[分散式]分散式計算系統淺析

（1）從一個新聞入口網站案例引入

 

現在很多同學經常會看到一些名詞，比如分散式服務框架，分散式系統，分散式儲存系統，分散式訊息系統。

 

但是有些經驗尚淺的同學，可能都很容易被這些名詞給搞暈。所以這篇文章就對“分散式計算系統”這個概念做一個科普類的分析。

 

如果你要理解啥是分散式計算，就必須先得理解啥是分散式儲存，現在我們從一個小例子來引入。

 

比如說現在你有一個網站，我們們假設是一個新聞入口網站好了。每天是不是會有可能上千萬使用者會湧入進來看你的新聞？

 

好的，那麼他們會怎麼看新聞呢？

 

其實很簡單，首先他們會點選一些板塊，比如“體育板塊”，“娛樂板塊”。

 

然後，點選一些新聞標題，比如“20年來最刺激的一場比賽即將拉開帷幕”，接著還可能會發表一些評論，或者點選對某個好的新聞進行收藏。

 

那麼你的這些使用者乾的這些事兒有一個專業的名詞，叫做“使用者行為”。

 

因為在你的網站或者APP上，使用者一定會進行各種操作，點選各種按鈕，發表一些資訊，這些都是各種行為，統稱為“使用者行為”。

 

好了，現在假如說新聞入口網站的boss說想要做一個功能，在網站裡每天做一個排行榜，統計出來每天每個版塊被點選的次數，包括最熱門的一些新聞。

 

然後呢，在網站後臺系統裡需要有一些報表，要讓他看到不同的編輯產出的文章的點選量彙總，做一個編輯的績效排名，還有很多類似的事情。

 

這些事情叫什麼呢？你可以認為是基於使用者行為資料進行分析和統計，產出各種各樣的資料統計分析報表和結果，供網站的使用者、管理人員來檢視。

 

這也有一個專業的名詞，叫做“使用者行為分析”。

 

 

 

（2）推算一下你需要分析多少條資料？

 

好，我們麼繼續。如果你要對使用者行為進行分析，那你是不是首先需要收集這些使用者行為的資料？

 

比如說有個哥兒們現在點了一下“體育”板塊，你需要在網頁前端或者是APP上立馬傳送一條日誌到後臺，記錄清楚“id為117的使用者點選了一下id位003的板塊”。

 

同樣，這個東西也有一個專業的名詞，叫做“使用者行為日誌”。

 

那你可以來計算一下，這些使用者行為如果採用日誌的方式收集，每天大概會產生多少條資料？

 

假設每天1000萬人訪問你的新聞網站，平均每個人做出30個點選、評論以及收藏等行為，那麼就是3億條使用者行為日誌。

 

假設每條使用者行為日誌的大小是100個位元組，因為可能包含了很多很多的欄位，比如他是在網頁點選的，還是在手機APP上點選的，手機APP是用的什麼作業系統，android還是IOS，類似這樣的欄位是很多的。

 

那麼你就有每天大概28GB左右的資料，這裡一共包含3億條。

 

假如對這3億條資料，你就自己寫個Java程式，從一個超大的28GB的大日誌檔案裡，一條一條讀取日誌來統計分析和計算，一直到把3億條資料都計算完畢，你覺得會花費多少時間？

 

不可想象，根據你的計算邏輯複雜度來說，搞不好要花費幾十個小時的時間。

 

所以你覺得這種大資料場景下的分析，這麼玩兒靠譜麼？不靠譜。

 

 

 

（3）黃金搭檔：分散式儲存+分散式計算

 

所以這個時候，你就可以首先採用分散式儲存的方式，把那3億條資料分散存放在比如30臺機器上，每臺機器大概就放1000萬條資料，大概就1GB的資料量。

 

大家看看下面的圖：

接著你就可以上分散式計算了，你可以把統計分析資料的計算任務，拆分成30個計算任務，每個計算任務都分發到一臺機器上去執行。

 

也就是說，就專門針對機器本地的1GB資料，那1000萬條資料進行分析和計算。

 

這樣的好處就是可以依託30臺機器的資源並行的進行資料的統計和分析，這也就是所謂的分散式計算了。

 

每臺機器的計算結果出來之後，就可以進行綜合性的彙總，然後就可以拿到最終的一個分析結果，大家看下圖。

假設之前你的3億條資料都在一個30GB的大檔案裡，然後你一個Java程式一條一條慢慢讀慢慢計算，需要耗費30小時。

 

那麼現在把計算任務並行到了30臺機器上去，就可以提升30倍的計算速度，是不是就只需要1小時就可以完成計算了？

 

所以這個就是所謂的分散式計算，他一般是針對超大資料集，也就是現在很流行的大資料進行計算的。

 

首先需要將超大資料集拆分成很多資料塊分散在多臺機器上，然後把計算任務分發到各個機器上去，利用多臺機器的CPU、記憶體等計算資源來進行計算。

 

這種分散式計算的方式，對於超大資料集的計算可以提升幾十倍甚至幾百倍的效率，其實這個理論和概念，也是大資料技術的基礎。

 

比如現在最流行的大資料技術棧裡，Hadoop HDFS就是用做分散式儲存的，他可以把一個超大檔案拆分為很多小的資料塊放在很多機器上。

 

而像Spark就是分散式計算系統，他可以把計算任務分發到各個機器上，對各個資料塊進行平行計算。

 

以上就是用大白話+畫圖，給小白同學們科普了一下分散式計算系統的相關知識，相信大家看了之後，對分散式計算系統，應該有一個初步的認識了。