原地址http://timyang.net/data/key-list-pagination/
今天讨论了一个传统的问题，问题本身比较简单，就是针对key-list类型的数据，如何优化方案做到性能与成本的tradeoff。Key-list在用户类型的产品中非常普遍，如一个用户的好友关系 {“uid”:{1,2,3,4,5}}，一条微博下面的评论id列表，一个用户发表的微博id列表等。
根据经验，在大部分场景下，单个业务的list数据长度99%在1000条以下，但剩下的1%的数据可能多达100万条，因此在实现方案的时候不能忽视这些超大数据集的问题，这也体现了常说的80%+的时间在优化20%-的功能。
List数据访问模型常见的有两种方式
1. 扶梯方式
扶梯方式在导航上通常只提供上一页/下一页这两种模式，部分产品甚至不提供上一页功能，只提供一种“更多/more”的方式，也有下拉自动加载更多的方式，在技术上都可以归纳成扶梯方式。
扶梯方式在技术实现上比较简单及高效，根据当前页最后一条的偏移往后获取一页即可。写成SQL可能类似
SELECT * FROM LIST_TABLE WHERE id > offset_id LIMIT n;
2. 电梯方式
另外一种数据获取方式在产品上体现成精确的翻页方式，如1,2,3……n，同时在导航上也可以由用户输入直达n页。国内大部分场景采用电梯方式，但电梯方式在技术实现上相对成本较高。
在MySQL中，通常提到的b-tree，在存储引擎实现上，通常都是b+tree，如图
从图中可以看到，使用电梯方式时候，当用户指定翻到第n页时候，并没有直接方法寻址到该位置，而是需要从第一楼逐个count，scan到count*page时候，获取数据才真正开始，所以导致效率不高。而在数据存在新增及删除的情况下，偏移量也不能有效的缓存，一个10万条的list，只要有一条变化，原先的楼层可能会全部发生变化。
以上描述的场景属于单机版本，在数据规模较大时候，互联网系统通常使用分库的方式来保存，实现方法更为复杂。
在面向用户的产品中，数据分片通常会将同一用户的数据存在相同的分区，以便更有效率的获取当前用户的数据。如下图所示
但上述方案在常见的场景中存在很大不足，大部分产品用户只访问最近产生的数据，历史的数据只有极小的概率被访问到，因此同一个区域内部的数据访问是非常不均匀，如图中2014年生成的属于热数据，2012年以前的属于冷数据，只有极低的概率被访问到。因此简单的解决方案是按时间远近将数据进行进一步分区，如图。
注意在上图中使用时间方式sharding之后，在一个时间分区内，也需要用前一种方案将数据进行sharding，因为一个时间片区通常也无法用一台服务器容纳。
上面的方案较好的解决了具体场景对于key list访问性能及成本的tradeoff，但是它存在以下不足
- 数据按时间进行滚动无法全自动，需要较多人为介入或干预
- 数据时间维度需要根据访问数据及模型进行精巧的设计，无法简单重用
- 为了实现电梯直达功能，需要增加额外的二级索引，比如2013年某用户总共有多少条记录
由于以上问题，尤其是二级索引的引入，显然它不是理想中的key list实现，后文继续介绍适合长尾翻页key list设计的一些思路及尝试。