选项：Overscan vs Underscan

Question

我在如何最好地构建我的（非常简单的）Firestore应用程序时遇到了一些麻烦。我有一组像这样的用户：

users: {
   'A123': {
      'name':'Adam'
   },
   'B234': {
      'name':'Bella'
   },
   'C345': {
      'name':'Charlie'
   }
}

...并且每个用户都可以像＆＃39;或者不喜欢＆＃39;任意数量的其他用户（如Tinder）。

我想构建一个＆＃34;喜欢＆＃34;桌子（或等同的Firestore），以便我可以列出我尚未喜欢或不喜欢的人。我最初的想法是创造一个＆＃34;喜欢＆＃34; user表中的对象，其布尔值如下：

users: {
   'A123': {
      'name':'Adam',
      'likedBy': {
         'B234':true,
      },
      'disLikedBy': {
         'C345':true
      }
   },
   'B234': {
      'name':'Bella'
   },
   'C345': {
      'name':'Charlie'
   }
}

如果我是查理并且我知道我的身份证，那么我可以列出我尚未喜欢或不喜欢的用户：

var usersRef = firebase.firestore().collection('users')
.where('likedBy.C345','==',false)
.where('dislikedBy.C345','==',false)

这不起作用（每个人都被列出）所以我怀疑我的方法是错误的，特别是＆＃39; == false＆＃39;部分。有人可以指出我如何构建这个的正确方向？作为一个额外的额外问题，如果有人改名，会发生什么？我是否需要更改所有嵌入式＆＃34; likesBy＆＃34;数据？或者我可以使用云功能来实现这一目标吗？

谢谢！

Answer 1

此问题没有完美的解决方案，但根据您想要的权衡取舍，您可以做其他选择。

选项：Overscan vs Underscan

请记住，Cloud Firestore仅允许根据数据集总大小进行扩展的查询。

这对于防止您构建在10个文档的测试中起作用的东西非常有用，但是一旦您开始制作并变得流行，它就会爆炸。不幸的是，这类问题并不适合这种可扩展模式，而且您拥有的配置文件越多，人们创建的内容越多，回答您想要的查询所需的时间就越长。

然后，解决方案是找到一个或多个可扩展且最接近代表您想要的查询。我可以想到两种选择，以不同的方式进行权衡：

过扫描 - ＆gt;做一个更广泛的查询，然后在客户端进行过滤
Underscan - ＆gt;做一个或多个可能错过一些结果的较窄查询。

过扫描

在Overscan选项中，您基本上交易增加的成本以获得100％的准确性。

考虑到你的用例，我想这可能是你最好的选择。由于配置文件的总数可能比个人喜欢的配置文件数量大几个数量级，因此过度扫描的成本增加可能是无关紧要的。

只需选择与您拥有的任何其他条件匹配的所有个人资料，然后在客户端，过滤掉用户已经喜欢的任何内容。

首先，获取用户喜欢的所有个人资料：

var likedUsers = firebase.firestore().collection('users') .where('likedBy.C345','==',false)

然后获取所有用户，检查第一个列表并丢弃任何匹配的内容。

var allUsers = firebase.firestore().collection('users').get()

根据比例，您可能希望优化第一步，例如每当用户喜欢某人时，为他们喜欢的每个人更新该用户的单个文档中的数组。这样，您只需为第一步获取单个文档。

var likedUsers = firebase.firestore().collection('likedUsers') .doc('C345').get()

由于此查询确实按结果集的大小进行扩展（通过将结果集定义为数据集），因此Cloud Firestore可以在没有一堆隐藏的不可扩展工作的情况下回答它。不可扩展的部分留待您优化（上面有两个例子）。

欠扫描

在Underscan选项中，您基本上可以交易准确性以获得更窄（因此更便宜）的结果。

这种方法比较复杂，所以你可能只想考虑它，如果出于某种原因，我喜欢Overscan选项中不喜欢不喜欢的比例。

如果您确实喜欢他们，那么基本的想法是排除他人，并接受权衡，即您可能也会排除您尚未喜欢的人 - 是的，基本上是Bloom filter

在每个用户个人资料商店中，true / false值的地图从0到m（我们将m转到false稍后），最初将所有内容都设置为true。

当用户喜欢该个人资料时，计算要插入到布隆过滤器中的用户ID的哈希值，并将地图中的所有这些位设置为C345。

如果我们使用m = 4，让我们说likedBy: { 0: false, 1: true, 2: true, 3: false }哈希到0110，那么你的地图就像：

现在，要找到您绝对不喜欢的人，您需要使用相同的概念对地图中的每个位进行查询。对于您的哈希为真的任何位m到var usersRef = firebase.firestore().collection('users') .where('likedBy.1','==',false)，请查询它为假：

false

等。（当我们将来支持OR查询时，这将变得更容易）。任何对用户的ID哈希值为true的位置具有m = 1675值的人肯定不会被他们所喜欢。

由于您不太可能想要显示所有配置文件，只需要显示单个页面，您可以随机选择一个ID为正确的哈希位并仅查询它。如果您的配置文件用完了，只需选择另一个真实并重新启动。

假设大多数个人资料被喜欢500次或更少次，您可以使用m将误报率保持在20％或更低。

有一些方便的在线计算器可帮助您计算每个配置文件的喜欢比例，所需的误报率以及m，for example here。

Overscan - 奖金

您会在Overscan选项中快速意识到，每次运行查询时，都会显示用户上次不喜欢的相同配置文件。我假设你不想要那个。更糟糕的是，用户喜欢的所有内容都会在查询的早期，这意味着您最终不得不一直跳过它们并增加成本。

有一个简单的解决方法，使用我在这个问题上描述的方法，Firestore: How to get random documents in a collection。这将使您能够从集合中提取随机配置文件，从而为您提供更均匀的分布，并减少在许多以前喜欢的配置文件上遇到障碍的可能性。

Underscan - 奖金

我怀疑你在Underscan选项中遇到的一个问题是非常受欢迎的个人资料。如果某人几乎总是被人喜欢，那么如果该个人资料的大小不合理以保留在单个文档中，您可能会开始超出布隆过滤器的用途（您希望8000小于说x% 1}}以避免在Cloud Firestore中遇到每个文档索引限制。

对于此问题，您希望仅为这些配置文件组合Overscan选项。使用云函数，任何超过popular映射设置为true的配置文件都会将{{1}}标志设置为true。在流行的旗帜上过度扫视所有人并将它们编织到你的Underscan结果中（记得做丢弃设置）。

Firestore，如何构建一个＆＃34; likesBy＆＃34;询问

1 个答案:

选项：Overscan vs Underscan

过扫描

欠扫描

Overscan - 奖金

Underscan - 奖金