1. 关系模型设计与关注取关的核心要点
在面向社交应用的场景中，关注取关的实现往往需要用到自引用的多对多关系，这不仅决定了数据结构，还直接影响查询的复杂度与可扩展性。通过使用 through 表来承载额外字段（如创建时间、来源、权重等），可以在不牺牲灵活性的前提下实现高效的聚合与筛选。
通过自定义中间表（through）来管理关注关系，可以把“关注者”与“被关注者”解耦成清晰的外键，避免歧义；同时，设置适当的外键约束和唯一性索引，确保数据的一致性与快速定位。
在设计时要考虑对称性问题：默认的对称关系会导致重复的查询和错误的统计，需要显式设置 symmetrical=False，使关系方向更明确，便于实现取关、推荐、以及告警等功能。
示例代码片段展示了如何在Django中用through表构建自引用的多对多关系，并保留创建时间等信息。
1.1 关系建模要点
核心模型需要清晰描述关注关系的方向，通常使用一个独立的中间表来承载两端的外键，以及可选的元数据字段。
通过设置related_name，便于反向查询，例如查询某用户的粉丝、某用户的关注列表等。
# models.py
from django.db import models
from django.contrib.auth.models import Userclass Follow(models.Model):follower = models.ForeignKey(User, related_name='following_rel', on_delete=models.CASCADE)following = models.ForeignKey(User, related_name='follower_rel', on_delete=models.CASCADE)created_at = models.DateTimeField(auto_now_add=True)class Meta:unique_together = ('follower', 'following')indexes = [models.Index(fields=['follower']),models.Index(fields=['following']),]# 通过 through 约束建立自引用的 ManyToMany
User.add_to_class('following',models.ManyToManyField('self',through=Follow,symmetrical=False,related_name='followers')
)
2. Django层面的优化要点
Django层面的优化核心在于减少数据库查询次数、降低查询延迟，同时通过缓存降低重复计算的成本；合理选择查询工具，可以显著提升高并发时的响应速度。
在多对多关系查询中，推荐使用 prefetch_related，以避免N+1问题；对单表外键关系，可以使用 select_related 来提升连表查询的效率。
2.1 查询优化：prefetch_related、select_related、only、defer
prefetch_related 适用于 ManyToMany 以及反向关系，它会在单独的查询中加载所有相关对象，再在Python层做内存拼接，显著减少数据库往返。
select_related 只对一对多或外键有效，它会通过 JOIN 将相关对象的数据一次性获取，适用于深度联结查询的场景。
使用 only/defer 控制字段加载，可以降低每次查询的数据传输量，尤其在关注数、粉丝数等聚合字段不需要时。
# 例子：一次性获取用户及其关注列表，避免N+1
from django.db.models import Prefetchusers = User.objects.filter(id__in=[1,2,3]).prefetch_related(Prefetch('following', queryset=User.objects.only('id', 'username'))
)
2.2 通过自定义查询集优化关注查询
自定义查询集可以把一组常用的筛选封装成方法，方便在业务中复用并保持性能一致性。
用聚合与统计字段缓存关注数，减少重复的 COUNT 查询，有助于提升高并发场景下的吞吐量。
# 自定义查询集示例
class UserQuerySet(models.QuerySet):def with_followers_count(self):return self.annotate(followers_count=models.Count('followers', distinct=True))# 使用
users = User.objects.all().with_followers_count()
3. 数据库与索引设计
通过在 through 表上建立合适的联合索引，可以显著提升按关注人或被关注人查询的效率，并降低聚合操作的成本。
合理的字段约束与唯一性约束，确保数据一致性，同时便于数据库优化器做出更好的执行计划。
3.1 Through表的索引与约束
在 Follow 中添加联合唯一索引，避免重复关注，同时对 follower_id 与 following_id 建立单列索引，提升按任意一端筛选的速度。
CREATE TABLE app_follow (id BIGINT PRIMARY KEY,follower_id BIGINT NOT NULL,following_id BIGINT NOT NULL,created_at TIMESTAMP WITHOUT TIME ZONE NOT NULL,CONSTRAINT app_follow_unique UNIQUE (follower_id, following_id),CONSTRAINT app_follow_follower_fk FOREIGN KEY (follower_id) REFERENCES auth_user(id) ON DELETE CASCADE,CONSTRAINT app_follow_following_fk FOREIGN KEY (following_id) REFERENCES auth_user(id) ON DELETE CASCADE
);CREATE INDEX idx_follow_follower ON app_follow (follower_id);
CREATE INDEX idx_follow_following ON app_follow (following_id);
4. 实战代码片段与技巧
核心接口的设计要点在于幂等性、可观测性与高性能，包括关注、取关、以及快速判断某用户是否关注另一用户的操作。
以下实现演示了关注与取消关注的核心逻辑、以及防重复的检查，可直接用于业务层集成。
4.1 关注与取关的核心接口设计
关注一个用户时，尽量避免重复创建，若已经关注则直接返回成功或进行幂等处理；取关时需确保两端的关系被正确删除。
# services.py
from django.db import IntegrityError, transaction
from django.core.cache import cachedef follow_user(follower, target):if follower == target:return Falsetry:with transaction.atomic():follower.following.add(target) # 通过中间表实现cache.delete(f'followers_count_{target.id}')return Trueexcept IntegrityError:# 已关注或其他问题，保持幂等return Falsedef unfollow_user(follower, target):if follower == target:return Falsewith transaction.atomic():follower.following.remove(target)cache.delete(f'followers_count_{target.id}')return Truedef is_following(follower, target):# 直接在 ORM 层判断，避免无意义的查询return follower.following.filter(id=target.id).exists()
5. 缓存与异步更新策略
在高并发场景下，单纯依赖数据库计数容易成为瓶颈，因此需要将关注数等热数据放入缓存中，并通过事件驱动进行更新。
信号与异步任务组合，确保写入与统计的最终一致性，可以在发布关注/取关事件时触发缓存刷新或异步重计算。
5.1 信号驱动的缓存刷新
利用 Django 的 post_save/post_delete 信号，来刷新粉丝数缓存，避免读取到未提交的脏数据。
# signals.py
from django.db.models.signals import m2m_changed
from django.dispatch import receiver
from django.core.cache import cache@receiver(m2m_changed, sender=User.following.through)
def update_followers_cache(sender, instance, action, reverse, pk_set, **kwargs):if action in ('post_add', 'post_remove', 'post_clear'):cache.delete(f'followers_count_{instance.id}')
5.2 使用任务队列异步处理重计算
当需要对大量用户进行重计算时，将任务交给 Celery 等任务队列执行，可以显著降低请求响应时间并提升系统吞吐率。
# tasks.py (Celery)
from celery import shared_task
from django.contrib.auth import get_user_model
from django.db.models import Count
from django.core.cache import cacheUser = get_user_model()@shared_task
def refresh_followers_count(user_id):user = User.objects.get(id=user_id)count = user.followers.count()cache.set(f'followers_count_{user_id}', count, timeout=3600)
通过在关注/取关动作完成后触发异步任务，逐步实现最终一致性，同时保持低延迟的用户体验。
