排行榜的 5 种方案！ - 文章 - 开发者社区

大家好，我是苏三，又跟大家见面了。

文末留言送书了

引言

在工作的这些年中，我见证过太多团队在实现排行榜功能时踩过的坑。

今天我想和大家分享 6 种不同的排行榜实现方案，从简单到复杂，从单机到分布式，希望能帮助大家在实际工作中做出更合适的选择。

有些小伙伴在工作中可能会觉得：不就是个排行榜吗？搞个数据库排序不就完了？

但实际情况远比这复杂得多。

当数据量达到百万级、千万级时，简单的数据库查询可能就会成为系统的瓶颈。

接下来，我将为大家详细剖析 6 种不同的实现方案，希望对你会有所帮助。

方案一：数据库直接排序

适用场景 ：数据量小（万级以下），实时性要求不高

这是最简单直接的方案，几乎每个开发者最先想到的方法。

示例代码如下：

  
public List<UserScore> getRankingList() {  
    String sql = "SELECT user\_id, score FROM user\_scores ORDER BY score DESC LIMIT 100";  
    return jdbcTemplate.query(sql, new UserScoreRowMapper());  
}

优点：

实现简单
代码维护成本低
适合数据量小的场景

缺点：

数据量大时性能急剧下降
每次查询都需要全表扫描
高并发下数据库压力大

架构图如下 ：

picture.image

方案二：缓存+定时任务

适用场景 ：数据量中等（十万级），可以接受分钟级延迟

这个方案在方案一的基础上引入了缓存机制。

示例代码如下：

  
@Scheduled(fixedRate = 60000) // 每分钟执行一次  
public void updateRankingCache() {  
    List<UserScore> rankings = userScoreDao.getTop1000Scores();  
    redisTemplate.opsForValue().set("ranking\_list", rankings);  
}  
  
public List<UserScore> getRankingList() {  
    return (List<UserScore>) redisTemplate.opsForValue().get("ranking\_list");  
}

优点：

减轻数据库压力
查询速度快（O(1)）
实现相对简单

缺点：

数据有延迟（取决于定时任务频率）
内存占用较高
排行榜更新不及时

架构图如下 ：

picture.image

方案三：Redis有序集合

适用场景 ：数据量大（百万级），需要实时更新

Redis的有序集合(Sorted Set)是实现排行榜的利器。

示例代码如下：

  
public void addUserScore(String userId, double score) {  
    redisTemplate.opsForZSet().add("ranking", userId, score);  
}  
  
public List<String> getTopUsers(int topN) {  
    return redisTemplate.opsForZSet().reverseRange("ranking", 0, topN - 1);  
}  
  
public Long getUserRank(String userId) {  
    return redisTemplate.opsForZSet().reverseRank("ranking", userId) + 1;  
}

优点：

高性能（O(log(N))时间复杂度）
支持实时更新
天然支持分页
可以获取用户排名

缺点：

单机Redis内存有限
需要考虑Redis持久化
分布式环境下需要额外处理

架构图如下 ： picture.image

方案四：分片+Redis集群

适用场景 ：超大规模数据（千万级以上），高并发场景

当单机Redis无法满足需求时，可以采用分片方案。

示例代码如下：

  
//   
public void addUserScore(String userId, double score) {  
    RScoredSortedSet<String> set = redisson.getScoredSortedSet("ranking:" + getShard(userId));  
    set.add(score, userId);  
}  
  
private String getShard(String userId) {  
    // 简单哈希分片  
    int shard = Math.abs(userId.hashCode()) % 16;  
    return "shard\_" + shard;  
}

在这里我们以Redisson客户端为例。

优点：

水平扩展能力强
可以支持超大规模数据
高并发下性能稳定

缺点：

架构复杂度高
跨分片查询困难
需要维护分片策略

架构图如下 ：

picture.image

方案五：预计算+分层缓存

适用场景 ：排行榜更新不频繁，但访问量极大

这种方案结合了预计算和多级缓存。

示例代码如下：

  
@Scheduled(cron = "0 0 * * * ?") // 每小时计算一次  
public void precomputeRanking() {  
    Map<String, Integer> rankings = calculateRankings();  
    redisTemplate.opsForHash().putAll("ranking:hourly", rankings);  
      
    // 同步到本地缓存  
    localCache.putAll(rankings);  
}  
  
public Integer getUserRank(String userId) {  
    // 1. 先查本地缓存  
    Integer rank = localCache.get(userId);  
    if (rank != null) return rank;  
      
    // 2. 再查Redis  
    rank = (Integer) redisTemplate.opsForHash().get("ranking:hourly", userId);  
    if (rank != null) {  
        localCache.put(userId, rank); // 回填本地缓存  
        return rank;  
    }  
      
    // 3. 最后查DB  
    return userScoreDao.getUserRank(userId);  
}

优点：

访问性能极高（本地缓存O(1)）
减轻Redis压力
适合读多写少场景

缺点：

数据实时性差
预计算资源消耗大
实现复杂度高

架构图如下 ：

picture.image

方案六：实时计算+流处理

适用场景 ：需要实时更新且数据量极大的社交平台

这种方案采用流处理技术实现实时排行榜。

使用Apache Flink示例如下：

  
DataStream<UserAction> actions = env.addSource(new UserActionSource());  
  
DataStream<Tuple2<String, Double>> scores = actions  
    .keyBy(UserAction::getUserId)  
    .process(new ProcessFunction<UserAction, Tuple2<String, Double>>() {  
        private MapState<String, Double> userScores;  
          
        public void open(Configuration parameters) {  
            MapStateDescriptor<String, Double> descriptor =   
                new MapStateDescriptor<>("userScores", String.class, Double.class);  
            userScores = getRuntimeContext().getMapState(descriptor);  
        }  
          
        public void processElement(UserAction action, Context ctx, Collector<Tuple2<String, Double>> out) {  
            double newScore = userScores.getOrDefault(action.getUserId(), 0.0) + calculateScore(action);  
            userScores.put(action.getUserId(), newScore);  
            out.collect(new Tuple2<>(action.getUserId(), newScore));  
        }  
    });  
  
scores.keyBy(0)  
      .process(new RankProcessFunction())  
      .addSink(new RankingSink());

优点：

真正的实时更新
可处理超高并发
支持复杂计算逻辑

缺点：

架构复杂度高
运维成本高
需要专业团队维护

架构图如下 ：

picture.image

方案对比与选择

| 方案 | 数据量 | 实时性 | 复杂度 | 适用场景 | | --- | --- | --- | --- | --- | | 数据库排序 | 小 | 低 | 低 | 个人项目、小规模应用 | | 缓存+定时任务 | 中 | 中 | 中 | 中小型应用，可接受延迟 | | Redis有序集合 | 大 | 高 | 中 | 大型应用，需要实时更新 | | 分片+Redis集群 | 超大 | 高 | 高 | 超大型应用，超高并发 | | 预计算+分层缓存 | 大 | 中高 | 高 | 读多写少，访问量极大 | | 实时计算+流处理 | 超大 | 实时 | 极高 | 社交平台，需要实时排名 |

总结

在选择排行榜实现方案时，我们需要综合考虑以下几个因素：

数据规模 ：数据量大小直接决定了我们选择哪种方案
实时性要求 ：是否需要秒级更新，还是分钟级甚至小时级都可以接受
并发量 ：系统的预期访问量是多少
开发资源 ：团队是否有足够的技术能力维护复杂方案
业务需求 ：排行榜的计算逻辑是否复杂

对于大多数中小型应用，方案二（缓存+定时任务）或方案三（Redis有序集合）已经足够。如

果业务增长迅速，可以逐步演进到方案四（分片+Redis集群）。

而对于社交平台等需要实时更新的场景，则需要考虑方案五（预计算+分层缓存）或方案六（实时计算+流处理），但要做好技术储备和架构设计。

最后，无论选择哪种方案，都要做好监控和性能测试。排行榜作为高频访问的功能，其性能直接影响用户体验。

建议在实际环境中进行压测，根据测试结果调整方案。

希望这六种方案的详细解析能帮助大家在工作中做出更合适的选择。

记住，没有最好的方案，只有最适合的方案。

文末送书

为了感谢一路支持苏三的小伙们，今天特地给大家送一点小福利。规则非常简单：在本文留言，点赞最多的3位留言者，每人获取1本书。

参加活动的小伙伴，一定要扫描加苏三的微信：

picture.image

后面我会朋友圈公布中奖名单，给你免费包邮到家！这些书是由电子工业出版社提供的，感谢赞助。

《用Cursor玩转AI辅助编程——不写代码也能做软件开发 》

下面是购买入口，感兴趣的小伙伴可以看看：

最后说一句(求关注，别白嫖我)

如果这篇文章对您有所帮助，或者有所启发的话，帮忙扫描下发二维码关注一下，您的支持是我坚持写作最大的动力。

求一键三连：点赞、转发、在看。

关注公众号：【苏三说技术】，在公众号中回复：面试、代码神器、开发手册、时间管理有超赞的粉丝福利，另外回复：加群，可以跟很多BAT大厂的前辈交流和学习。