Часто перед нами встаёт вопрос хранения древовидных структур в базе данных. Несмотря на то, что звучит это просто, часто из-за неправильной организации хранения появляются проблемы со скоростью выборки таких данных. Есть множество приёмов как правильно организовать хранение данных в таком случае, но мы рассмотрим с вами два варианта.

Для начала давайте определим что такие древовидная структура и где её можно встретить. Самый простой вариант, который первый приходит в голову, это глубоко вложенные категории в каталоге интернет магазина или же бесконечная реферальная система.

Давайте рассмотрим данные на примере категорий каталога интернет магазина:

blog

Нужно решить как мы будем хранить эти данные.

 

Вариант первый

id name parentID (nullable)
1 Игрушки null
2 Игрушки для детей 1
3 Игрушки для девочек 2
4 Игрушки для мальчиков 2

Схема таблицы для категорий каталога;

Пока всё выглядит хорошо. Каждый товар имеет categoryID, которая связана с нашей таблицей категорий. Проблемы начинаются тогда, когда нам нужно определить все дочерние или все родительские категории. Зачем? К примеру, когда пользователь выбрал категорию игрушек нам нужно отобразить все товары, которые привязаны к этой категории и к дочерним категориям. В таком случае нам придётся делать n запросов, где n кол-во элементов в нашей структуре. Уже не всё так хорошо, не так ли?

Оптимизация

Чтобы оптимизировать работу с поиском предков и дочерних записей мы прибегнем к кешированию структуры. В таком случае алгоритм будет следующим, рассмотрим на примере получения всех дочерних категорий для категории Игрушки:

{parentID} – id категории Игрушки

  1. Ищем запись в кеше по ключу anyKey_{parentID}. Если данные найдены, то переходим к пункту 3. Иначе находим все дочерние элементы категории, выбираем только их id. На выходе мы получим коллекцию, которая будем содержать id дочерних элементов.
  2. Сохраняем коллекцию id в кеше по ключу anyKey_{parentID}, где parentID – это id категории Игрушки.
  3. Делаем запрос в базу данных на выборку категорий по id из нашей коллекции.

Таким образом получается, что трудоёмкая операция поиска дочерних элементов для конкретной категории выполняется единожды. В остальных случаях данные берутся из кеша.

Резюме

Такой подход лучше всего использовать только в том случае, когда не планируется глубокая вложенность. Ведь работать без головной боли можно в случае, если у данных единичная вложенность. Если всё же вложенность большая, а изменить способ хранения нельзя, то вам придётся заняться кешированием данных.

Плюсы:

+ Данные о вложенности находятся в этой же таблице;

+ Можно быстро реализовать: добавив поле parentID и всё;

+ Быстрая вставка данных;

Минусы:

– Чем больше вложенность, тем больше проблем;

– Выбрать все дочерние или все родительские записи одним запросом невозможно;

– Сложно считать глубину вложенности;

 

Вариант второй

Суть второго варианта заключается в создание вспомогательной таблицы, которая будет хранить данные о положение в дереве.

id name
1 Игрушки
2 Игрушки для детей
3 Игрушки для девочек
4 Игрушки для мальчиков

Таблица категорий. Мы избавились от parentID.

 

id parentID childID level
1 1 1 0
2 1 2 1
3 1 3 2
4 1 3 2
5 2 3 1
6 2 4 1

Вспомогательная таблица, которая хранит данные о местоположение в дереве

Во вспомогательной таблице хранятся отношения между записями: parentID-childID (предок-дочерний элемент), level (удалённость записей друг от друга в дереве). Если вы заметили, то у записи ID 1 я установил level 0, я сделал это для того, что бы с лёгкостью можно было идентифицировать корневые записи (записи, у которых нет предков).

На картинке наглядно показано как высчитывается удалённость на примере категории Игрушки:

blog-indexes

В этом варианте нам заранее нужно позаботиться об алгоритме вставке данных. Алгоритм вставки корневой записи простой, поэтому рассмотрим алгоритм вставки дочерней записи:

  1. Находим запись под которую (O) необходимо вставить новую запись (N);
  2. Находим все записи, у которых childID равен O.id и level > 0;
  3. Копируем записи найденные для записи O, заменяя childID на N.id, а для каждой записи увеличиваем level на 1;
  4. Создаём запись, у которой childID = N.id, parentID = O.id, level = 1;
  5. Сохраняем. Теперь у нас есть данные о взаимосвязи со всеми записями-предками.

Резюме

Этот подход очень хорошо работает с данными, у которых очень глубокая вложенность. Всего лишь одни запросом можно найти: всех предков, всех дочек, все корневые узлы, все крайние узлы. Данный алгоритм хорошо работает в том случае, если новые записи вставляются редко. Если новые данные появляются часто, то придётся пути оптимизации.

Плюсы

+ Быстрая работа с глубокой вложенностью;

+ Все операции связанные с деревом выполняются в один запрос

Минусы

– Вставка новой записи затратна по ресурсам;

– Требуется определённое время на развёртывание;

Добавить комментарий

Ваш e-mail не будет опубликован.