話說當下技術圈的朋友，一起聚個會聊個天，如果不會點大數據的知識，感覺都融入不了圈子。

[[287007]] 

圖片來自 Pexels

為了以后聚會時讓你有聊有料，接下來就跟隨我的講述，一起與大數據混個臉熟吧，不過在“撩”大數據之前，還是先揭秘一下研發這些年我們都經歷了啥?

01

緣起：應用系統架構的從 0 到 1

揭秘：研發這些年我們都經歷了啥?

①大道至簡。生活在技術圈里，大家靜下來想想，無論一個應用系統多龐大、多復雜，無非也就是由一個漂亮的網站門面+一個丑陋的管理模塊+一個悶頭干活的定時任務三大板塊組成。

我們負責的應用系統當然也不例外，起初設計的時候三大模塊綁在一起(All in One)，線上跑一個 Tomcat 輕松就搞定，可謂是像極了一個大泥球。

 

②衍化至繁。由于網站模塊、管理平臺、定時任務三大模塊綁定在一起，開發協作會比較麻煩，時不時會有代碼合并沖突出現。

線上應用升級時，也會導致其他模塊暫時不能使用，例如如果修改了一個定時任務的配置，可能會導致網站、管理平臺的服務暫時不能用。

面對諸多的不便，就不得不對 All in One 的大泥球系統進行拆解。

 

隨著產品需求的快速迭代，網站 Web 功能逐漸增多，我們起初設計時雄心勃勃(All in One 的單體架構)，以為直接按模塊設計疊加實現就好了，誰成想系統越發顯得臃腫(想想也是走彎路啦!)。

所以不得不改變實現思路，讓模塊服務下沉，分布式思想若現——讓原來網站 Web 一個系統做的事，變成由子系統分擔去完成。

 

應用架構的演變，服務模塊化拆分，隨之而來的就是業務日志、業務數據散落在各處。

隨著業務的推廣，業務量逐日增多，沉淀的數據日益龐大，在業務層面、運維層面上的很多問題，逐漸開始暴露：

• 在業務層面上，面對監管機構的監管，整合提取散落在各地的海量數據稍顯困難;海量數據散落，想做個統計分析報表也非常不易。
• 在運維層面上，由于缺少統一的日志歸檔，想基于日志做快速分析也比較困難;如果想從散落在各模塊的日志中，進行調用鏈路的分析也是相當費勁。

面對上述問題，此時一個碩大的紅色問號出現在我們面前，到底該如何解決?

 

面對結構化的業務數據，不妨先考慮采用國內比較成熟的開源數據庫中間件 Sharding-JDBC、MyCat 看是否能夠解決業務問題。

面對日志數據，可以考慮采用 ELK 等開源組件。如果以上方案或者能嘗試的方式都無法幫我們解決，嘗試搬出大數據吧。

 

那到底什么時候需要用大數據呢?大數據到底能幫我們解決什么問題呢?注意，前方高能預警，門外漢“撩”大數據的正確姿勢即將開啟。

02

邂逅：一起撬開大數據之門

槽點：門外漢“撩”大數據的正確姿勢。

與大數據的邂逅，源于兩個頭痛的問題。第一個問題是海量數據的存儲，如何解決?第二個問題是海量數據的計算，如何解決?

 

面對這兩個頭痛的問題，不得不提及谷歌的“三駕馬車”(分布式文件系統 GFS、MapReduce 和 BigTable)。

谷歌“三駕馬車”的出現，奠定了大數據發展的基石，毫不夸張地說，沒有谷歌的“三駕馬車”就沒有大數據，所以接下來很有必要逐一認識。

大家都知道，谷歌搜索引擎每天要抓取數以億計的網頁，那么抓取的海量數據該怎么存儲?

 

谷歌痛則思變，重磅推出分布式文件系統 GFS。面對谷歌推出的分布式文件系統 GFS 架構，如 PPT 中示意，參與角色著實很簡單。

主要分為：

• GFS Master(主服務器)
• GFS Chunkserver(塊存儲服務器)
• GFS Client(客戶端)

不過對于首次接觸這個的你，可能還是一臉懵 ，大家心莫慌，接下來容我抽象一下。

 

GFS Master 我們姑且認為是古代的皇上，統籌全局，運籌帷幄。主要負責掌控管理所有文件系統的元數據，包括文件和塊的命名空間、從文件到塊的映射、每個塊所在的節點位置。

說白了，就是要維護哪個文件存在哪些文件服務器上的元數據信息，并且定期通過心跳機制與每一個 GFS Chunkserver 通信，向其發送指令并收集其狀態。

GFS Chunkserver 可以認為是宰相，因為宰相肚子里面能撐船，能夠海納百川。主要提供數據塊的存儲服務，以文件的形式存儲于 Chunkserver 上。

GFS Client 可以認為是使者，對外提供一套類似傳統文件系統的 API 接口，對內主要通過與皇帝通信來獲取元數據，然后直接和宰相交互，來進行所有的數據操作。

為了讓大家對 GFS 背后的讀寫流程有更多認識，獻上兩首歌謠：

 

到這里，大家應該對分布式文件系統 GFS 不再陌生，以后在飯桌上討論該話題時，也能與朋友交涉兩嗓子啦。

不過這還只是了解了海量數據怎么存儲，那如何從海量數據存儲中，快速計算出我們想要的結果呢?

 

面對海量數據的計算，谷歌再次創新，推出了 MapReduce 編程模型及實現。

MapReduce 主要是采取分而治之的思想，通俗地講，主要是將一個大規模的問題，分成多個小規模的問題，把多個小規模問題解決，然后再合并小規模問題的結果，就能夠解決大規模的問題。

也有人說 MapReduce 就像光頭強的鋸子和錘子，世界上的萬事萬物都可以先鋸幾下，然后再錘幾下，就能輕松搞定，至于鋸子怎么鋸，錘子怎么錘，那就是個人的手藝了。

這么解釋不免顯得枯燥乏味，我們不妨換種方式，走進生活真實感受 MapReduce。

 

斗地主估計大家都玩過，每次開玩之前，都會統計一副牌的張數到底夠不夠，最快的步驟莫過于：分幾份給大家一起數，最后大家把數累加，算總張數，接著就可以愉快地玩耍啦......

這不就是分而治之的思想嗎?!不得不說架構思想來源于人們的生活!

再舉個不太貼切的例子來感受 MapReduce 背后的運轉流程，估計很多人掰過玉米，每當玉米成熟的季節，地主家就開始忙碌起來。

 

首先地主將一畝地的玉米分給處于空閑狀態的長工來處理;專門負責掰玉米的長工領取任務，開始掰玉米操作(Map 操作)，并把掰好的玉米放到在麻袋里(緩沖區)，麻袋裝不下時，會被裝到木桶中(溢寫)。

木桶被劃分為藍色的生玉米木桶、紅色的熟玉米木桶(分區)，地主通知二當家來“收”屬于自己的那部分玉米。

二當家收到地主的通知后，就到相應的長工那兒“拿回”屬于自己的那部分玉米(Fetch 操作)，二當家對收取的玉米進行處理(Reduce 操作)，并把處理后的結果放入糧倉。

一個不太貼切的生活體驗+一張畫得不太對的丑圖=苦澀難懂的技術，也不知道這樣解釋，你了解了多少?

不過如果以后再談大數據，知道 MapReduce 這個詞的存在，那這次的分享就算成功(哈哈)。

MapReduce 解決了海量數據的計算問題，可謂是力作，但谷歌新的業務需求一直在不斷出現。

眾所周知，谷歌要存儲爬取的海量網頁，由于網頁會不斷更新，所以要不斷地針對同一個 URL 進行爬取，那么就需要能夠存儲一個 URL 不同時期的多個版本的網頁內容。

谷歌面臨很多諸如此類的業務場景，面對此類頭痛的需求，該怎么辦?

谷歌重磅打造了一款類似以“URL+contents+time stamp”為 key，以“html 網頁內容”為值的存儲系統，于是就有了 BigTable 這個鍵值系統的存在(本文不展開詳述)。

 

至此，兩個頭痛的問題就算解決了。面對海量數據存儲難題，谷歌推出了分布式文件系統 GFS、結構化存儲系統 BigTable;面對海量數據的計算難題，谷歌推出了 MapReduce。

不過靜下來想想，GFS 也好、MapReduce 也罷，無非都是秉承了大道至簡、一人掌權、其他人辦事、人多力量大的設計理念。

另外畫龍畫虎難畫骨，建議閑暇之余也多些思考：為什么架構要這么設計?架構設計的目標到底是如何體現的?

 

基于谷歌的“三駕馬車”，出現了一大堆開源的輪子，不得不說谷歌的“三駕馬車”開啟了大數據時代。

了解了谷歌的“三駕馬車”的設計理念后，再去看這些開源的輪子，應該會比較好上手。

好了，門外漢“撩”大數據就聊到這兒吧，希望通過上文的分享能夠了解幾個關鍵詞：大道至簡、衍化至繁、谷歌三駕馬車(GFS、MapReduce、BigTable)、痛則思變、開源輪子。

03

白頭：番外篇

扯淡：不妨換一種態度。

本文至此也即將接近尾聲，最后是番外篇~

首先，借用日本劍道學習心訣“守、破、離”，希望我們一起做一個精進的人。

 

最后，在有限的時間內要多學習，不要停下學習的腳步，在了解和使用已經有的成熟技術之時，更要多思考，開創適合自己工作場景的解決方案。

作者：許賽賽

簡介：宜信支付結算部支付研發團隊高級工程師