揭祕“撩”大資料的正確姿勢：生動示例解說大資料“三駕馬車”

我是我：“緣起於美麗，相識於邂逅，廝守到白頭！”  

眾聽眾：“呃，難道今天是要分享如何作詩？！”

我是我：“大家不要誤會，今天主要的分享不是如何作詩，而是《揭祕：‘撩’大資料的正確姿勢》，下面進入正題。”

話說當下技術圈的朋友，一起聚個會聊個天，如果不會點大資料的知識，感覺都融入不了圈子，為了以後聚會時讓你有聊有料，接下來就跟隨我的講述，一起與大資料混個臉熟吧，不過在“撩”大資料之前，還是先揭祕一下研發這些年我們都經歷了啥？

緣起：應用系統架構的從 0 到 1

揭祕：研發這些年我們都經歷了啥？

大道至簡。生活在技術圈裡，大家靜下來想想，無論一個應用系統多龐大、多複雜，無非也就是由一個漂亮的網站門面 + 一個醜陋的管理模組 + 一個悶頭幹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組綁在一起（All in one），線上跑一個 Tomcat 輕鬆就搞定，可謂是像極了一個大泥球。

衍化至繁。由於網站模組、管理平臺、定時任務三大模組繫結在一起，開發協作會比較麻煩，時不時會有程式碼合併衝突出現；線上應用升級時，也會導致其它模組暫時不能使用，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），以為直接按模組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，讓模組服務下沉，分散式思想若現——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，服務模組化拆分，隨之而來的就是業務日誌、業務資料散落在各處。隨著業務的推廣，業務量逐日增多，沉澱的資料日益龐大，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資料稍顯困難；海量資料散落，想做個統計分析報表也非常不易。
• 在運維層面上，由於缺少統一的日誌歸檔，想基於日誌做快速分析也比較困難；如果想從散落在各模組的日誌中，進行呼叫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？

面對結構化的業務資料，不妨先考慮採用國內比較成熟的開源資料庫中介軟體 Sharding-JDBC、MyCat 看是否能夠解決業務問題；面對日誌資料，可以考慮採用 ELK 等開源元件。如果以上方案或者能嘗試的方式都無法幫我們解決，嘗試搬出大資料吧。

那到底什麼時候需要用大資料呢？大資料到底能幫我們解決什麼問題呢？注意，前方高能預警，門外漢“撩”大資料的正確姿勢即將開啟。

邂逅：一起撬開大資料之門

槽點：門外漢“撩”大資料的正確姿勢

與大資料的邂逅，源於兩個頭痛的問題。第一個問題是海量資料的儲存，如何解決？第二個問題是海量資料的計算，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”（分散式檔案系統 GFS、MapReduce 和 BigTable），谷歌“三駕馬車”的出現，奠定了大資料發展的基石，毫不誇張地說，沒有谷歌的“三駕馬車”就沒有大資料，所以接下來很有必要逐一認識。

大家都知道，谷歌搜尋引擎每天要抓取數以億計的網頁，那麼抓取的海量資料該怎麼儲存？

谷歌痛則思變，重磅推出分散式檔案系統 GFS。面對谷歌推出的分散式檔案系統 GFS 架構，如 PPT 中示意，參與角色著實很簡單，主要分為 GFS Master（主伺服器）、GFS Chunkserver（塊儲存伺服器）、GFS Client（客戶端）。

不過對於首次接觸這個的你，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，統籌全域性，運籌帷幄。主要負責掌控管理所有檔案系統的後設資料，包括檔案和塊的名稱空間、從檔案到塊的對映、每個塊所在的節點位置。說白了，就是要維護哪個檔案存在哪些檔案伺服器上的後設資料資訊，並且定期通過心跳機制與每一個 GFS Chunkserver 通訊，向其傳送指令並收集其狀態。

GFS Chunkserver 可以認為是宰相，因為宰相肚子裡面能撐船，能夠海納百川。主要提供資料塊的儲存服務，以檔案的形式儲存於 Chunkserver 上。

GFS Client 可以認為是使者，對外提供一套類似傳統檔案系統的 API 介面，對內主要通過與皇帝通訊來獲取後設資料，然後直接和宰相互動，來進行所有的資料操作。

為了讓大家對 GFS 背後的讀寫流程有更多認識，獻上兩首歌謠。

到這裡，大家應該對分散式檔案系統 GFS 不再陌生，以後在飯桌上討論該話題時，也能與朋友交涉兩嗓子啦。

不過這還只是瞭解了海量資料怎麼儲存，那如何從海量資料儲存中，快速計算出我們想要的結果呢？

面對海量資料的計算，谷歌再次創新，推出了 MapReduce 程式設計模型及實現。

MapReduce 主要是採取分而治之的思想，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，然後再合併小規模問題的結果，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，然後再錘幾下，就能輕鬆搞定，至於鋸子怎麼鋸，錘子怎麼錘，那就是個人的手藝了。

這麼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。

鬥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，最快的步驟莫過於：分幾份給大家一起數，最後大家把數累加，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於人們的生活！

再舉個不太貼切的例子來感受MapReduce 背後的運轉流程，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於空閒狀態的長工來處理；專門負責掰玉米的長工領取任務，開始掰玉米操作（Map 操作），並把掰好的玉米放到在麻袋裡（緩衝區），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（分割槽），地主通知二當家來“收”屬於自己的那部分玉米，二當家收到地主的通知後，就到相應的長工那兒“拿回”屬於自己的那部分玉米（Fetch 操作），二當家對收取的玉米進行處理（Reduce 操作），並把處理後的結果放入糧倉。

一個不太貼切的生活體驗 + 一張畫得不太對的醜圖 = 苦澀難懂的技術，也不知道這樣解釋，你瞭解了多少？不過如果以後再談大資料，知道 MapReduce 這個詞的存在，那這次的分享就算成功（哈哈）。

MapReduce 解決了海量資料的計算問題，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，谷歌要儲存爬取的海量網頁，由於網頁會不斷更新，所以要不斷地針對同一個 URL 進行爬取，那麼就需要能夠儲存一個 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，該怎麼辦？

谷歌重磅打造了一款類似以“URL + contents + time stamp”為 key，以“html 網頁內容”為值的儲存系統，於是就有了 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。面對海量資料儲存難題，谷歌推出了分散式檔案系統 GFS、結構化儲存系統 BigTable；面對海量資料的計算難題，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、其它人辦事、人多力量大的設計理念。另外畫龍畫虎難畫骨，建議閒暇之餘也多些思考：為什麼架構要這麼設計？架構設計的目標到底是如何體現的？

基於谷歌的“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”開啟了大資料時代。瞭解了谷歌的“三駕馬車”的設計理念後，再去看這些開源的輪子，應該會比較好上手。

好了，門外漢“撩”大資料就聊到這兒吧，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。

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，最後是番外篇~

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。

最後，在有限的時間內要多學習，不要停下學習的腳步，在瞭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。

文章來源：宜信技術學院 & 宜信支付結算團隊技術分享第6期-宜信支付結算部支付研發團隊高階工程師許賽賽《揭祕：“撩”大資料的正確姿勢》

分享者：宜信支付結算部支付研發團隊高階工程師許賽賽

原文首發於公號-野指標

來自 “ ITPUB部落格 ” ，連結：http://blog.itpub.net/69918724/viewspace-2671367/，如需轉載，請註明出處，否則將追究法律責任。