干货｜建议初创团队起初也要构建分布式应用

　　干货｜建议初创团队起初也要构建分布式应用

　　本文内容整理自W-Time技术分享沙龙－天津站现场演讲《一切都是分布的》，演讲者：李傲，问啊联合创始人，前中交车联网总架构。

　　好多人都会问什么是架构师？其实架构师的定义很宽泛，前端后端的定义都不一样。作为后端出身的架构师，我认为后端并不是大家想的封装组件，它要定义的是规划，规划模块之前的关系。在一台机器搞不定时怎么办？答：集群！这词说着很容易，但真要给你，你发现how？怎么去加？

　　有人问我，架构师要做什么？我认为，架构师就是要在软件起初阶段就能够从情景当中预先想到这问题，通过架构分布式解决方案，预先把问题都埋好。可能有人会说这算不算重度设计？其实所谓重度设计，要看团队的基本能力，如果团队写代码还写不利索的情况下，那么这个设计就很重要。因为不能指望一个代码都没有写过几行的人去写架构，这个是不可能的，做分布式都很难。如果团队能力属于中上层，那么有两种可能：1、团队做过十几年的代码，但架构差一些，那么也会把程序写的非常漂亮，因为对代码有把控能力，对底层的研究比较透彻；2、代码写的并不是很好，但是架构师对新技术有了解，那么也是有可能做好分布式的。如果你的团队做不到以上这些，那只有一种方法--用服务器抗。但服务器是一回事，团队能力也不能太差。

　　下面就我们“问啊”来说给大家做一下简单的分享，“问啊”是一款订制化IT教育平台，可以一键呼叫大牛解决IT 问题。

　　关于分布式存储

　　“问啊”利用了一些分布式的概念，也就是分布式存储。我们都知道，每一台服务器资源占用都是有限的，我们用的是云服务器，一般上来都会去买本地磁盘，但无论容量多大，总有一天会用完，当这一天到来的时候，有两种可能：1、在你不知道的时候，服务死了，怎么也起不来。可能会不运行、cpu过高，有人会问，这什么原因导致的？计算量太大了？其实不是，因为一直在做无谓的io操作；2、无从下手，有个公司叫emc的做的磁盘可以解决，可是太贵，300万左右的价格初创公司老板肯定不批，而且性能也不能保证。

　　但是分布式存储就把这个事解决了，将要存储的文件预先就散出去，而不是放在一个地方。拿的时候就很快的知道在哪了。举个例子，就像大家都有房子，每个房子都有地址，这个地址都是预先规划好的，就跟分布式存储一样，在规划的时候就解决了未来如果数据膨胀会怎么样的问题。

　　关于高速缓存

　　接下来再说高速缓存，这也是一个分布式缓存的概念，对存储和缓存来讲，在算法的选择上是不一样的，数据分为两种，维度数据和事实数据。维度数据可以理解为是一种属性，人也是一种维度数据，这个数据是有尽头的。事实数据就是我出门的时候可能会踩死一只蚂蚁，但我不知道我这一路会踩死多少只，这就是事实数据。包括广大的女性同胞养活了淘宝，这也是最好的例子，都是事实数据。

　　事实数据存储和维度数据是不一样的，大家一般按时间存储是最多的，这样数据在取得时候有一些优势--可以单独拿一段出来。在数据结构中，拿一段怎么拿？肯定得是连续存储，这样对cpu的消耗则是最小的。那维度数据呢，数据量本身就不大，我们用hash是比较靠谱的。

　　对于内存和磁盘的存储来讲，磁盘是一个盘片，我们在寻找一个道的时候，我们会连续去打，这样是最快的。因为不会跳针，跳针速度是最慢的。但内存不是，内存是随机存储，我们在利用存储的时候也会考虑到，如果对于连续存储来讲，内存就一定比磁盘快吗？在我看来，不一定。

　　关于任务队列

　　我之前做车联网，包括现在的滴滴打车都是一样的，大家之所以能打到车，是车的位置信息已经上传上来了。因为在同一时间内会爆发很多小高峰，导致我存数据的时候很慢，所以我不直接存储，我先存到另一层去。为什么要存到另一层呢？我们存储的目的就是为了要拿出来，简单的说：存的目的就是拿。其实存和拿是一个悖论，好存不好拿，好拿不好存。举一个例子，这么说可能可以直观一些。上大学时，放学回宿舍，书包就扔在地上。为什么？因为懒，扔的速度特别快，但是你可能转天再找就找不到了。问题就出在存储快但是没有索引。想要快速查到怎么办？那就在存的时候分门别类，细致存好。这样拿比较快，存的时候就会费一些时间。如何解决这个悖论？读写分离。存和查的时候一定要做分离。软件有一个理论叫“解偶”，如何解偶？简单来说，a层和b层之间加一个c层就是解偶。只要你发现两层之间有一个很紧密的联系，你就往里面加一个。

　　所以，任务队列就是这样，我们先把东西写到队列里，让它慢慢的去消费。也就是说你把数据拿到队列里面来的时候，我就认为你存了。等你取得时候，看你的消费水平，消费水平慢，最多就一个感觉：这个更新好慢，仅此而已。然后下一步就该研究怎么把这个消费做快，你是有这个机会的。但如果你这个事儿不这么做，你就会发现，在你存的时候就已经死了。这样用户的感受可能会有两种，一个是用户并不知道，他只会觉得你们公司的数据比较少；二是我知道，你们已经死了。这样的用户体验度是非常不好的。

　　关于高速查询

　　这里我要讲一下我们查询的数据结构。对于每种查询来说，数据结构都不太一样。现在有一种比较好的既能查又能存的数据结构叫LSM-TREE，就是hbase一个数据结构，大家有兴趣可以看一下。

　　如果你是一个应用，你可能会发现其实没有现成的东西可以用，怎么办？那就用最短的时间研发出来一个轻量级的分布式，像任务下发。这种东西其实比较占资源，当你的服务器数量不够庞大，节点数量也不够庞大的时候，你拿到的结果可能跟你最初的预想不太一样。

　　互联网公司都有个比较难受的事儿，就是做运维不敢动机器。我们在做“问啊”的时候也没有完全做到不停机，这个挺难的。有的时候为了尝试试错，我们需要做降级指标，其实有时候比升级指标难的多，会丢数据、丢节点，之后数据还能够均摊，这个是挺难的。我们现在降级指标还没有做到完全不停机，但升级指标已经能够做到了。其实这就是各种负载均衡，通过负载均衡来代替ha，那么这两个概念是什么概念呢？ha，高可用。负载均衡，就是就是你一个人搞不定，四五个人一起上！ha是什么？一个活着，另一个就得死。一般用负载均衡来解决高可用有个问题，就是机器不闲着。一般来讲，做机器空闲的话，总有一台机器是不干活的，这个对于初创公司来说成本比较高，配置选择就是个难题。所以各种ha方案一般就是共用，那个节点可能会分摊好多个节点的共用，但是突然间发现两个小高峰，两个死了这个也就算死了。对于loadbalance本身有个非常大的优势，就是本身来讲，只要有1/2以上活了，这服务也就认为是活的，这个是比较好保证的。但是有一点，做lb算法就一定要做到线上的配额一定要高于你目前的配额，否则你是没法做的。

　　下面分享一下我们用过得一些东西：

　　Redis

　　一个基于内存的存储。最大优势就是单线程处理的。肯定有人问为什么做单线程，很慢的！但是如果你测过的话就会发现，单线程多任务有时候不一定就比多线程多任务慢，多线程多任务有个空闲的概念，交替的概念，我要去调度。这个就完全省去调度，只要存储速度特别快，能让一个线程别空闲了，远比多线程多任务要快。单线程有一个不可替代的优势：无锁，可以做到一致性。多线程本身来讲只要并发对一个数据操作的时候，你就必须得加锁。你的锁如果设计不合理的话，你这个数据本来可以加到5的，结果才加到2就没了。

　　如果用redis完全不用考虑这些事。包括我们做订单号的话，单号取一个数，这是个最普通业务。我们对单号+1就会考虑一个线程去做，如果可以搞定的话，那速度就快了，那我为什么要去做多线程？那么做多线程有一个方法，你可以先把订单号切割，就是预计今年的订单号能有多少，你先把他分好了。然后每一个进程怎么样操作，这样不会出问题。但是订单是跳跃，永远不要用订单号去做排序，这是最不合理的。就像大家都玩过摇红包，其实都是一样的，摇红包为什么能做到这么快。其实不可能快，这个事情不是一个快的动作，有交互就不可能快。只能先把交互的红包预先切好了，存在缓存里。甚至最狠的是用一些空池，就是没奖。结果你的ip正好打到这一核了，hash到这一核里。不换ip拿不出来。

　　Redis本身来讲，它的存储速度包括查询速度是可以上到10万级的，是非常快的。但是我们线上测的话。可能也是因为我们用的是云平台的一个服务，它本身是基于codis做的分布式服务。我们没有时间去做自己的分布式redis，所以codis已经成为我们的瓶颈了。它大概的速度也就是1w，对于刚起步的应用来说应该够用，那如何做到更快，只有一个方法：当你对一个事儿做到不能更快了，就三个字解决：分布式。这样就肯定能解决，下一步再去琢磨这一个事该怎么解决，这个就更高深了，有机会我会再详细的为大家讲解。

　　Hbase

　　有人说Hbase是大数据，其实我觉得很诧异，我认为大数据更偏重于分析。这个东西本身就是一个nosql ,为什么要放到大数据呢？也许因为存的数据多？

　　一开始起步的时候是三个节点，这算大数据吗？这算是实验。其实不是，它就是一个数据库，大家不要对它有偏见，认为非要数据到多少的时候我把它迁过来，记住，数据量大的那天，你再想迁就迁不过来了。我的经验告诉我，重构可以做局部模块重构，但绝对不能做大迁移。只要做大迁移：丢数据、版本核对，动态版本核对，特别头疼。

　　我最怕跳槽，因为我的位置是救火的。经验告诉我这个最好提前设计好。因为到那天了你难受，有两方都不满意：第一，用户那里，一直在用，你就得天天看着，怎么还有用户用？不知道该用高兴还是该不用高兴；第二，产品经理、运营就会使劲催你问你好了吗？但是提前规划好，就可以避开这些问题。

　　Hbase本身来讲呢，既然它能存这么多数据，我们也不想太浪费。有两套出报表的方案，一套是大家熟知的spark,可能用的比较多。对于一个初创团队来讲，spake本身它的worker节点配置有点高，因为它专门吃内存的。还有一种。Tkeyang24:06，替代hadoop，但是它本身没有计算模块，你还是上s，逃不过去。我们的方案呢，作为一个初创团队来讲，对于运营这一块可能有点残忍，但是没有办法，没有这么大的数据量，没有必要。

　　那么插入数据方案呢，就两个：

　　1、通过集成phoenix序列化方法使用原生Hbase API插入更新数据，数据装载速率并没有降低；

　　2、插入数据时采用双保证，缓存和hbase均需要完全插入成功，否则记录日志进入修复队列异步保证数据同步。

　　高速缓存

　　关于高速缓存，刚刚有说过， redis最好的方案就是hash。这里说两个应用，Redis本身有个pub／sub，做数据队列的，并列时队列比较麻烦的是，如果想用它做一对一队列，你是做不了的，其实一对一有很多队列。但是作为初创团队没必要，那如何来解决这个问题呢？很简单。我们分布式里，分三个redis，我这一个应用先用三个redis，写数据的时候我在三个里面做shard，你这一个应用shard这三个，那这一个应用就可以把这三个归过来我用，如果两个应用怎么办？有两种方法，一种方法从k上，我监控不同的shard的队列，a监控a队列，b监控b队列，每个人都监控三个，没问题，但还有一个问题，redis本身来讲，提供一个key失效的概念，缓存一定会有时效时间，但是缓存失效之后，他所定义的队列的名字是写死的。是跟十六库绑定的，我们可以切16个作为拓展。如果十六不够的话，切两组作为拓展，这样的话就可以无限的扩大。B监听b的零号库。这样可以无限的扩大这样可以通过阔机器，来提升一个人的消费能力。另一方面通过纵深，来分散消费能力。

　　关于Redis2.8.22，可能用的比较多。3.0和3.2用的并不多。这有个毛病，TTL只要move一次库，这个TTL就废了，就是失效时间。本来是想用什么巧妙的方法来做黑科技的，结果发现2.8.23解决了，所以大家用的时候从2.8.23以上用。

　　我们在任务队列主要做的事是，我们应用有个红包的概念，为了让大家都有学习的机会，能够去问问题，所以我们有个红包。如果用分布式的话，会有很多坑就可以绕过去了。

　　Pub/sub，有一个比较恶心的事，当你消费的时候，如果消费函数，你没有消费下一条的时候，pub／sub是不往后挪数据的，所以他会大量的堆积在redis里出不来，这个一定要注意。

　　我推荐一个工具，现在有不少公司都在用这个：ES。这个还是比较好用的，但是现在有个问题：随机函数。它里面可以随机抽量数据，在随机抽量数据的时候我们发现两个坑，1、散不开，大部分都一样，随机不太好；2、随机速度特别慢，100w就开始特别慢了。做抽量的话，其实还有很多可以试一下。

　　关于我们自主研发的，主要就是以下这几点：1、针对服务节点运行数据决定任务的下发；2、任务之间没有任何牵扯；3、任务死亡可以实时分裂新任务继续执行；4、支持定时消息及红包的应用。

　　我发现很多人有个误区，不写代码就真的省事吗？我觉得吧，不写代码满足需求最省事，用现成的有时候还不如自己写，有什么问题也好找。

　　关于不停机运维

　　Zookeeper这个东西挺好的。我现在注册一些服务，立刻就会建上临时的链接，临时文件。比较坑人的地方就是它的存储是限量的。每个节点存储都一样。一定要注意，存储要省着使用，别写进数据，不要用它做分布式事务所。Zabbix挺好用的，我们运维现在就使用这个。