Airbnb/Booking 系统设计（high level architecture）
原文地址 CodeKarle: Airbnb System Design | Booking.com System Design
B站搜 “Airbnb System Design” 有视频版本
需求：
功能性需求
系统用户包括商家和客人。
Hotel - 商家（拥有hotel的人）
onboarding - 商家可以入住系统。
update - 商家可以修改hotel相关内容，如增加 room，修改 pricing，增加新的 images等。
booking - 查看预定，收入等。
User - 客人（预定hotel的人）
search - 搜索指定地点，符合搜索条件的 hotel （价格区间、星级等级、 海景房等）。
book - 进行预定
check booking - 查看预定。
Analytics - 一些系统分析。
非功能性需求
Low latency
High Availability
High Consistency - （一旦用户预定了hotel，应立刻看到结果）
Scale （Google 搜索得知 ）
500k Hotels （全世界大概有 50万 家 hotel）
10M Rooms （大概共有 1000万房间）
1000 Rooms / Hotel (Max: 7500) （所以假设每个hotel 大概有 1000个 room，有些有 7500个room， 估的高点，是为了更好的处理一些 edge cases）
总体设计和数据流向
Hotel Service提供给商家入驻和修改等功能，上传的图片保存在 CDN服务器，数据库保存图片链接。MySQL采用一个Master，多个Slave集群。流量高峰时动态增加Slave缓解读取压力。Hotel Service亦可动态水平扩展。
商家新增一个 room，数据将会写入 kafka，然后 search consumer将会拉取这些数据，存储到search数据库。
Search这里使用的是 Elasticsearch，同类型的可以使用 Solr，这里使用 ES，主要是想支持模糊查询（fuzzy search）。假设用户搜索马尔代夫（Maldives）的hotel，用户可能输入错误的名字。这种情况最好也会有搜索结果。
ES 集群 之上是 Search Service，提供给用户 搜索功能。
若此时系统流量激增，我们可以进行水平扩展，增加Kafka集群的node数量、增加 search consumers数量、增加 ES 集群的node数量。
Booking Service 坐落于 一个MySQL集群之上，当预定发生时，预定数据保存在此MySQL集群中。同时调用 Payment Service，成功之后，预定状态为“已确认”。
此时，当预定发生时，应当通知Search Service这个房间已被预定，不应再次出现在搜索结果中。所以此预定数据流入Kafka集群，被Search Consumers读取，修改相关数据。
对于live data （也就是处于中间状态的预定记录）存放于MySQL数据库，一旦预定到达最终状态（如 已完成，或取消）则进入 Archival Service，然后到达 Cassandra 集群。
这里使用 Cassandra 是因为 Cassandra能够轻松处理大量读写操作。
Notification Service 从 Kafka 读取需要通知的事件，比如 预定成功通知商家，预定被取消要通知用户，通知用户费用清单等。
Booking Mgmt Service 负责商家查看预定，用户查看预定历史等。连接两个数据源，从MySQL获取所有 active bookings，从 Cassandra获取已经发生了的预定信息。
这里在MySQL前面加了个 Redis，用来缓存查询的用户拥有的Bookings的结果。这里缓存策略是 write-through，即当有新的booking进入时，先写Redis，然后同步更新MySQL。
对于系统数据分析部分，往往一开始并不能预知所有需要分析的需求。所以这里使用 Hadoop 集群，针对系统所有的事件（比如商家所有hotel的基本信息，商家所有的预定，所有的交易信息等）都写入 Kafka。所以需要Spark Streaming Consumer来从Kafka读取这些事件，放入到Hadoop集群，然后通过Hive queries或任何其他类型的queries来构建一些reporting。
Hotel Service
部分APIs
部分 DB deisgn，红色部分是 主键或外健。
hotel 表中的 original_images 指的是商户上传的图片链接， display_images是压缩过后的图片链接。
rooms 表中 price_min, price_max, 这里通过Hadoop集群，运行machine learning model做一些供需分析得出一个 optimal price。也就是说供应少，需求多，那么价格就上涨。所以这里的 price_min, price_max就是 hotel提供的价格区间, 价格根据需求再次范围浮动。
facilities 是 hotel和room所配备的设备。
hotel_facilities 和 room_facilities 是两张 mapping 表。多对多的关系。
此处我们并没有使用Redis进行缓存，因为 hotel service并不会有流量激增的情况，而是在 search service。
Booking Service
部分DB design， 红色为主键或外健。
available_rooms 中 room_id, date, initial_quantity 字段来自于 hotel_service。 available_quantity意思是特定room_id, 特定的date，剩余的房间数量。表上有约束（constraint）限制不能为负值。
booking 表中 status字段有四个值可选（reserved， booked， cancelled， completed）。
部分API设计：
一个预定API 以post的形式，包括5个参数，其中并不包括price参数，后面从数据库中获取。
这里不从 booking API中获取 price是因为 request 可能被篡改，而且从request获取price并不是一个很好的设计。
当一个 booking 请求到达时，先检查available_rooms表中的 available_quantity 是否有足够的room，进一步则进行锁定，进行支付。
这里插入booking表和 修改 available_room表中的 available_quantity是在同一个transaction中完成的。如果available_quantity 只有一个，且同时有多人争抢，则通过数据库的约束 available_quantity 不能为负值来保证只有一条记录能修改数量成功，也就是只有一条记录插入booking，也就是只有一个人会跳转到支付流程。
这里进行锁定5分钟，我们借助于 Redis的TTL（Time To Live）功能，key过期会有个callback。
当支付成功，标记status为 Booked，Payment Service返回的 invoice_id 保存到 booking表中。相对应的 events 写入kafka，以便其它消费者使用。
当支付失败，标记 status为 Cancelled， 恢复 available_quantity。
当Redis中key过期，收到通知 callback，同时 用户也被跳转至 payment 流程，且支付成功。这里分两种情况：
1，如果先收到payment success，那么 booking 状态被改成 Booked，此时再收到key 过期，修改booking status时需要判断是不是 reserved 状态，只有 reserved 才能被 cancel。
2，如果先收到 key 过期通知，那么booking 状态被改成了 cancelled，然后再收到 payment success 。要么 revert payment；要么判断是否 还有 available_quantity，修改 booking 状态成 booked。
这里还有个问题是 Redis这种key 过期的方式，并非能保证你能在精准的时间点收到 callback，多少都会有延迟，具体情况就要看对实时性的需求了。也可以每隔一秒去主动查询 Redis，不过CPU等的消耗也是一个问题。
其实无论payment 成功与否，在收到payment 结果时，就直接可以从redis中删除这个肯定会过期的key。
技术栈的替换
mysql -> 可以用其它任何支持ACID的数据库，如 Postgres。
Redis -> Memcache 等。
Cassandra-> 这里打算继续使用 Cassandra，技术上可以用 HBase代替，但更费操作。
Kafka -> ActiveMQ， Rabbit MQ， Amazon queue等。但Kafka更易于扩展。
系统监控使用 Grafana
跨地域传播
数据中心的相互备份等。。。.... 看不下去了，接触到再说吧。
也太high level了 😂