#评论系统设计
#一个评论列表的加载噩梦
2021年，我们的视频网站评论区被用户投诉了：
视频 A 有 50 万条评论。用户点开评论区，页面加载需要 15 秒。
排查发现：
-- 噩梦般的评论查询
SELECT c.*, u.name, u.avatar,
(SELECT COUNT(*) FROM comments c2 WHERE c2.reply_to = c.id) as reply_count
FROM comments c
JOIN users u ON c.user_id = u.id
WHERE c.video_id = ? AND c.reply_to IS NULL
ORDER BY c.created_at DESC
LIMIT 20 OFFSET 10000;这个查询在 50 万条评论上执行，需要全表扫描 + 子查询 + JOIN。
评论系统的核心问题是：如何在海量评论数据下实现快速查询？
#二、评论系统整体架构🔴
#2.1 数据模型
CREATE TABLE comments (
id BIGINT PRIMARY KEY,
video_id BIGINT NOT NULL,
user_id BIGINT NOT NULL,
reply_to BIGINT DEFAULT NULL, -- 回复哪条评论，NULL 表示一级评论
root_id BIGINT DEFAULT NULL, -- 根评论 ID，用于聚合
content TEXT NOT NULL,
like_count INT DEFAULT 0,
reply_count INT DEFAULT 0, -- 回复数
status TINYINT DEFAULT 1, -- 1=正常, 0=删除
created_at TIMESTAMP,
INDEX idx_video_created (video_id, created_at DESC),
INDEX idx_reply_to (reply_to),
INDEX idx_root_id (root_id)
);
CREATE TABLE comment_likes (
id BIGINT PRIMARY KEY,
comment_id BIGINT NOT NULL,
user_id BIGINT NOT NULL,
created_at TIMESTAMP,
UNIQUE KEY uk_comment_user (comment_id, user_id)
);#2.2 评论存储策略
一级评论（直接回复视频）：
→ 存储在 video_comments 表
二级评论（回复一级评论）：
→ 存储在同一表，通过 reply_to 关联
三级评论（回复二级评论）：
→ 统一存储，通过 root_id 聚合#三、评论列表查询🔴
#3.1 一级评论分页
@Service
class CommentService {
@Autowired
private CommentDao commentDao;
/**
* 获取一级评论（分页）
*/
public Page<CommentVO> getRootComments(Long videoId, int page, int size) {
int offset = (page - 1) * size;
List<Comment> comments = commentDao.findRootComments(
videoId, offset, size
);
// 批量获取用户信息
Set<Long> userIds = comments.stream()
.map(Comment::getUserId)
.collect(Collectors.toSet());
Map<Long, User> userMap = userDao.findByIds(userIds)
.stream()
.collect(Collectors.toMap(User::getId, u -> u));
// 转换为 VO
List<CommentVO> vos = comments.stream()
.map(c -> toVO(c, userMap.get(c.getUserId())))
.collect(Collectors.toList());
long total = commentDao.countRootComments(videoId);
return new Page<>(vos, page, size, total);
}
}#3.2 二级评论（回复列表）
@Service
class CommentService {
/**
* 获取回复列表
*/
public List<CommentVO> getReplies(Long commentId, int limit) {
// 直接查询回复，不做分页（回复数通常有限）
List<Comment> replies = commentDao.findReplies(commentId, limit);
Set<Long> userIds = replies.stream()
.map(Comment::getUserId)
.collect(Collectors.toSet());
Map<Long, User> userMap = userDao.findByIds(userIds)
.stream()
.collect(Collectors.toMap(User::getId, u -> u));
return replies.stream()
.map(c -> toVO(c, userMap.get(c.getUserId())))
.collect(Collectors.toList());
}
}#四、热点评论优先🟡
#4.1 热度计算
@Service
class HotCommentService {
/**
* 计算评论热度
*/
public double calculateHotScore(Comment comment) {
// 热度 = 点赞数 × 1.0 + 回复数 × 2.0 + 时间衰减
long likeScore = comment.getLikeCount() * 1.0;
long replyScore = comment.getReplyCount() * 2.0;
long timeScore = calculateTimeScore(comment.getCreatedAt());
return likeScore + replyScore + timeScore;
}
/**
* 时间衰减
* 新评论权重高，旧评论权重逐渐降低
*/
private long calculateTimeScore(long timestamp) {
long hours = (System.currentTimeMillis() - timestamp) / 3600000;
return Math.max(0, 1000 - hours * 10);
}
}#4.2 热点评论展示
@Service
class CommentService {
/**
* 获取评论列表（混合排序）
*/
public List<CommentVO> getComments(Long videoId, String sort, int page, int size) {
if ("hot".equals(sort)) {
// 热点优先
return getHotComments(videoId, page, size);
} else {
// 时间倒序
return getRootComments(videoId, page, size).getRecords();
}
}
/**
* 热点评论
*/
public List<CommentVO> getHotComments(Long videoId, int page, int size) {
// 从 Redis 缓存获取热点评论 ID 列表
String hotKey = "comment:hot:" + videoId;
List<Long> hotCommentIds = redisTemplate.opsForList()
.range(hotKey, 0, 99);
if (hotCommentIds == null || hotCommentIds.isEmpty()) {
return getRootComments(videoId, page, size).getRecords();
}
// 分页
int start = (page - 1) * size;
int end = start + size;
if (start >= hotCommentIds.size()) {
// 热点评论不够，从数据库补充
return getRootComments(videoId, page, size).getRecords();
}
List<Long> pageIds = hotCommentIds.subList(
start, Math.min(end, hotCommentIds.size())
);
return commentDao.findByIds(pageIds).stream()
.map(this::toVO)
.collect(Collectors.toList());
}
}#五、反垃圾评论🟡
#5.1 敏感词过滤
@Service
class SpamFilterService {
private final Trie sensitiveWordsTrie = new Trie();
@PostConstruct
public void init() {
// 加载敏感词库
List<String> words = loadSensitiveWords();
sensitiveWordsTrie.insertAll(words);
}
/**
* 敏感词检测
*/
public FilterResult check(String content) {
List<String> found = sensitiveWordsTrie.findAll(content);
if (!found.isEmpty()) {
return new FilterResult(false, "包含敏感词: " + found);
}
return new FilterResult(true, null);
}
}#5.2 频率限制
@Service
class RateLimitService {
@Autowired
private RedisTemplate<String, String> redisTemplate;
/**
* 检查评论频率
*/
public boolean checkRateLimit(Long userId) {
String key = "comment:rate:" + userId;
Long count = redisTemplate.opsForValue().increment(key);
if (count == 1) {
redisTemplate.expire(key, Duration.ofSeconds(60));
}
return count <= 10; // 60 秒内最多 10 条
}
}【架构权衡】 评论系统的核心挑战是海量数据 + 多维度排序。解决方案包括：热点评论缓存、读写分离、ElasticSearch 搜索。
#六、面试总结
| 级别 | 期望回答 |
|---|---|
| P5 | 能设计评论的数据模型 |
| P6 | 能说出热点评论的实现方式 |
| P7 | 能设计完整的评论系统架构 |