上节中我们知道了 Sentinel-Go 大概能做什么事情，最简单的例子如何跑起来
其实我早就写好了本系列的第二篇，但迟迟没有发布，感觉光初始化流程显得有些单一，于是又补充了责任链模式，二合一，内容显得丰富一些。
初始化流程
初始化做了什么
Sentinel-Go 初始化时主要做了以下2件事情：
- 通过各种方式（文件、环境变量等）载入全局配置
- 启动异步的定时任务或服务，如机器 cpu、内存信息收集、metric log 写入等等
初始化流程详解
提供的 API
上节例子中，我们使用了最简单的初始化方式
func InitDefault() error
除此之外，它还提供了另外几种初始化方式
// 使用给定的 parser 方法解析配置的方式来初始化 func InitWithParser(configBytes []byte, parser func([]byte) (*config.Entity, error)) (err error) // 使用已解析好的配置对象初始化 func InitWithConfig(confEntity *config.Entity) (err error) // 从 yaml 文件加载配置初始化 func InitWithConfigFile(configPath string) error
从命名能看出它们只是配置的获取方式不一样，其中InitWithParser 有点意思，传入的 parser 是个函数指针，对于 Java 写惯了的我来说还是有点陌生，比如通过 json 解析可以写出如下 parser
parser := func(configBytes []byte) (*config.Entity, error) { conf := &config.Entity{} err := json.Unmarshal(configBytes, conf) return conf, err } conf := "{\"Version\":\"v1\",\"Sentinel\":{\"App\":{\"Name\":\"roshi-app\",\"Type\":0}}}" err := api.InitWithParser([]byte(conf), parser)
配置项
简单看一下 Sentinel-Go 的配置项，首先配置被包装在一个 Entity 中，包含了一个 Version 和 真正的配置信息 SentinelConfig
type Entity struct { Version string Sentinel SentinelConfig } 接着， SentinelConfig 是这样： type SentinelConfig struct { App struct { // 应用名 Name string // 应用类型：普通应用，网关 Type int32 } // Exporter 配置 Exporter ExporterConfig // 日志配置 Log LogConfig // 统计配置 Stat StatConfig // 是否缓存时间戳 UseCacheTime bool `yaml:"useCacheTime"` } App 应用信息 应用名 应用类型：如普通应用、网关应用等 ExporterConfig：prometheus exporter 暴露服务的端口和 path type ExporterConfig struct { Metric MetricExporterConfig } type MetricExporterConfig struct { // http 服务地址，如 ":8080" HttpAddr string `yaml:"http_addr"` // http 服务 path，如"/metrics". HttpPath string `yaml:"http_path"` }
- LogConfig：包括使用什么logger，日志目录，文件是否使用 pid（防止一台机器部署两个应用日志混合），以及 metric log 的单个文件大小、最多保留文件个数、刷新时间
type LogConfig struct { // logger，可自定义 Logger logging.Logger // 日志目录 Dir string // 是否在日志文件后加 PID UsePid bool `yaml:"usePid"` // metric 日志配置 Metric MetricLogConfig } type MetricLogConfig struct { // 单个文件最大占用空间 SingleFileMaxSize uint64 `yaml:"singleFileMaxSize"` // 最多文件个数 MaxFileCount uint32 `yaml:"maxFileCount"` // 刷新间隔 FlushIntervalSec uint32 `yaml:"flushIntervalSec"` }
- StatConfig：统计配置包括资源采集窗口配置，metric 统计的窗口、系统信息收集间隔
type StatConfig struct { // 全局统计资源的窗口（后续文章再解释） GlobalStatisticSampleCountTotal uint32 `yaml:"globalStatisticSampleCountTotal"` GlobalStatisticIntervalMsTotal uint32 `yaml:"globalStatisticIntervalMsTotal"` // metric 统计的窗口（后续文章再解释） MetricStatisticSampleCount uint32 `yaml:"metricStatisticSampleCount"` MetricStatisticIntervalMs uint32 `yaml:"metricStatisticIntervalMs"` // 系统采集配置 System SystemStatConfig `yaml:"system"` } type SystemStatConfig struct { // 采集默认间隔 CollectIntervalMs uint32 `yaml:"collectIntervalMs"` // 采集 cpu load 间隔 CollectLoadIntervalMs uint32 `yaml:"collectLoadIntervalMs"` // 采集 cpu 使用间隔 CollectCpuIntervalMs uint32 `yaml:"collectCpuIntervalMs"` // 采集内存间隔使用 CollectMemoryIntervalMs uint32 `yaml:"collectMemoryIntervalMs"` }
配置覆盖
从上文知道，参数可以通过自定义 parser / 文件 / 默认 的方式来传入配置，但后面这个配置还可以用系统的环境变量覆盖，覆盖项目前只包括应用名、应用类型、日志文件使用使用 PID 结尾、日志目录
func OverrideConfigFromEnvAndInitLog() error { // 系统环境变量可覆盖传入的配置 err := overrideItemsFromSystemEnv() if err != nil { return err } ... return nil }
启动后台服务
- 启动 聚合 metric 定时任务，聚合后发送到 chan，聚合后的格式如下：
_, err := fmt.Fprintf(&b, "%d|%s|%s|%d|%d|%d|%d|%d|%d|%d|%d", m.Timestamp, timeStr, finalName, m.PassQps, m.BlockQps, m.CompleteQps, m.ErrorQps, m.AvgRt, m.OccupiedPassQps, m.Concurrency, m.Classification) 时间戳|时间字符串|名称|通过QPS|阻断QPS|完成QPS|出错QPS|平均RT|已经通过QPS|并发|类别
- 启动 metric 写入日志定时任务，可配置间隔时间（秒级），接受上个任务写入 chan 的数据
- 启动单独 goroutine 收集 cpu 使用率 / load、内存使用，收集间隔可配置，收集到的信息存放在
system_metric下的私有变量
var ( currentLoad atomic.Value currentCpuUsage atomic.Value currentMemoryUsage atomic.Value )
- 若开启，则启动单独 goroutine 缓存时间戳，间隔是 1ms，这个主要是为了高并发下提高获取时间戳的性能
func (t *RealClock) CurrentTimeMillis() uint64 { // 从缓存获取时间戳 tickerNow := CurrentTimeMillsWithTicker() if tickerNow > uint64(0) { return tickerNow } return uint64(time.Now().UnixNano()) / UnixTimeUnitOffset }
获取时，如果拿到 0 则说明未开启缓存时间戳，取当前，如果拿到值说明已开启，可直接使用
- 若配置了 metric exporter，则启动服务，监听端口，暴露 prometheus 的 exporter
责任链模式
什么是责任链模式
可以用这样一张图形象地解释什么是责任链
责任链模式为每次请求创建了一个链，链上有 N 多个处理者，处理者可在不同阶段处理不同的事情，就像这幅图上的小人，拿到一桶水（请求）后都可以完成各自的事情，比如往头上浇，然后再传递给下一个。
为什么叫责任？因为每个处理者只关心自己的责任，跟自己没关系就递交给链上的下一个处理者。
责任链在哪里有用到？很多开源产品都是用了责任链模式，如 Dubbo、Spring MVC 等等
这么设计有什么好处？
- 简化编码难度，抽象出处理模型，只需关注关心的点即可
- 扩展性好，如果需要自定义责任链中的一环或者插拔某一环，非常容易实现
关于扩展性除了大家理解的软件设计中的扩展性外，这里还想提两点，阿里开源的软件其实都有高扩展性这个特性，一是因为是开源，别人使用场景未必和自己一致，留出扩展接口，不符合要求的，用户可以自行实现，二是如果要追溯，阿里开源扩展性 Dubbo 可能算是祖师爷（未考证），Dubbo 作者（梁飞）的博客中说过为什么 Dubbo 要设计这么强的扩展性，他对代码有一定的追求，在他维护时期，代码能保证高质量，但如果项目交给别人，如何才能保持现在的水准呢？于是他设计出一套很强的扩展，后面开发基于这个扩展去做，代码就不会差到哪里去
- 可动态，可针对每个请求构造不同的责任链
Sentinel-Go 责任链设计
先看责任链的数据结构定义，Sentinel-Go 把处理者叫 Slot（插槽），将 Slot 分为了前置统计、规则校验、统计三组，且每组是有有序的
type SlotChain struct { // 前置准备（有序） statPres []StatPrepareSlot // 规则校验（有序） ruleChecks []RuleCheckSlot // 统计（有序） stats []StatSlot // 上线文对象池（复用对象） ctxPool *sync.Pool }
在调用 Entry 开始进入 Sentinel 逻辑时，如果没有手动构造 SlotChain，则使用默认
。
为什么这里要设计成三个 Slot组呢？因为每组 Slot 的行为稍有不同，比如前置准备的 Slot 不需要返回值，规则校验组需要返回值，如果校验当前流量不通过，还需要返回原因、类型等信息，统计 Slot 还会有一些入参，比如请求是否失败等等
type BaseSlot interface { Order() uint32 } type StatPrepareSlot interface { BaseSlot Prepare(ctx *EntryContext) } type RuleCheckSlot interface { BaseSlot Check(ctx *EntryContext) *TokenResult } type StatSlot interface { BaseSlot OnEntryPassed(ctx *EntryContext) OnEntryBlocked(ctx *EntryContext, blockError *BlockError) OnCompleted(ctx *EntryContext) }
总结
本文从源码角度分析了 Sentinel-Go 的初始化流程和责任链的设计，总体上来说还是比较简单，接下来的系列文章将会分析 Sentinel-Go 的限流熔断等的核心设计与实现。
