s（内存排序或临时文件） |
高并发支撑能力 | 10万+/秒 | 1000+/秒（需分库分表） |
2.2 可扩展性强
分片存储轻松应对亿级数据。
Redis通过分片存储将数据拆分到多个实例，如同把1亿用户分配到10个小数据库，每个只需处理1000万数据，轻松实现：
1️⃣ 线性扩展：加机器就能提升容量和性能
2️⃣ 压力分散：读写请求分摊到不同分片，避免单点瓶颈
3️⃣ 独立扩容：热点分片可单独升级配置，不干扰其他节点
类比理解：
把一仓库货物（数据）分装到10辆卡车（分片），每辆车只运1/10的货，装卸速度自然快10倍！
2.3 轻松应对高并发
Redis用内存操作+单线程+IO多路复用三把利剑，轻松切开高并发大山：
1️⃣ 内存闪电读写：数据全放内存，比磁盘快10万倍
2️⃣ 单线程无锁：避免多线程切换损耗，原子操作不怕并发冲突
3️⃣ IO多路复用：一个线程监听万个连接，像银行超级柜员同时处理多窗口业务
田螺哥打个比喻吧：
Redis就像一个超高效快餐窗口：
只卖预制菜（内存数据）→ 出餐快
一个收银员专注打单（单线程）→ 不手忙脚乱
智能叫号器管理排队（IO多路复用）→ 千人排队也能快速响应
据有关测试证明，单机Redis可扛10万+ QPS，分片集群轻松突破百万级并发。
3.Redis扛亿级数据可能存在哪些问题以及对应解决方案
3.1 热Key问题
比如“全服TOP100”榜单，容易造就热点key问题。
全服玩家频繁查询 ZREVRANGE leaderboard 0 99（获取Top 100），导致所有请求集中访问 同一个Key（leaderboard）。容易导致单分片CPU和带宽被打满（假设数据分片不均匀）。极端情况下Redis实例崩溃，全服排行榜瘫痪
可以通过这些方式解决：
1. 多级缓存（Redis + jvm本地缓存）
请求优先读本地内存缓存
缓存未命中时读Redis集群
Redis集群内部缓存Top 100（设置更短TTL）
读写分离 + 从库负载均衡
主库处理写请求（更新分数）。多个从库轮询处理读请求（查Top 100）
分片Key设计
操作：将排行榜按分数区间拆分成多个Key，例如：
leaderboard:top1（前100名）
leaderboard:top2（101~1000名）
leaderboard:rest（其他用户）
查询逻辑：查Top 100时，只需访问 leaderboard:top1。
3.2 内存爆炸
存储1亿用户，若每个键占32字节（如 user:123），仅键就需约3.2GB，加上分数和指针，内存压力巨大。
优化方案：
缩短键名：将 user:123 转换为整数（如123），利用 Redis 的 int 编码优化内存。
分片存储：按用户ID哈希分片到多个 Redis 实例，分散压力。
3.3 数据持久化风险
Redis 宕机可能导致最新数据丢失（即使开启AOF，默认每秒同步一次）。
容灾方案：
异步双写：更新分数时，同步写入 Kafka，由消费者异步落库 MySQL，用于故障恢复。
混合持久化：开启 RDB + AOF，平衡恢复速度与数据完整性。
4. 实现方案：分治
比如我们要查询王者荣耀巅峰赛的前一百积分的玩家。（其实就是一个TOP N问题）
我们可以按照这种思路：
按区间拆分
动态路由
聚合查询
4.1. 按区间拆分：把排行榜切成小块蛋糕**
怎么拆？
高分玩家放「金盘子」：2500分以上 →
rank:2500_2600中分玩家放「银盘子」：2400~2500分 →
rank:2400_2500低分玩家丢「大锅」：0~2400分 →
rank:0_2400
为什么快？
查Top 100只需翻「金盘子」，不用搅动整个大锅！
盘子越小 → 翻找速度越快
4.2 动态路由：玩家换区自动导航
怎么动？
玩家积分变化时，自动检测该去哪：
# 伪代码：2503分该放哪个区间？ if 2500 <= new_score < 2600: 扔进 rank:2500_2600 elif 2400 <= new_score < 2500: 扔进 rank:2400_25004.3 聚合查询：拼图式合并结果
怎么拼？
从高到低翻盘子：
先查「金盘子」→ 拿到前50名
不够100？再查「银盘子」→ 补50名
全局排序：
把两个盘子的100人按分数重新排座次
5. 巨人的肩膀，前人踩过的坑
慎用ZREVRANGE类全量操作
直接使用ZREVRANGE获取Top N时，若数据量过大（如1亿用户），会触发O(N)复杂度遍历，导致Redis线程阻塞
警惕黑马用户冲击分片策略
突然出现的高分用户（如积分暴涨至前0.1%）可能打乱原有分片规则，导致数据集中在某个分片引发热点。
内存爆炸与性能抖动
亿级用户存储占用内存超限，且RDB/AOF持久化时fork子进程引发内存翻倍。
数据迁移阻塞服务
用户积分跨分片迁移时，若未原子操作可能导致数据丢失或重复。
几何重构)
