摘要：作者結合自身工作經歷，以一個項目為案例，通過多個Go語言程序實例的嘗試，闡述了Go語言是如何每分鐘可以處理100萬個請求的，以下是譯文。

我在幾個不同的公司從事反垃圾郵件，反病毒和反惡意軟件工作超過15年，現在我知道這些系統(tǒng)的復雜性可能是由于我們每天處理的大量數據造成的。

目前，我是 smsjunk.com 的CEO和 KnowBe4 的***架構師，兩個活躍在網絡安全行業(yè)的公司。

有趣的是，在過去10年左右的時間里，作為一名軟件工程師，我所參與的所有web后端開發(fā)大部分都是以Ruby on Rails(Rails是使用Ruby語言編寫的網頁程序開發(fā)框架，目的是為開發(fā)者提供常用組件)開發(fā)的。不要誤會我，我熱愛Ruby on Rails,我相信它是一個令人著迷的開發(fā)環(huán)境，但一段時間后，你開始以Ruby的方式思考和設計系統(tǒng)，忘了如何高效和原本可以利用多線程、并行、快速執(zhí)行和小的內存消耗來簡化軟件架構。多年來，我是一個C / C++、Delphi和C #開發(fā)人員，我剛剛意識到，用合適的工具來完成工作可能會降低事情的復雜度。

我不太熱衷于開發(fā)語言和框架的戰(zhàn)爭，網站之間總是為此爭吵。我相信效率、生產率和代碼的可維護性主要取決于如何簡單地構建解決方案。 問題

當我們在一個匿名的遙測和分析系統(tǒng)上工作時，我們的目標是能夠處理來自數百萬終端的大量的POST請求。Web處理程序將接收一個JSON文檔，其中可能包含需要寫入Amazon S3的許多有效負載的集合，這是為了使map-reduce系統(tǒng)稍后操作這個數據。

傳統(tǒng)上，我們將研究創(chuàng)造一個一階作業(yè)者架構，利用諸如：

• Sidekiq
• Resque
• DelayedJob
• Elasticbeanstalk Worker Tier
• RabbitMQ
• 等等…

設置2個不同的集群，一個用于web前端，另一個用于作業(yè)者，這樣會擴大可以處理的后臺工作的數量。

但從一開始，我們的團隊就知道應該這樣做，因為在討論階段，我們預見這可能是一個非常大的流量系統(tǒng)。我使用Go語言大約2年左右的時間，我們開發(fā)了一些在用的系統(tǒng)，但是沒有一個系統(tǒng)能得到這么多的負載。

首先通過創(chuàng)建一些structure，定義通過POST調用來接收到的web請求負載，還有一個上傳請求負載到S3 bucket的函數。

Go語言程序的單純方法

最初我們采取了一個非常單純的POST處理方式，僅僅試圖將任務并行化處理放到一個簡單的goroutine：

對于中等負載來說，這可能對大多數人是有效的，但這很快證明在大型負載時，效果不太好。我們預期有很多的請求，但當我們部署***個版本到產品中時，并沒有看到這個數量級的請求。我們完全低估了流量。

上面的方法在幾個方面都不好，沒有辦法控制我們正在大量生產的Go程序要產生多少個例程。由于我們每分鐘收到100萬個POST請求，理所當然的，這段代碼很快就崩潰了。

再次嘗試

我們需要尋找一個不同的方式。從一開始，我們就討論如何保持請求處理程序的生命周期非常短，并在后臺生成處理進程。當然，這是必須在Ruby on Rails領域要做的，否則這將限制所有可用的web處理器，無論你使用的是puma, unicorn, passenger中的哪一個(請不要參加JRuby討論)。那么我們就需要利用通用的解決方案去做這個，例如Resque, Sidekiq, SQS,等等。清單還可以繼續(xù)列下去，因為有很多方法可以做到這一點。

所以第二個版本是創(chuàng)建一個緩存通道，在這里我們可以對一些作業(yè)進行排隊并上傳到S3，由于我們可以控制隊列中的***項目數，在內存中我們有足夠多的RAM對任務進行排隊，我們認為只在通道隊列中緩存作業(yè)是可以的。

然后實際上的作業(yè)出列和處理，我們使用的是類似的函數：

說實話，我不知道我們在想什么。這一定是一個充滿紅牛的深夜。這種方法沒有給我們帶來任何好處，我們用緩沖隊列來交換有缺陷的并發(fā)，也只是推遲了問題的產生時間而已。我們的同步處理器一次只上傳一個有效負載到S3,而且由于傳入請求的速率比單處理器上傳到S3的能力大得多，所以緩沖通道很快就達到了極限，限制了請求處理程序來排隊更多項目的能力。

我們只是簡單地回避這個問題，最終導致系統(tǒng)的死亡。在我們部署了這個有缺陷的版本之后，我們的延遲率以不變的速率持續(xù)增長。

更好的解決方案

當使用Go語言通道時，我們決定利用通用模式以便創(chuàng)造一個2階的通道系統(tǒng)，一個用于作業(yè)排隊，另外一個控制多少作業(yè)者同時在JobQueue上操作。

這個想法是以某種可持續(xù)的速度并行上傳到S3，它既不會削弱機器性能，也不會從S3開始生成連接錯誤。所以我們選擇了創(chuàng)建一個作業(yè)/作業(yè)者模式。對那些熟悉java,C#等語言的人來說，可以考慮采用Go語言實現通道方式而不是作業(yè)者線程池的方式。

我們修改了Web請求處理程序，創(chuàng)建一個帶負載的jobstruct實例，發(fā)送到JobQueue通道，便于作業(yè)者去拾取。

在網站服務器初始化過程中，我們創(chuàng)建一個Dispatcher，調用Run()去創(chuàng)建一個作業(yè)者池，開始偵聽出現在JobQueue的作業(yè)。

dispatcher := NewDispatcher(MaxWorker)  
dispatcher.Run() 

下面是用于dispatcher執(zhí)行的代碼：

注意，我們會提供被實例化和被添加到作業(yè)者池的***的作業(yè)者量。 因為我們這個帶有dockerized Go環(huán)境的項目使用了亞馬遜Elasticbeanstalk，我們總是設法遵循12要素方法論來配置生產中的系統(tǒng)，從環(huán)境變量中讀取這些數值。這樣就可以控制有多少作業(yè)者和作業(yè)隊列的***值，因此，我們可以快速地調整這些值，而不需要重新部署集群。

var (  
MaxWorker = os.Getenv(“MAX_WORKERS”)  
MaxQueue = os.Getenv(“MAX_QUEUE”)  
) 

在部署完它之后，我們立刻發(fā)現所有的延遲率都降到了無關緊要的數字，系統(tǒng)處理請求的能力急劇上升。

彈性負載均衡完全預熱幾分鐘后，我們看到ElasticBeanstalk應用服務每分鐘逼近100萬個請求。通常在早晨的幾個小時里，流量高峰會超過每分鐘100萬個請求。

一旦我們部署了新的代碼，服務器的數量從100臺減少到大約20臺。

在恰當地配置了集群和自動縮放設置以后，我們能夠把它降低到僅有4x EC2 c4。如果CPU連續(xù)5分鐘超過90%，大型實例和彈性自動縮放設置就生成一個新實例。

結論

簡單總是在我的字典里獲勝。我們可以設計一個復雜系統(tǒng)，它具有多隊列，后臺作業(yè)者，復雜部署的特點。但是相反我們決定利用Elasticbeanstalk的自動縮放和高效簡單的方式去并發(fā)，Go語言很好的提供了這些功能。

并不是每天你僅有四臺機器的集群，去處理每分鐘寫入到亞馬遜S3 bucket的100萬個POST請求，這可能比我***的MacBook Pro功能強大的多。

總有合適的工具適合這項工作。有時，當您的Ruby on Rails系統(tǒng)需要一個非常強大的web處理程序時，可以稍微考慮一下Ruby生態(tài)系統(tǒng)之外的更簡單、更強大的替代解決方案。