2developers Mar 28 2017 at 17:54

Выборка случайной записи из таблицы с 700*10^6 строк

6 min

13K

MySQL*PHP*Website development*

112

Comments 112

maaGames Mar 28 2017 at 18:09

Если честно, не понимаю необходимости «случайности». Т.е. запрет на логины 0001, 0002, 0003 исходит из чисто эстетических хотелок заказчика. Единственное «разумное» объяснение, что он хочет скрыть количество зарегистрированных человеков. Я бы просто брал порядковый номер и обфусцировал/шифровал его, пока он не займёт необходимое количество бит. Т.е. нужно хранить только одно число — порядковый номер следующего пользователя. Учитывая, что речь идёт о 30 битах, то написать порождающую функцию без коллизий не выглядит сложной задачей.

alekciy Mar 29 2017 at 11:00

Вопрос безопасности не последний. Так что это не только вопрос эстетики. Часть взломов как раз базируется на том, что некий ID (в данном случае логин) известен в силу своей инкрементальности.

maaGames Mar 29 2017 at 14:07

Если у вас уже 700 млн пользователей, то любой случайный ID соответствует какому-то пользователю. Если в качестве порождающей функции использовать шифрование, то проблема безопасности если и не снимается, то снижается (т.е. простым инкрементом id не получить уже).
Опять же, сам по себе идентификатор пользователя не несёт угрозы безопасности, потому что как минимум надо знать ещё и пароль. Если же злоумышленнику достаточно знать id пользователя, то «у вас что-то не так».
Но я не настаиваю.

khrnsb4y Apr 2 2017 at 21:03

Мне попадалась задача сделать генерацию случайных кодов. По порядку решили их не выдавать, чтобы избежать случайных опечаток при вводе. С безопасностью это никак не связано, нужна была статистика. Сделал, как было описано в начале статьи, рекурсивно генерируя коды и проверяя, что они не существуют. Коды не долго живут, поэтому такой способ подходит. Но если бы они существовали долгое время и их было бы много, пришлось бы придумывать что-то подобное описанному.

alexeykuzmin0 Mar 28 2017 at 18:17

А чем вам изначальный вариант с генерацией случайного логина на лету не подошел? Скорость ответа будет реально деградировать лишь при приближении количества пользователей к лимиту (т.е. к 700 млн). То есть, если пользователь один — нам потребуется 1 запрос к базе для проверки его существования, если 350 млн — в среднем, два, если 467 млн — в среднем, три, и тд.
Неужели у вас действительно столько пользователей? Неужели при таком количестве пользователей самая серьезная проблема — это генерация логинов?

Пожалуйста, объясните, видимо, я чего-то не понял.

klev Mar 28 2017 at 18:55

У нас генерируется номер сертификата по такой же логике, пока доходит до 2-х тысяч в день, и с каждым годом только растёт.

2developers Mar 28 2017 at 22:18

Полученную строку можно рассматривать не только как логин, но и как уникальный номер. Сертификата, купона и т.п. Поэтому было решено написать алгоритм, который работал бы одинаково быстро при любом количестве уже сформированных строк.

alexeykuzmin0 Mar 29 2017 at 10:42

Если число пользователей (сертификатов, купонов, чего угодно) будет приближаться к максимально допустимому, нужно будет срочно расширять диапазон, в любом случае, это не будет штатным режимом работы. Зачем закладываться на это случай? Ради вероятности того, что кто-то даст гарантию, что будет 699 млн пользователей, но не будет 700 млн?
В качестве упражнения задача интересная, но куда более красивым (и эффективным) было бы следующее решение:

Генерим 700 млн логинов по порядку и складываем в массив — это всего 5.6 Гб
Когда приходит запрос — генерируем случайное число от 0 до текущего размера массива — 1, включительно
В качестве ответа на запрос выдаем логин, лежащий в массиве на позиции, указанной этим случайным числом
Удаляем этот логин из массива, методом «поменять местами с последним и уменьшить размер на 1»

Вот и все. Оптимально как по памяти, так и по времени. Конечно, возникнут вопросы, если нужно high availability, но в вашем решении оно тоже никак не освещено.

Anarions Mar 29 2017 at 11:44

«Всего» 6 гигов памяти на хранение не созданных (по сути бесполезных) логинов. Это правда красиво и эффективно?

alexeykuzmin0 Mar 29 2017 at 11:49

Если требуется, чтобы они все были созданы, да еще и с жесткими ограничениями на время генерации одного логина — да. Если знаете решение лучше в этих условиях (O(1) на время генерации одного логина), поделитесь.
А вот если, как у автора, пользователей никогда не станет даже 350 млн, первый же подход «на лету» лучше всего.

alexeykuzmin0 Mar 29 2017 at 12:03

При наличии требования «чтобы не требовалось памяти больше, чем O(число уже запрошенных логинов)», можно сделать немного более сложный алгоритм:
Храним все уже выданные логины в боре.
В каждом узле бора храним еще размер поддерева.
Для генерации нового логина проходимся по бору сверху вниз, каждый раз выбирая поддерево рандомно, с вероятностью, пропорциональной числу свободных логинов в нем. Если поддерева нет, то его размер считается равным 0, число свободных логинов посчитать несложно, и при переходе мы создаем новый пустой узел.

Такой алгоритм будет требовать больше памяти (на хранение размеров и указателей на детей в боре) при приближении к лимиту логинов, но в начале будет гораздо экономнее.

DjOnline Mar 31 2017 at 14:03

У сертификата как минимум внутри должна быть зашифрована чексумма, которая даст дополнительную защиту от перебора в лоб.

terrier Mar 28 2017 at 18:43

Ожидал, что в конце получится микросервис по выдаче случайной строки с кластером из Cassandra-нод. И вывод из статьи типа «Теперь все уже почти работает, осталось только решить проблемы с консистентностью и наши пользователи наконец-то смогут насладиться своими уникальными логинами».

Присоединюсь, однако, к тем, кто не совсем понял — вот в последнем абзаце параграфа «Новый подход» — я так понял у нас есть файлик с 700 млн. логинов, мы потихоньку пэхэпэшкой берем из него случайные строки и запихиваем их в бд. Где тут плохое распределение?

2developers Mar 28 2017 at 22:25

Распределение будет хорошее. Но взять из такого большого файла одну случайную строку не быстрее, чем из базы. Верно?

terrier Mar 28 2017 at 22:50

Ну, во-первых, скорее всего быстрее ( мы не парсим SQL, мы не работаем с буффером базы и т.д. )
во-вторых, если мы понимаем, что наша строка фиксированной длины, то заммапив файл в память мы просто читаем данные по фиксированному сдвигу ( уверен в PHP есть механизмы как это сделать )
и в-третьих и в главных — мы можем это делать оффлайн — кинули, например 100 тысяч уникальных чисел в случайном порядке, достали в память соответсвующие строки ( и удалили из файла ), записали их в базу.
Это мы сделали оффлайн. После этого онлайн остается только достать из базы следующую по порядку запись ( а там уже лежат наши логины в случайном порядке ), это быстро. Когда эти 100 тысяч начнут кончаться — запишем в базу еще 100 тысяч

AHDPEu Mar 29 2017 at 15:18

Это точно быстрее, если каждая запись занимает одну длину и они уже случайно перемешаны.
Не уверен, что есть функция в php, которая сотрёт запись из середины без перезаписи всего файла.

Была у меня подобная задача, я затирал начало файла пробелами и записывал сдвиг. Ночью переписывал файл, удаляя пробелы. В этом момент можно ещё раз отсортировать.

AHDPEu Mar 29 2017 at 15:34

Я тут подумал, зачем затирать? это глупо. Просто сдвиг и хватит

terrier Mar 29 2017 at 15:46

Если мы боимся удаления из файла, то можно просто сгенерировать 700 миллионов уникальных чисел, записать в файл рядышком и это будет тот порядок, в котором мы забираем строки из первоначального файла ( то, на какой строке в этом файле мы сейчас находимся нужно запоминать отдельно ).
Но реально, поскольку это оффлайн операция, то окей, пусть даже мы постоянно переписываем файл — сколько это займет на ноутбуке разработчика — минуты? десятки минут? ну и окей.

klev Mar 28 2017 at 18:43

Спасибо за предложенное решение, и описание всего процесса поиска. У нас сейчас используется Алгоритм генерации “на лету”, пока проблем нет, но меня это уже беспокоит. Есть номер подарочного сертификата, который должен быть уникальным, и при этом случайным. Сам шаблон похож на ваш: ZZ-888-999999999. Конечно шаблон менее важен, интересно само решение данной проблемы.

alexeykuzmin0 Mar 28 2017 at 19:07

А что беспокоит-то? Если у вас (как вы написали в другой ветке) около 2 тысяч генераций в день, то за 10 лет накопится около 7.3 млн записей в базе. При этом пространство значений очень велико, коллизий почти никогда не возникает, т.е. на одну генерацию потребуется 1 поиск в базе (и добавление). Неужели один-единственный поиск в MySQL таблице на 7.3 млн записей выполняется ощутимое время?

klev Mar 28 2017 at 19:23

Проблем со скоростью пока нет, хотя я и не проверял, сколько запросов и времени используется при поиске свободного сертификата. Мне интересно, насколько проблема надумана мной, и когда надо начать беспокоиться. Проекту уже 8 лет, правда пока приблизились только к 2 млн.

2developers Mar 28 2017 at 22:34

Определенно, беспокоиться не стоит. Но интересно же найти элегантное решение, правда?

Petrik Mar 29 2017 at 10:23

По вашему хранить в базе 700 миллионов строк это элегантно? Вы же еще наверное бэкапы базы делаете. Сколько в итоге места это все занимает?

AlexTest Mar 29 2017 at 17:18

Итак, что же хочет заказчик
Есть конечный набор логинов. Необходимо каждому новому пользователю генерировать случайный логин из этого набора. Логин должен быть уникальным для каждого пользователя, он формируется по шаблону XX999999, где X — буква английского алфавита, 9 — цифра от 0 до 9.

Не хватает одного важного параметра — максимального времени на генерацию такого логина.
Т.к. разное время предполагает разные способы решения. Например если надо не дольше чем за 3 секунды, то можно предложить и «более элегантные» решения.

alexeykuzmin0 Mar 29 2017 at 10:32

Дык по рассчетам получается, что проблем и не будет — запросов к базе в среднем будет 1, пока число сгенерированных сертификатов не приблизится к половине от возможных (я так понял, в вашем случае это случится через многие тысячи лет). Насчет скорости работы самой базы я не уверен — вроде как, при настроенном индексе тоже от размера зависеть не должно, но даже если и будет — сделаете шардирование, и дело с концом.
Не переживайте, проблема высосана из пальца.

OldFisher Mar 28 2017 at 18:58

Берём пристойный симметричный шифр с произвольным размером блока, выбираем ключ наугад и шифруем им последовательные номера, получаем кажущуюся случайной последовательность с хорошими статистическими характеристиками, с гарантией отсутствия повторов. Скорость алгоритма не зависит от количества записей.

alekciy Mar 29 2017 at 11:04

Это если есть возможность изменения заданного шаблона. Это не всегда возможно, т.к. ограничение может быть продиктовано другими связанными системами.

OldFisher Mar 29 2017 at 14:34

Изменять шаблон не требуется. Шифр — это по сути функция от целого числа, работающая в определённом диапазоне. Шаблон у ТС без труда преобразуется в число в диапазоне от 0 до 675999999 и обратно, так что нам всего лишь нужно хорошее преобразование, работающее в том же диапазоне.

alekciy Mar 29 2017 at 16:10

А какой механизм гарантирует, что в ходе преобразования выдается новое уникальное рандомное число из диапазона от 0 до 675999999 (без похода в базу/кэш/файл/память что бы убедиться, что оно ранее не выдавалось)?

OldFisher Mar 29 2017 at 19:23

Счётчик выдаёт каждый раз новое уникальное число, шифр делает его похожим на случайное.

alexeykuzmin0 Mar 30 2017 at 12:38

А где гарантия, что шифр 100% обратим, т.е. что числам 0 и 1 будут соответствовать разные шифротексты? Обычно от шифров это не требуется.

copist Mar 30 2017 at 13:02

base64 c иным набором или порядком алфавита :)

OldFisher Mar 30 2017 at 15:02

Ещё как требуется-то, потому что если шифр не биекция, то как его вообще расшифровывать?

alexeykuzmin0 Mar 30 2017 at 16:10

Да, что-то я хрень сказал, надо больше спать.
Прошу понять и простить.

nightwolf_du Mar 28 2017 at 19:15

Странная задача.
Можно сгенерировать весь набор доступных логинов на стороне вашего языка, 700кк это не много, и перемешать случайной сортировкой, например взяв md5 от логина. Положить их в базу и отдавать новый по порядку.
Последнего не занятого хранить в потокобезопасном кэше.
Собственно говоря, можно обойтись даже без базы, просто файликом и читать его со смещением по памяти на нужную строку. Благо длину строки можно сделать стандартной.
Если для вас 700кк 8ми символьных строк — это много, можно выбрать несколько произвольных диапазонов и по мере нужды генерить новые диапазоны.

KeLsTaR Mar 29 2017 at 13:16

Но в статье же описано что по порядку из базы не получится. Индексов в таблице с логинами у них нет (там только одно поле), а делать OFFSET у них долго, так как для этого MySQL перебирает все строки подряд с первой.

alekciy Mar 29 2017 at 16:15

Так о чем nightwolf_du и говорит: «и перемешать случайной сортировкой», т.е. речь о том, что бы как угодно долго нагенерить, перемешать и записать. А уже потом последовательно вычитывать (т.е. предгенерация не только самих значений, но и рандомность).

KeLsTaR Mar 29 2017 at 16:49

Да я про генерацию рандомности понял. Вопрос именно вот в этом «последовательно вычитывать».
К примеру, как вы будете последовательно вычитывать?

alekciy Mar 29 2017 at 17:27

Банально тупо в лоб я бы добавил сюда инкремент в redis-е. Атомарно, быстро, гарантированно без коллизий.

KeLsTaR Mar 29 2017 at 18:11

Конкретно в данной задаче одно из условий стоит не использовать NoSQL.

nightwolf_du Mar 29 2017 at 18:57

Если <id, запись> не подходит — можно либо попробовать вычитку по внутреннему уникальному id записи в базе, (если это возможно для myssql, для pg насколько я знаю — варианты есть).
Но самый лучший способ — просто положить в обычный файл на диске и читать со смещением по строкам в памяти.

alekciy Mar 29 2017 at 22:30

SM + семафоры и «NoSQL» не требуется.

alekciy Mar 29 2017 at 17:31

Но это для конкретно предложенного тут в треде варианта. Потому как изначально в базе я бы вообще не стал хранить данные автора.

maximw Mar 30 2017 at 08:03

Как сделать sequence на MySQL

copist Mar 30 2017 at 12:56

Другой вариант, безопасный для транзакций, проверялся в тестах на генерацию миллиона идентификаторов в 100 потоков — не было пропусков или дублирующихся идентификаторов.

--- таблица для хранения идентификаторов
DROP TABLE IF EXISTS `sequence`;
CREATE TABLE `sequence` (
  `name` varchar(80) COLLATE utf8_bin NOT NULL,
  `value` int(20) unsigned NOT NULL,
  PRIMARY KEY (`name`)
) ENGINE=MyISAM DEFAULT CHARSET=utf8 COLLATE=utf8_bin;

-- процедура для получения очередного идентификатора
DROP FUNCTION IF EXISTS `sequence_next`;
DELIMITER ;;
CREATE FUNCTION `sequence_next`(sequence_name char(80))
RETURNS int(20)
NOT DETERMINISTIC
BEGIN
    -- last_insert_id() умеет устанавливать новое значение
    -- из-за MyISAM работает вне транзакции
    update sequence set value=last_insert_id(value+1) where name=sequence_name;
    return last_insert_id();
END ;;
DELIMITER ;

-- инициализация последовательности
INSERT INTO `sequence` (`name`, `value`) VALUES ('login',123456789); -- инициализация не с нуля, для примера

Взять следующий

SELECT sequence_next(:sequence_name) as `value`;

Видел в интернет вариации таблицы sequence чтобы там были значения минимума, максимума, инкремента, но на практике не сталкивался с тем, чтобы прирост был отличный от единицы и счётчика останавливался.

Если надо — допишу такое :)

copist Mar 30 2017 at 13:00

Вообще мой ответ такой же как Ваш.
Извините, весь тред ответов на SO не прочитал заранее.

amaksr Mar 28 2017 at 19:18

Может стоило объяснить заказчику, что хранить 700 млн записей, которые и данных то не содержат, это как бы моветон? Тут и требования, и компетенция того, кто их составлял, вызывают вопросы…

Akuma Mar 28 2017 at 19:33

Хм. У меня на проекте генерируются случайные токены для каждой сессии, которые тоже должны быть уникальным и хранятся в БД.

Сгенерил — проверил на уникальность. Если не катит — все по новой.
При 16000 зарегистрированных пользователях вообще никаких проблем.

Можно конечно придумать чо-то мега-крутое и супер-быстрое, но честно, когда у меня будут миллионы пользователей, я смогу позволить себе другие технологии и сервера. А сейчас нет смысла заморачиваться.

Кстати, могли бы использовать какой-нибудь Elasticsearch. Он вам и рандомную запись выберет очень-очень быстро и все что угодно. И ставить/настраивать довольно просто.

mickvav Mar 28 2017 at 19:55

Нагенерировать заранее 700 млн случайных чисел, однозначно отображающихся в нужный алфавит, собрать табличку с полями
id(непрерывный список из 700 млн чисел)
login (случайный, заранее сгенерённый логин, про который заранее предпроверена уникальность. Прожку написать на C, она вам быстро сгенерит, чего надо. Для проверки незанятости можно в битмап положить имеющиеся логины — вам понадобиться всего ~80 мегабайт оперативки).
табличу с пользователями сделать c id-никами и с автоинкрементом, login копировать при создании пользователя и не показывать в интерфейсе.

mickvav Mar 28 2017 at 19:57

Да, когда останется ~ 1% свободных логинов, придется их переложить в какую-нибудь другую структуру данных — в массив, например и выбирать рандомно уже только из свободных.

UFO just landed and posted this here

2developers Mar 28 2017 at 22:45

Можно и в базу записывать, тоже будет быстро и не скоро начнет тормозить. Но хотелось решить задачу «идеально».

UFO just landed and posted this here

alexhott Mar 28 2017 at 21:06

гуиды надо было выдавать,
ну то есть алгоритм поставить в зависимость от времени, географии или еще чего нибудь
и сравнивать с уже существующими
итого не держать кучу ненужной инфы

Caravus Mar 28 2017 at 21:44

Тоже в перую очередь подумал про UUID. Если не дают создавать сови логины, значит никто не расчитывает что пользователи их будут запоминать, значит можно вообщ любой делать, какая разница что пользователь будет копировать из тектовика/письма.

alekciy Mar 29 2017 at 11:15

...UUID и их предгенерация и складирование в быстрый кэш. Потому как хорошая реализация UUID все равно на генерацию требует времени больше, чем просто взять готовую запись их хранилища. Сам использую минутный крон который заполняет очередь Redis (обычные FIFO через lpush/rpop команды) не более чем Х готовыми UUID (Х зависит от требуемой скорости отдачи и потребляемой памяти). Получается очень простая и быстрая реализацию не требующая много памяти и не допускающая коллизий.

catanfa Mar 28 2017 at 21:13

я бы предложил использовать простейшую очередь из свободных логинов, например, на основе beanstalkd или rabbitMQ. Чтение очередного сообщения (в данном случае свободного логина) займёт микроскопическое время, сам сервер очередей гарантирует, что одинаковый логин не достанется двум разным потребителям.
Конечно, все 20Гб в очередь пихать не стоит, а лучше состряпать демона, который в бекграунде будет периодически проверять эту очередь и наполнять её новыми логинами.

но всё это конечно при условии, что нельзя изменить немного дикую постановку задачи.

alexeykuzmin0 Mar 29 2017 at 10:46

Откуда 20Гб? Всего лишь 5.6 Гб. А если вместо текста логина выдавать его номер — будет всего 2.8 Гб.

wildraid Mar 28 2017 at 21:21

(удалено)

codecity Mar 28 2017 at 21:22

Масштабы катастрофы

Элегантное решение вашей задачи находится в области криптографии.

В базе каждому пользователю присваиваете порядковый номер (identity), а наружу отдаете криптографически преобразованное значение. И обратная операция — снаружи принимаете криптографически преобразованное значение (в нужном вам формате), применяете обратную функцию и получаете порядковый номер.

А вот с необходимыми алгоритмами как раз и нужно подумать.

Блочный шифр вам не подходит, так как размер блока редко менее 8 байт, числа будут слишком громоздкими.

Поточный шифр подойдет, но при использовании одного и того же ключа для шифровывания открытых данных (Id является открытым, по сути) не будет криптостойко. Можно попробовать сначала сделать XOR вашего ID с ключом, затем поточный шифр0. Получите красивое уникальное значение в требуемом формате из которого, путем обратной функции, сможете получить ваш ID.

Если требуется криптостойкость — то нужно потратить время на подбор алгоритма.

KIVagant Mar 28 2017 at 21:34

Тут видимо частью задачи является читаемость и запоминаемость для пользователей. Вроде как «мой логин XX00534».

codecity Mar 28 2017 at 23:07

Вы можете преобразовать к любому формату. Это легко делается.

nitrok Mar 29 2017 at 08:44

Расскажите, пожалуйста, как преобразовывать к требуемому формату.

codecity Mar 29 2017 at 11:32

Наш формат XX999999, где XX — две буквы латинского алфавита. Всего возможных вариантов 10^6 * 26^2 = 676 млн., то есть любое число от 0 до 676 млн. соответствует красивому значению. Преобразовать такое число — остаток от деления на 10 — находите последнюю цифру, потом делите на 10 целочисленно и опять остаток отделения на 10 (вторую цифру)… потом остаток от деления на 26 для получения буквы.

Ваши ID-шки тоже должны быть не более 676 млн.

Остается сделать так, чтобы после преобразования ID-а число не выходило за пределы 676 млн. Так как преобразования закольцованы (т.е. результирующих чисел столько же, сколько входящих), то если ваше результирующее будет больше 676 млн., просто вычитайте из него 676 млн. При обратном преобразовании пробуйте придется прибавать 676 млн. Примерно так, детально нужно смотреть.

copist Mar 29 2017 at 15:49

Автор упомянул, логин используется также в качестве ключа доступа (наверное, API)

Можно отдельно хранить ~~бесполезно~~ «красивый» короткий ключ, а для API выдавать 64-символьную свёртку sha256 «солёного» id пользователя

KIVagant Mar 28 2017 at 21:39

Как по мне, раз уж городить огород, то один раз загнать в любую БД/файл уже случайно-сортированную последовательность — это несложно. Ну и как верно заметили, два параллельных запроса создадут коллизию. Можно пробовать использовать DELETE вместо SELECT и, если строка была затронута, — считать этот логин доступным.

nightwolf_du Mar 28 2017 at 21:49

Для этого существуют sequence.

2developers Mar 28 2017 at 22:51

загнать в любую БД/файл уже случайно-сортированную последовательность — это несложно

ну вот, оказалось что сложно

alekciy Mar 29 2017 at 11:18

Складываем в атомарную очередь (сам использую Redis) и валя, коллизий нет.

mogul Mar 28 2017 at 22:03

Реально вот так вот взяли, и воткнули в бд таблицу на 700М записей?

2developers Mar 28 2017 at 22:55

Да, отличный опыт.)

xmetropol Mar 28 2017 at 22:03

Тут недавно была волна на тему необходимости знаний алгоритмов и структур данных. КМК данный пост наглядно демонстрирует ответ на этот вопрос.

klev Mar 28 2017 at 22:44

В тему того, насколько бывает важно быстро получить простые, уникальные и не идущие по порядку числовые или буквенные коды:

https://habrahabr.ru/company/boxowerview/blog/201308/
https://habrahabr.ru/company/boxowerview/blog/201590/

Там, из-за того, что все коды купонов шли один за другим, их очень быстро подобрали.

Понятное дело, что уровней защиты должно быть несколько, и уникальный код, только один из них.

sphinxy Mar 28 2017 at 22:56

Искренне надеюсь, что весь пост написан всерьез, а не ради троллинга. 20 гигабайт табличка ради генерации псевдослучайного числа это не очень хорошо. А если бы заказчик попросил XX99999999999?

«Оказалось, что на деле получится около 700 миллионов логинов» звучит как «мы сначала написали, запустили, потом узнали сколько это итого, ого!». Это комбинаторика же, базовая формула любая подходящая, сразу можно было посчитать.

Как уже сказали, при таком количестве вариантов шанс попасть в занятый логин минимален, даже при половинном заполнении базы, что очень-очень малореально, там пара запросов будет в среднем, не было смысла всё это городить.

А финальное решение очень похоже на открытый метод разрешения коллизий в хеш-таблицах, здорово что вы его переизобрели.

2developers Mar 29 2017 at 09:10

Если бы условия задачи были другие, то и решение было бы другое. Количество вариантов было заранее посчитано, с комбинаторикой у нас все в порядке.

при таком количестве вариантов шанс попасть в занятый логин минимален, даже при половинном заполнении базы, что очень-очень малореально

Да, так и есть. Хотелось «идеального решения», поэтому смысл заморочиться с этим был. Интересная задача

sphinxy Mar 28 2017 at 23:01

И еще. Раз уж формат это две буквы и число, что мешало хранить его в базе в двух колонках, первая для букв как varchar и вторая уже для цифр как int или кто там в mysql минимален по размеру и вмещает 999999?
Можете проверить, занимаемое таблицей место ведь в разы уменьшится?

2developers Mar 29 2017 at 09:12

занимаемое таблицей место ведь в разы уменьшится?

Я не совсем понял вашу идею. Если уменьшится количество строк, то занимаемое место уменьшится, да.
А как дальше быть с таблицей? Как выбирать случайную строку, как удалять. Поясните, хотя бы кратко.

sphinxy Mar 29 2017 at 09:40

идея не количество строк изменить а другой тип данных использовать для сохранения. Сейчас, чтобы хранить в базе AA123456, вы используете грубо по одному байту на каждую позицию, тот самый varchar(8), хотя тут надо просто char(8). Итого 8*700M = 5.6 Gb чисто данных в базе минимум. Откуда там 20 Gb кстати?

Если хранить как char(2) и mediumint, то есть insert into logins (valueLetters, valueNumber) values ('AB', '123456'), то есть получится 2 байта на буквы и еще 3 байта на номер, итого 5 байт, 8*700=3.5Gb, процентов 40 выигрыш по объёму.

Запрос на поиск: select * from logins where valueLettes='AZ' and valueNumber=123456. Инкремент станет чуть-чуть сложнее, конечно.

Mediumint тут хватает, у него максимальное значение 8388607 в mysql.

Voenniy Mar 28 2017 at 23:25

Честно говоря, я такую задачу всегда на собеседовании спрашиваю (найти случайного юзера который выиграл в лотерею). И в случае с цифровыми id надо делать where id >= $phprand (вы в статье сравниваете)
Но задача получилась в стиле — вначале придумаем проблему, потом стойко ее будем решать.

2developers Mar 29 2017 at 09:26

Согласен, хороший вопрос для собеседования. Можно оценить уровень знаний кандидата, ну или посмотреть, как он рассуждает.
На счет решения проблем — именно на таких задачах и нарабатывается опыт. Можно было бы остановиться на генерации «на лету» и это прекрасно работало бы несколько лет. Но была возможно сделать чуть более идеальнее, почему нет.

alexeykuzmin0 Mar 29 2017 at 10:58

Без обид, но если бы у меня на проекте джун написал такое «чуть более идеальное решение», я бы ему руки оторвал.
Потому что генерация «на лету» перестала бы работать лишь при приближении числа пользователей к общему доступному числу логинов, скажем, после 600-650 млн. Даже если предположить, что все остальные системы без проблем переживают такую нагрузку, в этот момент возникает важная бизнес-проблема: пользователям вот-вот перестанет хватать логинов и все рухнет, и поэтому принимается волевое решение добавить к логину одну цифру, после чего все работает.
Вывод: вы существенно снизили читаемость кода в угоду случаю «нам гарантируется, что пользователей будет меньше 700 млн, но мы ожидаем 699 млн». Только вот в реальности таких гарантий никогда не бывает, так что вы снизили читаемость кода просто так.

В качестве упражнения, «олимпиадной задачки», это, конечно, интересно, но в этом случае тут база вообще не нужна, массива хватит.

UFO just landed and posted this here

maximw Mar 29 2017 at 02:25

Берете два больших простых числа q и m, причем m в районе 700 миллионов, ну или какая нужна мощность множества логинов. И делаете как при сравнении по модулю m, т.е. решаете уравнение q = mt + r, где q и m — выбранные простые числа, t — порядковый номер очередного пользователя, r — искомый случайный айдишник, который потом нехитрыми преобразованиями можно конвертировать в нужный вам флрмат с буквами и цифрами.

glagola Mar 29 2017 at 02:40

Мне кажется все гораздо проще. Достаточно хранить интервалы пустых значений в БД (таблица из 2 колонок):

выбрать интервал из БД случайным образом
выбрать случайное значение в рамках выбранного интервала
удалить найденный на 1 шаге интервал из БД
разделить интервал найденный на 1 шаге на два, так чтобы он не содержал выбранного на 2 шаге значения
сохранить 2 новых интервала в БД

copist Mar 29 2017 at 09:17

Мне кажется намного более простым хранение одного целого для порядкового номера пользователя и функцию свёртки числа в строку в виде перевода в N-значную систему исчисления, как делается для base64, только алфавит использовать свой, ещё и рандомно отсортированный.

Класс симметричного перевода числа в строку (PHP) github.com

Пример использования:

$alphaId= new AlphaId(array(
	'min_length' => 8, // какой длины символьный код
	'passkey' => 'соль',
));

$login = $alphaId->toAlpha($userId); // $userId = порядковый номер пользователя

// можно сохранить в БД, а можно "развернуть обратно"
$userId = $alphaId->toId($login);

Чтобы подогнать под требование «код должен быть XX999999» — переписывайте функцию свёртки и развёртки.

Например, комбинацией двух AlphaId, один из которых работает с буквами, а второй c цифрами.

P.S. Дурацкие логины у вас. Смысл делать их рандомными, если они всё равно в итоге, при 100% заполнении, будут последовательными.

copist Mar 29 2017 at 09:29

И несмотря на определённую закономерность в последовательности, логины — это не купоны.
Ну и что в том, что они предсказуемо последовательны?
К логину ещё пароль добавляется.

Защищайтесь от брутфорса паролей, а не от подбора логинов.

jjet Mar 29 2017 at 09:28

1. В вашем случае, можно хранить целые числа в одной колонке, это уменьшит размер таблицы как минимум в два раза. Максимальное значение будет 675999999, и оно спокойно умещается в Integer. Кодировать числа в логины можно следующим образом:

Encode to integer

<?php
global $alpabet;
$alpabet = "ABCDEFGHIJKLMNOPQRSTUVWXYZ";

function encode($value) {
	global $alpabet;	
		
	$part3 = $value % 1000000;
	$value /= 1000000;
	
	$part2 = $alpabet[$value % strlen($alpabet)];
	$value /= strlen($alpabet);
		
	$part1 = $alpabet[$value % strlen($alpabet)];
	
 	return sprintf("%s%s%'.06d", $part1, $part2, $part3);
}

function decode($value) {
	global $alpabet;	
		
	$result = strpos($alpabet, $value[0]);
	$result *= strlen($alpabet);
	
	$result += strpos($alpabet, $value[1]);
	$result *= 1000000;
	
	$result += intval(substr($value, 2));
		
 	return $result;
}

echo decode("ZZ999999");
echo "<br>";
echo encode(675999999);
echo "<br>";
echo decode("BA999999");
echo "<br>";

2. Так же в глаза бросается проблема с concurrency.
Чем меньше будет оставаться записей в базе, тем больше вероятность того, что два потока смогут взять один и тот же логин.
Её можно решить, добавив проверку кода возврата при удалении логина. Т.е. нужно выбирать другой логин (делать retry) если удалить не получилось, значит этот логин уже взял другой поток.

dezconnect Mar 29 2017 at 10:47

Всегда думал, что знания у full stack девелопера должны быть достаточно сильные, чтобы так себя называть.
А так… Н — некомпетентность.

2developers Mar 31 2017 at 12:21

Это вопрос терминологии. Для меня full stack означает ширину знаний, а не только глубину. Вполне естественно, что в каких-то областях опыта больше, а в каких-то меньше.

alekciy Mar 31 2017 at 13:45

А какой опыт работы в отрасли в режиме full time? Особо подчеркиваю, что не фриланс, а именно как основная работа и основной способ заработка? И сколько именно в звании «full stack»?

P.S. Вопрос «Сколько времени суммарно в часах от момента возникновения задачи до выкатки в прод?» так и остался без ответа.

2developers Mar 31 2017 at 19:46

Алексей, к чему эти личные вопросы? Вы что хотите доказать?

alekciy Mar 31 2017 at 22:07

Ничего. Просто для статистики плюс просто отвечаю на комментарий чуть ниже. Если вопросы слишком личные — не отвечайте. Вопрос в P.S. к личным не относится и задается безотносительно уровня человека/проекта.

alekciy Mar 29 2017 at 11:24

Приведенное в статье решение плохо по многим критериям (в принципе в комментариях их уже все перебрали) и такой уровень для "full stack web developer" явно слабоват. Статью нужно ставить под тег «как НЕ нужно делать».

copist Mar 29 2017 at 15:51

Новички часто спрашивают пример разбора полёта задачи по проектированию.

alekciy Mar 29 2017 at 16:19

Но не виде же хабр статьи! Помилуйте, милейший, нас же читают дети!

2developers Mar 29 2017 at 20:33

Раз уж даете такую резкую оценку статье и моему уровню, хотелось бы получить более развернутый ответ, чем плохо решение.

UFO just landed and posted this here

alekciy Mar 29 2017 at 22:47

В комментариях критики более чем достаточно. На «Big Data» задача не тянет ни как. Это небыло бы в принципе проблемой, не будь написано так пафосно. Прометей несет огонь людям… А задача тривиальная даже для мидла.
Сколько времени суммарно в часах от момента возникновения задачи до выкатки в прод?

amaksr Mar 29 2017 at 23:28

У меня как-то еще в студеньчества была следующая задача: необходимо было сделать анимацию, показывающую картинку попиксельно, причем пиксели должны были зажигаться в случайном порядке, и зажечься все за конечное время. Решено было следующим образом:
— в цикле все пиксели перебирались последовательно
— порядковый номер пикселя прогонялся через самодельную функцию шифрования, о которой ниже
— функция шифрования выдавала номер пикселя, который нужно зажечь.
Функция шифрования принимала параметром число в некоем диапазоне, а результатом выдавала другое число в том же самом диапазоне. Главное требование к функции: одному входному значению соответсвует одно выходное, и соответственно, наоборот. Примеры таких функций:
— операции сложения, вычитания, XOR с фиксированным параметром
— циклические сдвиги
— перестановки битов
— функция маппинга 1->1 по заранее рассчитанной случайной таблице
— любые другие подобные обратимые операции, которые не теряют биты
— их комбинации
В моем случае функция состояла из нескольких таких шагов, чтобы визуально анимация воспринималась без повторений, все работало быстро, естественно, без использования SQL, NoSQL и прочих излишних вещей.
Ваша задача могла бы быть решена подобным образом.

2developers Mar 31 2017 at 12:23

такой уровень для «full stack web developer» явно слабоват.

написал в этом комментарии свое мнение по поводу уровня

vlanko Mar 29 2017 at 15:59

Хранить в базе все логины, отсортированные по имени будет сложно?

michael_v89 Mar 29 2017 at 19:17

У меня есть мысль, что раз нужны случайные логины, то между ними должны быть промежутки. Потому что иначе в предельном случае нет разницы, сгенерировали мы 700 млн вразброс или по порядку. Все равно куда ни ткни попадешь в существующий логин.

Для какой цели это делалось, если не секрет?

2developers Mar 29 2017 at 20:24

Если не вдаваться в детали, то это сервис, который генерирует логины по заранее заданному шаблону.

michael_v89 Mar 29 2017 at 20:57

Это понятно, а почему нельзя последовательно генерировать?

2developers Mar 30 2017 at 09:36

Нельзя по условиям задачи.

Vahan Mar 29 2017 at 20:15

Этж элементарно. При генерации прицепите еще рэндомный ключ от 1 до 700KK, сортируйте по этому ключу и выбирайте по очереди.

vlanko Mar 31 2017 at 11:05

звучит гениально. Может, такая случайность их не устраивала?

2developers Mar 31 2017 at 12:36

это добавление еще одного поля — увеличит вес таблицы. Да и я не уверен, что сортировка по этому полю будет быстрее чем RAND(). Точнее, приемлемо быстрой

alexeykuzmin0 Mar 31 2017 at 14:40

Да и я не уверен, что сортировка по этому полю будет быстрее чем RAND().

Она делается оффлайн, при подготовке данных. Пусть хоть месяц занимает.

AlexMal Mar 31 2017 at 12:28

Почему бы, в самом начале при генерации всех логинов, не расположить их в случайном порядке? А в базе добавить поле «использован». Тогда, логины можно было бы использовать по очереди, не опасаясь повторений и прямой итерации.
3 поля в БД: id(PRIMARY, AUTO INCRREMENT), login(VARCHAR 8), isUsed(bool).
тогда, брать одну строку по ключу и с isUsed = false.

2developers Mar 31 2017 at 12:30

Почему бы, в самом начале при генерации всех логинов, не расположить их в случайном порядке?

Генерация логинов выполнялась блоками. Нам не понравилось перемешивать их блоками. А если перемешивать их уже после создания, то это очень долго