一、前情回顧

上篇文章：《??為什么每個程序員都必須堅持寫博客？這篇文章教你怎么寫??》聊了一下系統(tǒng)架構中，百億流量級別高并發(fā)寫入場景下，如何承載這種高并發(fā)寫入，同時如何在高并發(fā)寫入的背景下還能保證系統(tǒng)的超高性能計算。

這篇文章咱們繼續(xù)來聊一下，百億級別的海量數(shù)據(jù)場景下還要支撐每秒十萬級別的高并發(fā)查詢，這個架構該如何演進和設計？

咱們先來看看目前系統(tǒng)已經(jīng)演進到了什么樣的架構，大家看看下面的圖：

首先回顧一下，整個架構右側部分演進到的那個程度，其實已經(jīng)非常的不錯了，因為百億流量，每秒十萬級并發(fā)寫入的場景，使用MQ限流削峰、分布式KV集群給抗住了。

接著使用了計算與存儲分離的架構，各個Slave計算節(jié)點會負責提取數(shù)據(jù)到內(nèi)存中，基于自研的SQL內(nèi)存計算引擎完成計算。同時采用了數(shù)據(jù)動靜分離的架構，靜態(tài)數(shù)據(jù)全部緩存，動態(tài)數(shù)據(jù)自動提取，保證了盡可能把網(wǎng)絡請求開銷降低到最低。

另外，通過自研的分布式系統(tǒng)架構，包括數(shù)據(jù)分片和計算任務分布式執(zhí)行、彈性資源調(diào)度、分布式高容錯機制、主備自動切換機制，都能保證整套系統(tǒng)的任意按需擴容，高性能、高可用的的運行。

下一步，咱們來研究研究架構里的左側部分

二、日益膨脹的離線計算結果

其實大家會注意到，在左側還有一個MySQL，那個MySQL就是用來承載實時計算結果和離線計算結果放在里面匯總的。

終端的商家用戶就可以隨意的查詢MySQL里的數(shù)據(jù)分析結果，支撐自己的決策，他可以看當天的數(shù)據(jù)分析報告，也可以看歷史上任何一段時期內(nèi)的數(shù)據(jù)分析報告。

但是那個MySQL在早期可能還好一些，因為其實存放在這個MySQL里的數(shù)據(jù)量相對要小一些，畢竟是計算后的一些結果罷了。但是到了中后期，這個MySQL可是也岌岌可危了。

給大家舉一個例子，離線計算鏈路里，如果每天增量數(shù)據(jù)是1000萬，那么每天計算完以后的結果大概只有50萬，每天50萬新增數(shù)據(jù)放入MySQL，其實還是可以接受的。

但是如果每天增量數(shù)據(jù)是10億，那么每天計算完以后的結果大致會是千萬級，你可以算他是計算結果有5000萬條數(shù)據(jù)吧，每天5000萬增量數(shù)據(jù)寫入左側的MySQL中，你覺得是啥感覺？

可以給大家說說系統(tǒng)當時的情況，基本上就是，單臺MySQL服務器的磁盤存儲空間很快就要接近滿掉，而且單表數(shù)據(jù)量都是幾億、甚至十億的級別。

這種量級的單表數(shù)據(jù)量，你覺得用戶查詢數(shù)據(jù)分析報告的時候，體驗能好么？基本當時一次查詢都是幾秒鐘的級別。很慢。

更有甚者，出現(xiàn)過用戶一次查詢要十秒的級別，甚至幾十秒，上分鐘的級別。很崩潰，用戶體驗很差，遠遠達不到付費產(chǎn)品的級別。

所以解決了右側的存儲和計算的問題之后，左側的查詢的問題也迫在眉睫。新一輪的重構，勢在必行！

三、分庫分表 + 讀寫分離

首先就是老一套，分庫分表 + 讀寫分離，這個基本是基于MySQL的架構中，必經(jīng)之路了，畢竟實施起來難度不是特別的高，而且速度較快，效果比較顯著。

整個的思路和之前第一篇文章：《??別光看NB的Github開源項目，你得參考他們?nèi)ピO計自己的架構??》講的基本一致。

說白了，就是分庫后，每臺主庫可以承載部分寫入壓力，單庫的寫并發(fā)會降低；其次就是單個主庫的磁盤空間可以降低負載的數(shù)據(jù)量，不至于很快就滿了；

而分表之后，單個數(shù)據(jù)表的數(shù)據(jù)量可以降低到百萬級別，這個是支撐海量數(shù)據(jù)以及保證高性能的最佳實踐，基本兩三百萬的單表數(shù)據(jù)量級還是合理的。

然后讀寫分離之后，就可以將單庫的讀寫負載壓力分離到主庫和從庫多臺機器上去，主庫就承載寫負載，從庫就承載讀負載，這樣避免單庫所在機器的讀寫負載過高，導致CPU負載、IO負載、網(wǎng)絡負載過高，最后搞得數(shù)據(jù)庫機器宕機。

首先這么重構一下數(shù)據(jù)庫層面的架構之后，效果就好的多了。因為單表數(shù)據(jù)量降低了，那么用戶查詢的性能得到很大的提升，基本可以達到1秒以內(nèi)的效果。

四、每秒10萬查詢的高并發(fā)挑戰(zhàn)

上面那套初步的分庫分表+讀寫分離的架構確實支撐了一段時間，但是慢慢的那套架構又暴露出來了弊端出來了，因為商家用戶都是開了數(shù)據(jù)分析頁面之后，頁面上有js腳本會每隔幾秒鐘就發(fā)送一次請求到后端來加載最新的數(shù)據(jù)分析結果。

此時就有一個問題了，漸漸的查詢MySQL的壓力越來越大，基本上可預見的范圍是朝著每秒10級別去走。

但是我們分析了一下，其實99%的查詢，都是頁面JS腳本自動發(fā)出刷新當日數(shù)據(jù)的查詢。只有1%的查詢是針對昨天以前的歷史數(shù)據(jù)，用戶手動指定查詢范圍后來查詢的。

但是現(xiàn)在的這個架構之下，我們是把當日實時數(shù)據(jù)計算結果（代表了熱數(shù)據(jù)）和歷史離線計算結果（代表了冷數(shù)據(jù)）都放在一起的，所以大家可以想象一下，熱數(shù)據(jù)和冷數(shù)據(jù)放在一起，然后對熱數(shù)據(jù)的高并發(fā)查詢占到了99%，那這樣的架構還合理嗎？

當然不合理，我們需要再次重構系統(tǒng)架構。

五、 數(shù)據(jù)的冷熱分離架構

針對上述提到的問題，很明顯要做的一個架構重構就是冷熱數(shù)據(jù)分離。也就是說，將今日實時計算出來的熱數(shù)據(jù)放在一個MySQL集群里，將離線計算出來的冷數(shù)據(jù)放在另外一個MySQL集群里。

然后開發(fā)一個數(shù)據(jù)查詢平臺，封裝底層的多個MySQL集群，根據(jù)查詢條件動態(tài)路由到熱數(shù)據(jù)存儲或者是冷數(shù)據(jù)存儲。

通過這個步驟的重構，我們就可以有效的將熱數(shù)據(jù)存儲中單表的數(shù)據(jù)量降低到更少更少，有的單表數(shù)據(jù)量可能就幾十萬，因為將離線計算的大量數(shù)據(jù)結果從表里剝離出去了，放到另外一個集群里去。此時大家可想而知，效果當然是更好了。

因為熱數(shù)據(jù)的單表數(shù)據(jù)量減少了很多，當時的一個最明顯的效果，就是用戶99%的查詢都是針對熱數(shù)據(jù)存儲發(fā)起的，性能從原來的1秒左右降低到了200毫秒以內(nèi)，用戶體驗提升，大家感覺更好了。

六、自研Elasticsearch+HBase+純內(nèi)存的查詢引擎

架構演進到這里，看起來好像還不錯，但是其實問題還是很多。因為到了這個階段，系統(tǒng)遇到了另外一個較為嚴重的問題：冷數(shù)據(jù)存儲，如果完全用MySQL來承載是很不靠譜的。冷數(shù)據(jù)的數(shù)據(jù)量是日增長不斷增加，而且增速很快，每天都新增幾千萬。

因此你的MySQL服務器將會面臨不斷的需要擴容的問題，而且如果為了支撐這1%的冷數(shù)據(jù)查詢請求，不斷的擴容增加高配置的MySQL服務器，大家覺得靠譜么？

肯定是不合適的！

要知道，大量分庫分表后，MySQL大量的庫和表維護起來是相當麻煩的，修改個字段？加個索引？這都是一場麻煩事兒。

此外，因為對冷數(shù)據(jù)的查詢，一般都是針對大量數(shù)據(jù)的查詢，比如用戶會選擇過去幾個月，甚至一年的數(shù)據(jù)進行分析查詢，此時如果純用MySQL還是挺災難性的。

因為當時明顯發(fā)現(xiàn)，針對海量數(shù)據(jù)場景下，一下子查詢分析幾個月或者幾年的數(shù)據(jù)，性能是極差的，還是很容易搞成幾秒甚至幾十秒才出結果。

因此針對這個冷數(shù)據(jù)的存儲和查詢的問題，我們最終選擇了自研一套基于NoSQL來存儲，然后基于NoSQL+內(nèi)存的SQL計算引擎。

具體來說，我們會將冷數(shù)據(jù)全部采用ES+HBase來進行存儲，ES中主要存放要對冷數(shù)據(jù)進行篩選的各種條件索引，比如日期以及各種維度的數(shù)據(jù)，然后HBase中會存放全量的數(shù)據(jù)字段。

因為ES和HBase的原生SQL支持都不太好，因此我們直接自研了另外一套SQL引擎，專門支持這種特定的場景，就是基本沒有多表關聯(lián)，就是對單個數(shù)據(jù)集進行查詢和分析，然后支持NoSQL存儲+內(nèi)存計算。

這里有一個先決條件，就是如果要做到對冷數(shù)據(jù)全部是單表類的數(shù)據(jù)集查詢，必須要在冷數(shù)據(jù)進入NoSQL存儲的時候，全部基于ES和HBase的特性做到多表入庫關聯(lián)，進數(shù)據(jù)存儲就全部做成大寬表的狀態(tài)，將數(shù)據(jù)關聯(lián)全部上推到入庫時完成，而不是在查詢時進行。

對冷數(shù)據(jù)的查詢，我們自研的SQL引擎首先會根據(jù)各種where條件先走ES的分布式高性能索引查詢，ES可以針對海量數(shù)據(jù)高性能的檢索出來需要的那部分數(shù)據(jù)，這個過程用ES做是最合適的。

接著就是將檢索出來的數(shù)據(jù)對應的完整的各個數(shù)據(jù)字段，從HBase里提取出來，拼接成完成的數(shù)據(jù)。

然后就是將這份數(shù)據(jù)集放在內(nèi)存里，進行復雜的函數(shù)計算、分組聚合以及排序等操作。

上述操作，全部基于自研的針對這個場景的查詢引擎完成，底層基于Elasticsearch、HBase、純內(nèi)存來實現(xiàn)。

七、實時數(shù)據(jù)存儲引入緩存集群

好了，到此為止，冷數(shù)據(jù)的海量數(shù)據(jù)存儲、高性能查詢的問題，就解決了。接著回過頭來看看當日實時數(shù)據(jù)的查詢，其實實時數(shù)據(jù)的每日計算結果不會太多，而且寫入并發(fā)不會特別特別的高，每秒上萬也就差不多了。

因此這個背景下，就是用MySQL分庫分表來支撐數(shù)據(jù)的寫入、存儲和查詢，都沒問題。

但是有一個小問題，就是說每個商家的實時數(shù)據(jù)其實不是頻繁的變更的，在一段時間內(nèi)，可能壓根兒沒變化，因此不需要高并發(fā)請求，每秒10萬級別的全部落地到數(shù)據(jù)庫層面吧？要全都落地到數(shù)據(jù)庫層面，那可能要給每個主庫掛載很多從庫來支撐高并發(fā)讀。

因此這里我們引入了一個緩存集群，實時數(shù)據(jù)每次更新后寫入的時候，都是寫數(shù)據(jù)庫集群同時還寫緩存集群的，是雙寫的方式。

然后查詢的時候是優(yōu)先從緩存集群來走，此時基本上90%以上的高并發(fā)查詢都走緩存集群了，然后只有10%的查詢會落地到數(shù)據(jù)庫集群。

八、階段性總結

好了，到此為止，這個架構基本左邊也都重構完畢：

• 熱數(shù)據(jù)基于緩存集群+數(shù)據(jù)庫集群來承載高并發(fā)的每秒十萬級別的查詢。
• 冷數(shù)據(jù)基于ES+HBase+內(nèi)存計算的自研查詢引擎來支撐海量數(shù)據(jù)存儲以及高性能查詢。

經(jīng)實踐，整個效果非常的好。用戶對熱數(shù)據(jù)的查詢基本多是幾十毫秒的響應速度，對冷數(shù)據(jù)的查詢基本都是200毫秒以內(nèi)的響應速度。

九、下一階段的展望

其實架構演進到這里已經(jīng)很不容易了，因為看似這么一張圖，里面涉及到無數(shù)的細節(jié)和技術方案的落地，需要一個團隊耗費至少1年的時間才能做到這個程度。

但是接下來，我們要面對的，就是高可用的問題，因為付費級的產(chǎn)品，我們必須要保證超高的可用性，99.99%的可用性，甚至是99.999%的可用性。