面向对象数据库管理系统出现问题怎么解决

在开始谈我对架构本质的理解之前，先谈谈对今天技术沙龙主题的个人见解，千万级规模的网站感觉数量级是非常大的，对这个数量级我们战略上 要重 视 它 ， 战术上又 要 藐 视 它。先举个例子感受一下千万级到底是什么数量级？现在很流行的优步(Uber)，从媒体公布的信息看，它每天接单量平均在百万左右， 假如每天有10个小时的服务时间，平均QPS只有30左右。对于一个后台服务器，单机的平均QPS可以到达800-1000，单独看写的业务量很简单 。为什么我们又不能说轻视它？第一，我们看它的数据存储，每天一百万的话，一年数据量的规模是多少？其次，刚才说的订单量，每一个订单要推送给附近的司机、司机要并发抢单，后面业务场景的访问量往往是前者的上百倍，轻松就超过上亿级别了。 今天我想从架构的本质谈起之后，希望大家理解在做一些建构设计的时候，它的出发点以及它解决的问题是什么。 架构，刚开始的解释是我从知乎上看到的。什么是架构？有人讲， 说架构并不是一 个很 悬 乎的 东西 ， 实际 上就是一个架子 ， 放一些 业务 和算法，跟我们的生活中的晾衣架很像。更抽象一点，说架构其 实 是 对 我 们 重复性业务 的抽象和我 们 未来 业务 拓展的前瞻，强调过去的经验和你对整个行业的预见。 我们要想做一个架构的话需要哪些能力？我觉得最重要的是架构师一个最重要的能力就是你要有 战 略分解能力。这个怎么来看呢: 第一，你必须要有抽象的能力，抽象的能力最基本就是去重，去重在整个架构中体现在方方面面，从定义一个函数，到定义一个类，到提供的一个服务，以及模板，背后都是要去重提高可复用率。 第二， 分类能力。做软件需要做对象的解耦，要定义对象的属性和方法，做分布式系统的时候要做服务的拆分和模块化，要定义服务的接口和规范。 第三， 算法（性能），它的价值体现在提升系统的性能，所有性能的提升，最终都会落到CPU，内存，IO和网络这4大块上。 这一页PPT举了一些例子来更深入的理解常见技术背后的架构理念。 第一个例子，在分布式系统我们会做 MySQL分 库 分表，我们要从不同的库和表中读取数据，这样的抽象最直观就是使用模板，因为绝大多数SQL语义是相同的，除了路由到哪个库哪个表，如果不使用Proxy中间件，模板就是性价比最高的方法。 第二看一下加速网络的CDN，它是做速度方面的性能提升，刚才我们也提到从CPU、内存、IO、网络四个方面来考虑，CDN本质上一个是做网络智能调度优化，另一个是多级缓存优化。 第三个看一下服务化，刚才已经提到了，各个大网站转型过程中一定会做服务化，其实它就是做抽象和做服务的拆分。第四个看一下消息队列，本质上还是做分类，只不过不是两个边际清晰的类，而是把两个边际不清晰的子系统通过队列解构并且异步化。新浪微博整体架构是什么样的 接下我们看一下微博整体架构，到一定量级的系统整个架构都会变成三层，客户端包括WEB、安卓和IOS，这里就不说了。接着还都会有一个接口层， 有三个主要作用： 第一个作用，要做 安全隔离，因为前端节点都是直接和用户交互，需要防范各种恶意攻击； 第二个还充当着一个 流量控制的作用，大家知道，在2014年春节的时候，微信红包，每分钟8亿多次的请求，其实真正到它后台的请求量，只有十万左右的数量级（这里的数据可能不准），剩余的流量在接口层就被挡住了； 第三，我们看对 PC 端和移 动 端的需求不一样的，所以我们可以进行拆分。接口层之后是后台，可以看到微博后台有三大块： 一个是 平台服 务， 第二， 搜索， 第三， 大数据。到了后台的各种服务其实都是处理的数据。 像平台的业务部门，做的就是 数据存储和读 取，对搜索来说做的是 数据的 检 索，对大数据来说是做的数据的 挖掘。微博其实和淘宝是很类似 微博其实和淘宝是很类似的。一般来说，第一代架构，基本上能支撑到用户到 百万 级别，到第二代架构基本能支撑到 千万 级别都没什么问题，当业务规模到 亿级别时，需要第三代的架构。 从 LAMP 的架构到面向服 务 的架构，有几个地方是非常难的，首先不可能在第一代基础上通过简单的修修补补满足用户量快速增长的，同时线上业务又不能停， 这是我们常说的 在 飞 机上 换 引擎的 问题。前两天我有一个朋友问我，说他在内部推行服务化的时候，把一个模块服务化做完了，其他部门就是不接。我建议在做服务化的时候，首先更多是偏向业务的梳理，同时要找准一个很好的切入点，既有架构和服务化上的提升，业务方也要有收益，比如提升性能或者降低维护成本同时升级过程要平滑，建议开始从原子化服务切入，比如基础的用户服务， 基础的短消息服务，基础的推送服务。 第二，就是可 以做无状 态 服 务，后面会详细讲，还有数据量大了后需要做数据Sharding，后面会将。 第三代 架构 要解决的 问题，就是用户量和业务趋于稳步增加（相对爆发期的指数级增长），更多考虑技术框架的稳定性， 提升系统整体的性能，降低成本，还有对整个系统监控的完善和升级。 大型网站的系统架构是如何演变的 我们通过通过数据看一下它的挑战，PV是在10亿级别，QPS在百万，数据量在千亿级别。我们可用性，就是SLA要求4个9，接口响应最多不能超过150毫秒，线上所有的故障必须得在5分钟内解决完。如果说5分钟没处理呢？那会影响你年终的绩效考核。2015年微博DAU已经过亿。我们系统有上百个微服务，每周会有两次的常规上线和不限次数的紧急上线。我们的挑战都一样，就是数据量，bigger and bigger，用户体验是faster and faster，业务是more and more。互联网业务更多是产品体验驱动， 技 术 在 产 品 体验上最有效的贡献 ， 就是你的性能 越来越好 。 每次降低加载一个页面的时间，都可以间接的降低这个页面上用户的流失率。微博的技术挑战和正交分解法解析架构 下面看一下 第三代的 架构 图 以及 我 们 怎么用正交分解法 阐 述。 我们可以看到我们从两个维度，横轴和纵轴可以看到。 一个 维 度 是 水平的 分层 拆分，第二从垂直的维度会做拆分。水平的维度从接口层、到服务层到数据存储层。垂直怎么拆分，会用业务架构、技术架构、监控平台、服务治理等等来处理。我相信到第二代的时候很多架构已经有了业务架构和技术架构的拆分。我们看一下， 接口层有feed、用户关系、通讯接口；服务层，SOA里有基层服务、原子服务和组合服务，在微博我们只有原子服务和组合服务。原子服务不依赖于任何其他服务，组合服务由几个原子服务和自己的业务逻辑构建而成 ，资源层负责海量数据的存储（后面例子会详细讲）。技 术框架解决 独立于 业务 的海量高并发场景下的技术难题，由众多的技术组件共同构建而成 。在接口层，微博使用JERSY框架，帮助你做参数的解析，参数的验证，序列化和反序列化；资源层，主要是缓存、DB相关的各类组件，比如Cache组件和对象库组件。监 控平台和服 务 治理 ， 完成系统服务的像素级监控，对分布式系统做提前诊断、预警以及治理。包含了SLA规则的制定、服务监控、服务调用链监控、流量监控、错误异常监控、线上灰度发布上线系统、线上扩容缩容调度系统等。 下面我们讲一下常见的设计原则。 第一个，首先是系统架构三个利器： 一个， 我 们 RPC 服 务组 件 （这里不讲了）， 第二个，我们 消息中 间 件 。消息中间件起的作用：可以把两个模块之间的交互异步化，其次可以把不均匀请求流量输出为匀速的输出流量，所以说消息中间件 异步化 解耦 和流量削峰的利器。 第三个是配置管理，它是 代码级灰度发布以及 保障系统降级的利器。 第二个 ， 无状态 ， 接口 层 最重要的就是无状 态。我们在电商网站购物，在这个过程中很多情况下是有状态的，比如我浏览了哪些商品，为什么大家又常说接口层是无状态的，其实我们把状态从接口层剥离到了数据层。像用户在电商网站购物，选了几件商品，到了哪一步，接口无状态后，状态要么放在缓存中，要么放在数据库中， 其 实 它并不是没有状 态 ， 只是在 这 个 过 程中我 们 要把一些有状 态 的 东 西抽离出来 到了数据层。 第三个， 数据 层 比服 务层 更需要 设计，这是一条非常重要的经验。对于服务层来说，可以拿PHP写，明天你可以拿JAVA来写，但是如果你的数据结构开始设计不合理，将来数据结构的改变会花费你数倍的代价，老的数据格式向新的数据格式迁移会让你痛不欲生，既有工作量上的，又有数据迁移跨越的时间周期，有一些甚至需要半年以上。 第四，物理结构与逻辑结构的映射，上一张图看到两个维度切成十二个区间，每个区间代表一个技术领域，这个可以看做我们的逻辑结构。另外，不论后台还是应用层的开发团队，一般都会分几个垂直的业务组加上一个基础技术架构组，这就是从物理组织架构到逻辑的技术架构的完美的映射，精细化团队分工，有利于提高沟通协作的效率 。 第五， www .sanhao.com 的访问过程，我们这个架构图里没有涉及到的，举个例子，比如当你在浏览器输入www.sanhao网址的时候，这个请求在接口层之前发生了什么？首先会查看你本机DNS以及DNS服务，查找域名对应的IP地址，然后发送HTTP请求过去。这个请求首先会到前端的VIP地址（公网服务IP地址），VIP之后还要经过负载均衡器（Nginx服务器），之后才到你的应用接口层。在接口层之前发生了这么多事，可能有用户报一个问题的时候，你通过在接口层查日志根本发现不了问题，原因就是问题可能发生在到达接口层之前了。 第六，我们说分布式系统，它最终的瓶颈会落在哪里呢？前端时间有一个网友跟我讨论的时候，说他们的系统遇到了一个瓶颈， 查遍了CPU，内存，网络，存储，都没有问题。我说你再查一遍，因为最终你不论用上千台服务器还是上万台服务器，最终系统出瓶颈的一定会落在某一台机（可能是叶子节点也可能是核心的节点），一定落在CPU、内存、存储和网络上，最后查出来问题出在一台服务器的网卡带宽上。微博多级双机房缓存架构 接下来我们看一下微博的Feed多级缓存。我们做业务的时候，经常很少做业务分析，技术大会上的分享又都偏向技术架构。其实大家更多的日常工作是需要花费更多时间在业务优化上。这张图是统计微博的信息流前几页的访问比例，像前三页占了97%，在做缓存设计的时候，我们最多只存最近的M条数据。 这里强调的就是做系统设计 要基于用 户 的 场 景 ， 越细致越好 。举了一个例子，大家都会用电商，电商在双十一会做全国范围内的活动，他们做设计的时候也会考虑场景的，一个就是购物车，我曾经跟相关开发讨论过，购物车是在双十一之前用户的访问量非常大，就是不停地往里加商品。在真正到双十一那天他不会往购物车加东西了，但是他会频繁的浏览购物车。针对这个场景，活动之前重点设计优化购物车的写场景， 活动开始后优化购物车的读场景。 你看到的微博是由哪些部分聚合而成的呢？最右边的是Feed，就是微博所有关注的人，他们的微博所组成的。微博我们会按照时间顺序把所有关注人的顺序做一个排序。随着业务的发展，除了跟时间序相关的微博还有非时间序的微博，就是会有广告的要求，增加一些广告，还有粉丝头条，就是拿钱买的，热门微博，都会插在其中。分发控制，就是说和一些推荐相关的，我推荐一些相关的好友的微博，我推荐一些你可能没有读过的微博，我推荐一些其他类型的微博。 当然对非时序的微博和分发控制微博，实际会起多个并行的程序来读取，最后同步做统一的聚合。这里稍微分享一下， 从SNS社交领域来看，国内现在做的比较好的三个信息流： 微博 是 基于弱关系的媒体信息流 ； 朋友圈是基于 强 关系的信息流 ； 另外一个做的比 较 好的就是今日 头 条 ， 它并不是基于关系来构建信息流 ， 而是基于 兴趣和相关性的个性化推荐 信息流 。 信息流的聚合，体现在很多很多的产品之中，除了SNS，电商里也有信息流的聚合的影子。比如搜索一个商品后出来的列表页，它的信息流基本由几部分组成：第一，打广告的；第二个，做一些推荐，热门的商品，其次，才是关键字相关的搜索结果。 信息流 开始的时候 很 简单 ， 但是到后期会 发现 ， 你的 这 个流 如何做控制分发 ， 非常复杂， 微博在最近一两年一直在做 这样 的工作。刚才我们是从业务上分析，那么技术上怎么解决高并发，高性能的问题？微博访问量很大的时候，底层存储是用MySQL数据库，当然也会有其他的。对于查询请求量大的时候，大家知道一定有缓存，可以复用可重用的计算结果。可以看到，发一条微博，我有很多粉丝，他们都会来看我发的内容，所以 微博是最适合使用 缓 存 的系统，微博的读写比例基本在几十比一。微博使用了 双 层缓 存，上面是L1，每个L1上都是一组（包含4-6台机器），左边的框相当于一个机房，右边又是一个机房。在这个系统中L1缓存所起的作用是什么？ 首先，L1 缓 存增加整个系 统 的 QPS， 其次 以低成本灵活扩容的方式 增加 系统 的 带宽 。想象一个极端场景，只有一篇博文，但是它的访问量无限增长，其实我们不需要影响L2缓存，因为它的内容存储的量小，但它就是访问量大。这种场景下，你就需要使用L1来扩容提升QPS和带宽瓶颈。另外一个场景，就是L2级缓存发生作用，比如我有一千万个用户，去访问的是一百万个用户的微博 ，这个时候，他不只是说你的吞吐量和访问带宽，就是你要缓存的博文的内容也很多了，这个时候你要考虑缓存的容量， 第二 级缓 存更多的是从容量上来 规划，保证请求以较小的比例 穿透到 后端的 数据 库 中 ，根据你的用户模型你可以估出来，到底有百分之多少的请求不能穿透到DB， 评估这个容量之后，才能更好的评估DB需要多少库，需要承担多大的访问的压力。另外，我们看双机房的话，左边一个，右边一个。 两个机房是互 为 主 备 ， 或者互 为热备 。如果两个用户在不同地域，他们访问两个不同机房的时候，假设用户从IDC1过来，因为就近原理，他会访问L1，没有的话才会跑到Master，当在IDC1没找到的时候才会跑到IDC2来找。同时有用户从IDC2访问，也会有请求从L1和Master返回或者到IDC1去查找。 IDC1 和 IDC2 ，两个机房都有全量的用户数据，同时在线提供服务，但是缓存查询又遵循最近访问原理。还有哪些多级缓存的例子呢？CDN是典型的多级缓存。CDN在国内各个地区做了很多节点，比如在杭州市部署一个节点时，在机房里肯定不止一台机器，那么对于一个地区来说，只有几台服务器到源站回源，其他节点都到这几台服务器回源即可，这么看CDN至少也有两级。Local Cache+ 分布式 缓 存，这也是常见的一种策略。有一种场景，分布式缓存并不适用， 比如 单 点 资 源 的爆发性峰值流量，这个时候使用Local Cache + 分布式缓存，Local Cache 在 应用 服 务 器 上用很小的 内存资源 挡住少量的 极端峰值流量，长尾的流量仍然访问分布式缓存，这样的Hybrid缓存架构通过复用众多的应用服务器节点，降低了系统的整体成本。 我们来看一下 Feed 的存 储 架构，微博的博文主要存在MySQL中。首先来看内容表，这个比较简单，每条内容一个索引，每天建一张表，其次看索引表，一共建了两级索引。首先想象一下用户场景，大部分用户刷微博的时候，看的是他关注所有人的微博，然后按时间来排序。仔细分析发现在这个场景下， 跟一个用户的自己的相关性很小了。所以在一级索引的时候会先根据关注的用户，取他们的前条微博ID，然后聚合排序。我们在做哈希（分库分表）的时候，同时考虑了按照UID哈希和按照时间维度。很业务和时间相关性很高的，今天的热点新闻，明天就没热度了，数据的冷热非常明显，这种场景就需要按照时间维度做分表，首先冷热数据做了分离（可以对冷热数据采用不同的存储方案来降低成本），其次， 很容止控制我数据库表的爆炸。像微博如果只按照用户维度区分，那么这个用户所有数据都在一张表里，这张表就是无限增长的，时间长了查询会越来越慢。二级索引，是我们里面一个比较特殊的场景，就是我要快速找到这个人所要发布的某一时段的微博时，通过二级索引快速定位。 分布式服务追踪系统 分布式追踪服务系统，当系统到千万级以后的时候，越来越庞杂，所解决的问题更偏向稳定性，性能和监控。刚才说用户只要有一个请求过来，你可以依赖你的服务RPC1、RPC2，你会发现RPC2又依赖RPC3、RPC4。分布式服务的时候一个痛点，就是说一个请求从用户过来之后，在后台不同的机器之间不停的调用并返回。 当你发现一个问题的时候，这些日志落在不同的机器上，你也不知道问题到底出在哪儿，各个服务之间互相隔离，互相之间没有建立关联。所以导致排查问题基本没有任何手段，就是出了问题没法儿解决。 我们要解决的问题，我们刚才说日志互相隔离，我们就要把它建立联系。建立联系我们就有一个请求ID，然后结合RPC框架， 服务治理功能。假设请求从客户端过来，其中包含一个ID 101，到服务A时仍然带有ID 101，然后调用RPC1的时候也会标识这是101 ，所以需要 一个唯一的 请求 ID 标识 递归迭代的传递到每一个 相关 节点。第二个，你做的时候，你不能说每个地方都加，对业务系统来说需要一个框架来完成这个工作， 这 个框架要 对业务 系 统 是最低侵入原 则 ， 用 JAVA 的 话 就可以用 AOP，要做到零侵入的原则，就是对所有相关的中间件打点，从接口层组件（HTTP Client、HTTP Server）至到服务层组件（RPC Client、RPC Server），还有数据访问中间件的，这样业务系统只需要少量的配置信息就可以实现全链路监控 。为什么要用日志？服务化以后，每个服务可以用不同的开发语言， 考虑多种开发语言的兼容性 ， 内部定 义标 准化的日志 是唯一且有效的办法。最后，如何构建基于GPS导航的路况监控？我们刚才讲分布式服务追踪。分布式服务追踪能解决的问题， 如果 单一用 户发现问题 后 ， 可以通 过请 求 ID 快速找到 发 生 问题 的 节 点在什么，但是并没有解决如何发现问题。我们看现实中比较容易理解的道路监控，每辆车有GPS定位，我想看北京哪儿拥堵的时候，怎么做？ 第一个 ， 你肯定要知道每个 车 在什么位置，它走到哪儿了。其实可以说每个车上只要有一个标识，加上每一次流动的信息，就可以看到每个车流的位置和方向。 其次如何做 监 控和 报 警，我们怎么能了解道路的流量状况和负载，并及时报警。我们要定义这条街道多宽多高，单位时间可以通行多少辆车，这就是道路的容量。有了道路容量，再有道路的实时流量，我们就可以基于实习路况做预警？ 对应于 分布式系 统 的话如何构建？ 第一 ， 你要 定义 每个服 务节 点它的 SLA A 是多少 ？SLA可以从系统的CPU占用率、内存占用率、磁盘占用率、QPS请求数等来定义，相当于定义系统的容量。 第二个 ， 统计 线 上 动态 的流量，你要知道服务的平均QPS、最低QPS和最大QPS，有了流量和容量，就可以对系统做全面的监控和报警。 刚才讲的是理论，实际情况肯定比这个复杂。微博在春节的时候做许多活动，必须保障系统稳定，理论上你只要定义容量和流量就可以。但实际远远不行，为什么？有技术的因素，有人为的因素，因为不同的开发定义的流量和容量指标有主观性，很难全局量化标准，所以真正流量来了以后，你预先评估的系统瓶颈往往不正确。实际中我们在春节前主要采取了三个措施：第一，最简单的就是有降 级 的 预 案，流量超过系统容量后，先把哪些功能砍掉，需要有明确的优先级 。第二个， 线上全链路压测，就是把现在的流量放大到我们平常流量的五倍甚至十倍（比如下线一半的服务器，缩容而不是扩容），看看系统瓶颈最先发生在哪里。我们之前有一些例子，推测系统数据库会先出现瓶颈，但是实测发现是前端的程序先遇到瓶颈。第三，搭建在线 Docker 集群 ， 所有业务共享备用的 Docker集群资源，这样可以极大的避免每个业务都预留资源，但是实际上流量没有增长造成的浪费。 总结 接下来说的是如何不停的学习和提升，这里以Java语言为例，首先， 一定要 理解 JAVA；第二步，JAVA完了以后，一定要 理 解 JVM；其次，还要 理解 操作系统；再次还是要了解一下 Design Pattern，这将告诉你怎么把过去的经验抽象沉淀供将来借鉴；还要学习 TCP/IP、 分布式系 统、数据结构和算法。

前言 这期我想写很久了，但是因为时间的原因一直拖到了现在，我以为一两天就写完了，结果从构思到整理资料，再到写出来用了差不多一周的时间吧。 你们也知道丙丙一直都是创作鬼才来的，所以我肯定不会一本正经的写，我想了好几个切入点，最后决定用一个完整的电商系统作为切入点，带着大家看看，我们需要学些啥，我甚至还收集配套视频和资料，暖男石锤啊，这期是呕心沥血之作，不要白嫖了。 正文 在写这个文章之前，我花了点时间，自己臆想了一个电商系统，基本上算是麻雀虽小五脏俱全，我今天就用它开刀，一步步剖析，我会讲一下我们可能会接触的技术栈可能不全，但是够用，最后给个学习路线。 Tip：请多欣赏一会，每个点看一下，看看什么地方是你接触过的，什么技术栈是你不太熟悉的，我觉得还算是比较全的，有什么建议也可以留言给我。 不知道大家都看了一下没，现在我们就要庖丁解牛了，我从上到下依次分析。 前端 你可能会会好奇，你不是讲后端学习路线嘛，为啥还有前端的部分，我只能告诉你，傻瓜，肤浅。 我们可不能闭门造车，谁告诉你后端就不学点前端了？ 前端现在很多也了解后端的技术栈的，你想我们去一个网站，最先接触的，最先看到的是啥？ 没错就是前端，在大学你要是找不到专门的前端同学，去做系统肯定也要自己顶一下前端的，那我觉得最基本的技术栈得熟悉和了解吧，丙丙现在也是偶尔会开发一下我们的管理系统主要是VUE和React。 在这里我列举了我目前觉得比较简单和我们后端可以了解的技术栈，都是比较基础的。 作为一名后端了解部分前端知识还是很有必要的，在以后开发的时候，公司有前端那能帮助你前后端联调更顺畅，如果没前端你自己也能顶一下简单的页面。 HTML、CSS、JS、Ajax我觉得是必须掌握的点，看着简单其实深究或者去操作的话还是有很多东西的，其他作为扩展有兴趣可以了解，反正入门简单，只是精通很难很难。 在这一层不光有这些还有Http协议和Servlet，request、response、cookie、session这些也会伴随你整个技术生涯，理解他们对后面的你肯定有不少好处。 Tip：我这里最后删除了JSP相关的技术，我个人觉得没必要学了，很多公司除了老项目之外，新项目都不会使用那些技术了。 前端在我看来比后端难，技术迭代比较快，知识好像也没特定的体系，所以面试大厂的前端很多朋友都说难，不是技术多难，而是知识多且复杂，找不到一个完整的体系，相比之下后端明朗很多，我后面就开始讲后端了。 网关层： 互联网发展到现在，涌现了很多互联网公司，技术更新迭代了很多个版本，从早期的单机时代，到现在超大规模的互联网时代，几亿人参与的春运，几千亿成交规模的双十一，无数互联网前辈的造就了现在互联网的辉煌。 微服务，分布式，负载均衡等我们经常提到的这些名词都是这些技术在场景背后支撑。 单机顶不住，我们就多找点服务器，但是怎么将流量均匀的打到这些服务器上呢？ 负载均衡，LVS 我们机器都是IP访问的，那怎么通过我们申请的域名去请求到服务器呢？ DNS 大家刷的抖音，B站，快手等等视频服务商，是怎么保证同时为全国的用户提供快速的体验？ CDN 我们这么多系统和服务，还有这么多中间件的调度怎么去管理调度等等？ zk 这么多的服务器，怎么对外统一访问呢，就可能需要知道反向代理的服务器。 Nginx 这一层做了反向负载、服务路由、服务治理、流量管理、安全隔离、服务容错等等都做了，大家公司的内外网隔离也是这一层做的。 我之前还接触过一些比较有意思的项目，所有对外的接口都是加密的，几十个服务会经过网关解密，找到真的路由再去请求。 这一层的知识点其实也不少，你往后面学会发现分布式事务，分布式锁，还有很多中间件都离不开zk这一层，我们继续往下看。 服务层： 这一层有点东西了，算是整个框架的核心，如果你跟我帅丙一样以后都是从事后端开发的话，我们基本上整个技术生涯，大部分时间都在跟这一层的技术栈打交道了，各种琳琅满目的中间件，计算机基础知识，Linux操作，算法数据结构，架构框架，研发工具等等。 我想在看这个文章的各位，计算机基础肯定都是学过的吧，如果大学的时候没好好学，我觉得还是有必要再看看的。 为什么我们网页能保证安全可靠的传输，你可能会了解到HTTP，TCP协议，什么三次握手，四次挥手。 还有进程、线程、协程，什么内存屏障，指令乱序，分支预测，CPU亲和性等等，在之后的编程生涯，如果你能掌握这些东西，会让你在遇到很多问题的时候瞬间get到点，而不是像个无头苍蝇一样乱撞（然而丙丙还做得不够）。 了解这些计算机知识后，你就需要接触编程语言了，大学的C语言基础会让你学什么语言入门都会快点，我选择了面向对象的JAVA，但是也不知道为啥现在还没对象。 JAVA的基础也一样重要，面向对象（包括类、对象、方法、继承、封装、抽象、 多态、消息解析等），常见API，数据结构，集合框架，设计模式（包括创建型、结构型、行为型），多线程和并发，I/O流，Stream，网络编程你都需要了解。 代码会写了，你就要开始学习一些能帮助你把系统变得更加规范的框架，SSM可以会让你的开发更加便捷，结构层次更加分明。 写代码的时候你会发现你大学用的Eclipse在公司看不到了，你跟大家一样去用了IDEA，第一天这是什么玩意，一周后，真香，但是这玩意收费有点贵，那免费的VSCode真的就是不错的选择了。 代码写的时候你会接触代码的仓库管理工具maven、Gradle，提交代码的时候会去写项目版本管理工具Git。 代码提交之后，发布之后你会发现很多东西需要自己去服务器亲自排查，那Linux的知识点就可以在里面灵活运用了，查看进程，查看文件，各种Vim操作等等。 系统的优化很多地方没优化的空间了，你可能会尝试从算法，或者优化数据结构去优化，你看到了HashMap的源码，想去了解红黑树，然后在算法网上看到了二叉树搜索树和各种常见的算法问题，刷多了，你也能总结出精华所在，什么贪心，分治，动态规划等。 这么多个服务，你发现HTTP请求已经开始有点不满足你的需求了，你想开发更便捷，像访问本地服务一样访问远程服务，所以我们去了解了Dubbo，Spring cloud。 了解Dubbo的过程中，你发现了RPC的精华所在，所以你去接触到了高性能的NIO框架，Netty。 代码写好了，服务也能通信了，但是你发现你的代码链路好长，都耦合在一起了，所以你接触了消息队列，这种异步的处理方式，真香。 他还可以帮你在突发流量的时候用队列做缓冲，但是你发现分布式的情况，事务就不好管理了，你就了解到了分布式事务，什么两段式，三段式，TCC，XA，阿里云的全局事务服务GTS等等。 分布式事务的时候你会想去了解RocketMQ，因为他自带了分布式事务的解决方案，大数据的场景你又看到了Kafka。 我上面提到过zk，像Dubbo、Kafka等中间件都是用它做注册中心的，所以很多技术栈最后都组成了一个知识体系，你先了解了体系中的每一员，你才能把它们联系起来。 服务的交互都从进程内通信变成了远程通信，所以性能必然会受到一些影响。 此外由于很多不确定性的因素，例如网络拥塞、Server 端服务器宕机、挖掘机铲断机房光纤等等，需要许多额外的功能和措施才能保证微服务流畅稳定的工作。 **Spring Cloud **中就有 Hystrix 熔断器、Ribbon客户端负载均衡器、Eureka注册中心等等都是用来解决这些问题的微服务组件。 你感觉学习得差不多了，你发现各大论坛博客出现了一些前沿技术，比如容器化，你可能就会去了解容器化的知识，像**Docker，Kubernetes（K8s）**等。 微服务之所以能够快速发展，很重要的一个原因就是：容器化技术的发展和容器管理系统的成熟。 这一层的东西呢其实远远不止这些的，我不过多赘述，写多了像个劝退师一样，但是大家也不用慌，大部分的技术都是慢慢接触了，工作中慢慢去了解，去深入的。 好啦我们继续沿着图往下看，那再往下是啥呢？ 数据层： 数据库可能是整个系统中最值钱的部分了，在我码文字的前一天，刚好发生了微盟程序员删库跑路的操作，删库跑路其实是我们在网上最常用的笑话，没想到还是照进了现实。 这里也提一点点吧，36小时的故障，其实在互联网公司应该是个笑话了吧，权限控制没做好类似rm -rf 、fdisk、drop等等这样的高危命令是可以实时拦截掉的，备份，全量备份，增量备份，延迟备份，异地容灾全部都考虑一下应该也不至于这样，一家上市公司还是有点点不应该。 数据库基本的事务隔离级别，索引，SQL，主被同步，读写分离等都可能是你学的时候要了解到的。 上面我们提到了安全，不要把鸡蛋放一个篮子的道理大家应该都知道，那分库的意义就很明显了，然后你会发现时间久了表的数据大了，就会想到去接触分表，什么TDDL、Sharding-JDBC、DRDS这些插件都会接触到。 你发现流量大的时候，或者热点数据打到数据库还是有点顶不住，压力太大了，那非关系型数据库就进场了，Redis当然是首选，但是MongoDB、memcache也有各自的应用场景。 Redis使用后，真香，真快，但是你会开始担心最开始提到的安全问题，这玩意快是因为在内存中操作，那断点了数据丢了怎么办？你就开始阅读官方文档，了解RDB，AOF这些持久化机制，线上用的时候还会遇到缓存雪崩击穿、穿透等等问题。 单机不满足你就用了，他的集群模式，用了集群可能也担心集群的健康状态，所以就得去了解哨兵，他的主从同步，时间久了Key多了，就得了解内存淘汰机制…… 他的大容量存储有问题，你可能需要去了解Pika…. 其实远远没完，每个的点我都点到为止，但是其实要深究每个点都要学很久，我们接着往下看。 实时/离线/大数据 等你把几种关系型非关系型数据库的知识点，整理清楚后，你会发现数据还是大啊，而且数据的场景越来越多多样化了，那大数据的各种中间件你就得了解了。 你会发现很多场景，不需要实时的数据，比如你查你的支付宝去年的，上个月的账单，这些都是不会变化的数据，没必要实时，那你可能会接触像ODPS这样的中间件去做数据的离线分析。 然后你可能会接触Hadoop系列相关的东西，比如于Hadoop（HDFS）的一个数据仓库工具Hive，是建立在 Hadoop 文件系统之上的分布式面向列的数据库HBase 。 写多的场景，适合做一些简单查询，用他们又有点大材小用，那Cassandra就再合适不过了。 离线的数据分析没办法满足一些实时的常见，类似风控，那Flink你也得略知一二，他的窗口思想还是很有意思。 数据接触完了，计算引擎Spark你是不是也不能放过…… 搜索引擎： 传统关系型数据库和NoSQL非关系型数据都没办法解决一些问题，比如我们在百度，淘宝搜索东西的时候，往往都是几个关键字在一起一起搜索东西的，在数据库除非把几次的结果做交集，不然很难去实现。 那全文检索引擎就诞生了，解决了搜索的问题，你得思考怎么把数据库的东西实时同步到ES中去，那你可能会思考到logstash去定时跑脚本同步，又或者去接触伪装成一台MySQL从服务的Canal，他会去订阅MySQL主服务的binlog，然后自己解析了去操作Es中的数据。 这些都搞定了，那可视化的后台查询又怎么解决呢？Kibana，他他是一个可视化的平台，甚至对Es集群的健康管理都做了可视化，很多公司的日志查询系统都是用它做的。 学习路线 看了这么久你是不是发现，帅丙只是一直在介绍每个层级的技术栈，并没说到具体的一个路线，那是因为我想让大家先有个认知或者说是扫盲吧，我一样用脑图的方式汇总一下吧，如果图片被平台二压了。 资料/学习网站 Tip：本来这一栏有很多我准备的资料的，但是都是外链，或者不合适的分享方式，博客的运营小姐姐提醒了我，所以大家去公众号回复【路线】好了。 絮叨 如果你想去一家不错的公司，但是目前的硬实力又不到，我觉得还是有必要去努力一下的，技术能力的高低能决定你走多远，平台的高低，能决定你的高度。 如果你通过努力成功进入到了心仪的公司，一定不要懈怠放松，职场成长和新技术学习一样，不进则退。 丙丙发现在工作中发现我身边的人真的就是实力越强的越努力，最高级的自律，享受孤独（周末的歪哥）。 总结 我提到的技术栈你想全部了解，我觉得初步了解可能几个月就够了，这里的了解仅限于你知道它，知道他是干嘛的，知道怎么去使用它，并不是说深入了解他的底层原理，了解他的常见问题，熟悉问题的解决方案等等。 你想做到后者，基本上只能靠时间上的日积月累，或者不断的去尝试积累经验，也没什么速成的东西，欲速则不达大家也是知道的。 技术这条路，说实话很枯燥，很辛苦，但是待遇也会高于其他一些基础岗位。 所实话我大学学这个就是为了兴趣，我从小对电子，对计算机都比较热爱，但是现在打磨得，现在就是为了钱吧，是不是很现实？若家境殷实，谁愿颠沛流离。 但是至少丙丙因为做软件，改变了家庭的窘境，自己日子也向小康一步步迈过去。 说做程序员改变了我和我家人的一生可能夸张了，但是我总有一种下班辈子会因为我选择走这条路而改变的错觉。 我是敖丙，一个在互联网苟且偷生的工具人。 创作不易，本期硬核，不想被白嫖，各位的「三连」就是丙丙创作的最大动力，我们下次见！ 本文 GitHub https://github.com/JavaFamily 已经收录，有大厂面试完整考点，欢迎Star。 该回答来自：敖丙

Layout Go工程项目的整体组织 首先我们看一下整个 Go 工程是怎么组织起来的。 很多同事都在用 GitLab 的，GitLab 的一个 group 里面可以创建很多 project。如果我们进行微服务化改造，以前很多巨石架构的应用可能就拆成了很多个独立的小应用。那么这么多小应用，你是要建 N 个 project 去维护，还是说按照部门或者组来组织这些项目呢？在 B 站的话，我们之前因为是 Monorepo，现在是按照部门去组织管理代码，就是说在单个 GitLab 的 project 里面是有多个 app 的，每一个 app 就表示一个独立的微服务，它可以独立去交付部署。所以说我们看到下面这张图里面，app 的目录里面是有好多个子目录的，比方说我们的评论服务，会员服务。跟 app 同级的目录有一个叫 pkg，可以存放业务有关的公共库。这是我们的一个组织方式。当然，还有一种方式，你可以按照 GitLab 的 project 去组织，但我觉得这样的话可能相对要创建的 project 会非常多。 如果你按部门组织的话，部门里面有很多 app，app 目录怎么去组织？我们实际上会给每一个 app 取一个全局唯一名称，可以理解为有点像 DNS 那个名称。我们对业务的命名也是一样的，我们基本上是三段式的命名，比如账号业务，它是一个账号业务、服务、子服务的三段命名。三段命名以后，在这个 app 目录里面，你也可以按照这三层来组织。比如我们刚刚说的账号目录，我可能就是 account 目录，然后 VIP，在 VIP 目录下可能会放各种各样的不同角色的微服务，比方说可能有一些是做 job，做定时任务或者流式处理的一些任务，有可能是做对外暴露的 API 的一些服务，这个就是我们关于整个大的 app 的组织的一种形式。 微服务中的 app 服务分类 微服务中单个 app 的服务里又分为几类不同的角色。我们基本上会把 app 分为 interface（BFF）、service、job（补充：还有一个 task，偏向定时执行，job 偏向流式） 和 admin。 Interface 是对外的业务网关服务，因为我们最终是面向终端用户的 API，面向 app，面向 PC 场景的，我们把这个叫成业务网关。因为我们不是统一的网关，我们可能是按照大的业务线去独立分拆的一些子网关，这个的话可以作为一个对外暴露的 HTTP 接口的一个目录去组织它的代码，当然也可能是 gRPC 的（参考 B 站对外的 gRPC Moss 分享）。 Service 这个角色主要是面向对内通信的微服务，它不直接对外。也就是说，业务网关的请求会转发或者是会 call 我们的内部的 service，它们之间的通讯可能是使用自己的 RPC，在 b 站我们主要是使用 gRPC。使用 gRPC 通讯以后，service 它因为不直接对外，service 之间可能也可以相互去 call。 Admin 区别于 service，很多应用除了有面向用户的一些接口，实际上还有面向企业内部的一些运营侧的需求，通常数据权限更高，从安全设计角度需要代码物理层面隔离，避免意外。 第四个是 ecode。我们当时也在内部争论了很久，我们的错误码定义到底是放在哪里？我们目前的做法是，一个应用里面，假设你有多种角色，它们可能会复用一些错误码。所以说我们会把我们的 ecode 给单独抽出来，在这一个应用里面是可以复用的。注意，它只在这一个应用里面复用，它不会去跨服跨目录应用，它是针对业务场景的一个业务错误码的组织。 App 目录组织 我们除了一个应用里面多种角色的这种情况，现在展开讲一下具体到一个 service 里面，它到底是怎么组织的。我们的 app 目录下大概会有 api、cmd、configs、 internal 目录，目录里一般还会放置 README、CHANGELOG、OWNERS。 API 是放置 api 定义以及对应的生成的 client 代码，包含基于 pb 定义（我们使用 PB 作为 DSL 描述 API） 生成的 swagger.json。 而 cmd，就是放 main 函数的。Configs 目录主要是放一些服务所需的配置文件，比方说说我们可能会使用 TOML 或者是使用 YAML 文件。 Internal 的话，它里面有四个子目录，分别是 model、dao、service 和 server。Model 的定位职责就是对我们底层存储的持久化层或者存储层的数据的映射，它是具体的 Go 的一个 struct。我们再看 dao，你实际就是要操作 MySQL 或者 Redis，最终返回的就是这些 model（存储映射）。Service 组织起来比较简单，就是我们通过 dao 里面的各个方法来完成一个完整的业务逻辑。我们还看到有个 server，因为我一个微服务有可能企业内部不一定所有 RPC 都统一，那我们处于过渡阶段，所以 server 里面会有两个小目录，一个是 HTTP 目录，暴露的是 HTTP 接口，还有一个是 gRPC 目录，我们会暴露 gRPC 的协议。所以在 server 里面，两个不同的启动的 server，就是说一个服务和启动两个端口，然后去暴露不同的协议，HTTP 接 RPC，它实际上会先 call 到 service，service 再 call 到 dao，dao 实际上会使用 model 的一些数据定义 struct。但这里面有一个非常重要的就是，因为这个结构体不能够直接返回给我们的 api 做外对外暴露来使用，为什么？因为可能从数据库里面取的敏感字段，当我们实际要返回到 api 的时候，可能要隐藏掉一些字段，在 Java 里面，会抽象的一个叫 DTO 的对象，它只是用来传输用的，同理，在我们 Go 里面，实际也会把这些 model 的一些结构体映射成 api 里面的结构体（基于 PB Message 生成代码后的 struct）。 Rob Pike 当时说过的一句话，a little copying is better than a little dependency，我们就遵循了这个理念。在我们这个目录结构里面，有 internal 目录，我们知道 Go 的目录只允许这个目录里面的人去 import 到它，跨目录的人实际是不能直接引用到它的。所以说，我们看到 service 有一个 model，那我的 job 代码，我做一些定时任务的代码或者是我的网关代码有可能会映射同一个 model，那是不是要把这个 model 放到上一级目录让大家共享？对于这个问题，其实我们当时内部也争论过很久。我们认为，每一个微服务应该只对自己的 model 负责，所以我们宁愿去做一小部分的代码 copy，也不会去为了几个服务之间要共享这一点点代码，去把这个 model 提到和 app 目录级别去共用，因为你一改全错，当然了，你如果是拷贝的话，就是每个地方都要去改，那我们觉得，依赖的问题可能会比拷贝代码相对来说还是要更复杂的。 这个是一个标准的 PB 文件，就是我们内部的一个 demo 的 service。最上面的 package 是 PB 的包名，demo.service.v1，这个包使用的是三段式命名，全局唯一的名称。那这个名称为什么不是用 ID？我见过有些公司对内部做的 CMDB 或者做服务树去管理企业内部微服务的时候，是用了一些名称加上 ID 来搞定唯一性，但是我们知道后面那一串 ID 数字是不容易被传播或者是不容易被记住的，这也是 DNS 出来的一个意义，所以我们用绝对唯一的一个名称来表示这个包的名字，在后面带上这一个 PB 文件的版本号 V1。 我们看第二段定义，它有个 Service Demo 代码，其实就表示了我们这个服务要启动的服务的一个名称，我们看到这个服务名称里面有很多个 RPC 的方法，表示最终这一个应用或者这个 service 要对外暴露这几个 RPC 的方法。这里面有个小细节，我们看一下 SayHello 这个方法，实际它有 option 的一个选项。通过这一个 PB 文件，你既可以描述出你要暴露的是 gRPC 协议，又暴露出 HTTP 的一个接口，这个好处是你只需要一个 PB 文件描述你暴露的所有 api。我们回想一下，我们刚刚目录里面有个 api 目录，实际这里面就是放这一个 PB 文件，描述这一个工程到底返回的接口是什么。不管是 gRPC 还是 HTTP 都是这一个文件。还有一个好处是什么？实际上我们可以在 PB 文件里面加上很多的注释。用 PB 文件的好处是你不需要额外地再去写文档，因为写文档和写服务的定义，它本质上是两个步骤，特别容易不一致，接口改了，文档不同步。我们如果基于这一个 PB 文件，它生成的 service 代码或者调用代码或者是文档都是唯一的。 依赖顺序与 api 维护 就像我刚刚讲到的，model 是一个存储层的结构体的一一映射，dao 处理一些数据读写包，比方说数据库缓存，server 的话就是启动了一些 gRPC 或者 HTTP Server，所以它整个依赖顺序如下：main 函数启动 server，server 会依赖 api 定义好的 PB 文件，定义好这些方法或者是服务名之后，实际上生成代码的时候，比方说 protocbuf 生成代码的时候，它会把抽象 interface 生成好。然后我们看一下 service，它实际上是弱依赖的 api，就是说我的 server 启动以后，要注册一个具体的业务代码的逻辑，映射方法，映射名字，实际上是弱依赖的 api 生成的 interface 的代码，你就可以很方便地启动你的 server，把你具体的 service 的业务逻辑给注入到这个 server，和方法进行一一绑定。最后，dao 和 service 实际上都会依赖这个 model。 因为我们在 PB 里面定义了一些 message，这些 message 生成的 Go 的 struct 和刚刚 model 的 struct 是两个不同的对象，所以说你要去手动 copy 它，把它最终返回。但是为了快捷，你不可能每次手动去写这些代码，因为它要做 mapping，所以我们又把 K8s 里类似 DeepCopy 的两个结构体相互拷贝的工具给抠出来了，方便我们内部 model 和 api 的 message 两个代码相互拷贝的时候，可以少写一些代码，减少一些工作量。 上面讲的就是我们关于工程的一些 layout 实践。简单回溯一下，大概分为几块，第一就是 app 是怎么组织的，app 里面有多种角色的服务是怎么组织的，第三就是一个 app 里面的目录是怎么组织的，最后我重点讲了一下 api 是怎么维护的。 Unittest 测试方法论 现在回顾一下单元测试。我们先看这张图，这张图是我从《Google 软件测试之道》这本书里面抠出来的，它想表达的意思就是最小型的测试不能给我们的最终项目的质量带来最大的信心，它比较容易带来一些优秀的代码质量，良好的异常处理等等。但是对于一个面向用户场景的服务，你只有做大型测试，比方做接口测试，在 App 上验收功能的这种测试，你应用交付的信心可能会更足。这个其实要表达的就是一个“721 原则”。我们就是 70% 写小型测试，可以理解为单元测试，因为它相对来说好写，针对方法级别。20% 是做一些中型测试，可能你要连调几个项目去完成你的 api。剩下 10% 是大型测试，因为它是最终面向用户场景的，你要去使用我们的 App，或者用一些测试 App 去测试它。这个就是测试的一些简单的方法论。 单元测试原则 我们怎么去对待 Go 里面的单元测试？在《Google 软件测试之道》这本书里面，它强调的是对于一个小型测试，一个单元测试，它要有几个特质。它不能依赖外部的一些环境，比如我们公司有测试环境，有持续集成环境，有功能测试环境，你不能依赖这些环境构建自己的单元测试，因为测试环境容易被破坏，它容易有数据的变更，数据容易不一致，你之前构建的案例重跑的话可能就会失败。 我觉得单元测试主要有四点要求。第一，快速，你不能说你跑个单元测试要几分钟。第二，要环境一致，也就是说你跑测试前和跑测试后，它的环境是一致的。第三，你写的所有单元测试的方法可以以任意顺序执行，不应该有先后的依赖，如果有依赖，也是在你测试的这个方法里面，自己去 setup 和 teardown，不应该有 Test Stub 函数存在顺序依赖。第四，基于第三点，你可以做并行的单元测试，假设我写了一百个单元测试，一个个跑肯定特别慢。 doker-compose 最近一段时间，我们演进到基于 docker-compose 实现跨平台跨语言环境的容器依赖管理方案，以解决运行 unittest 场景下的容器依赖问题。 首先，你要跑单元测试，你不应该用 VPN 连到公司的环境，好比我在星巴克点杯咖啡也可以写单元测试，也可以跑成功。基于这一点，Docker 实际上是非常好的解决方式。我们也有同学说，其他语言有一些 in-process 的 mock，是不是可以启动 MySQL 的 mock ，然后在 in-process 上跑？可以，但是有一个问题，你每一个语言都要写一个这样的 mock ，而且要写非常多种，因为我们中间件越来越多，MySQL，HBase，Kafka，什么都有，你很难覆盖所有的组件 Mock。这种 mock 或者 in-process 的实现不能完整地代表线上的情况，比方说，你可能 mock 了一个 MySQL，检测到 query 或者 insert ，没问题，但是你实际要跑一个 transaction，要验证一些功能就未必能做得非常完善了。所以基于这个原因，我们当时选择了 docker-compose，可以很好地解决这个问题。 我们对开发人员的要求就是，你本地需要装 Docker，我们开发人员大部分都是用 Mac，相对来说也比较简单，Windows 也能搞定，如果是 Linux 的话就更简单了。本地安装 Docker，本质上的理解就是无侵入式的环境初始化，因为你在容器里面，你拉起一个 MySQL，你自己来初始化数据。在这个容器被销毁以后，它的环境实际上就满足了我们刚刚提的环境一致的问题，因为它相当于被重置了，也可以很方便地快速重置环境，也可以随时随地运行，你不需要依赖任何外部服务，这个外部服务指的是像 MySQL 这种外部服务。当然，如果你的单元测试依赖另外一个 RPC 的 service 的话，PB 的定义会生成一个 interface，你可以把那个 interface 代码给 mock 掉，所以这个也是能做掉的。对于小型测试来说，你不依赖任何外部环境，你也能够快速完成。 另外，docker-compose 是声明式的 API，你可以声明你要用 MySQL，Redis，这个其实就是一个配置文件，非常简单。这个就是我们在单元测试上的一些实践。 我们现在看一下，service 目录里面多了一个 test 目录，我们会在这个里面放 docker-compose 的 YAML 文件来表示这次单元化测试需要初始化哪些资源，你要构建自己的一些测试的数据集。因为是这样的，你是写 dao 层的单元测试的话，可能就需要 database.sql 做一些数据的初始化，如果你是做 service 的单元测试的话，实际你可以把整个 dao 给 mock 掉，我觉得反而还相对简单，所以我们主要针对场景就是在 dao 里面偏持久层的，利用 docker-compose 来解决。 容器的拉起，容器的销毁，这些工作到底谁来做？是开发同学自己去拉起和销毁，还是说你能够把它做成一个 Library，让我们的同学写单元测试的时候比较方便？我倾向的是后者。所以在我们最终写单元测试的时候，你可以很方便地 setup 一个依赖文件，去 setup 你的容器的一些信息，或者把它销毁掉。所以说，你把环境准备好以后，最终可以跑测试代码也非常方便。当然我们也提供了一些命令函，就是 binary 的一些工具，它可以针对各个语言方便地拉起容器和销毁容器，然后再去执行代码，所以我们也提供了一些快捷的方式。 刚刚我也提到了，就是我们对于 service 也好，API 也好，因为依赖下层的 dao 或者依赖下层的 service，你都很方便 mock 掉，这个写单元测试相对简单，这个我不展开讲，你可以使用 GoMock 或者 GoMonkey 实现这个功能。 Toolchain 我们利用多个 docker-compose 来解决 dao 层的单元测试，那对于我刚刚提到的项目的一些规范，单元测试的一些模板，甚至是我写了一些 dao 的一些占位符，或者写了一些 service 代码的一些占位符，你有没有考虑过这种约束有没有人会去遵循？所以我这里要强调一点，工具一定要大于约束和文档，你写了约束，写了文档，那么你最终要通过工具把它落实。所以在我们内部会有一个类似 go tool 的脚手架，叫 Kratos Tool，把我们刚刚说的约定规范都通过这个工具一键初始化。 对于我们内部的工具集，我们大概会分为几块。第一块就是 API 的，就是你写一个 PB 文件，你可以基于这个 PB 文件生成 gRPC，HTTP 的框架代码，你也可以基于这个 PB 文件生成 swagger 的一些 JSON 文件或者是 Markdown 文件。当然了，我们还会生成一些 API，用于 debug 的 client 方便去调试，因为我们知道，gRPC 调试起来相对麻烦一些，你要去写代码。 还有一些工具是针对 project 的，一键生成整个应用的 layout，非常方便。我们还提了 model，就是方便 model 和 DTO，DTO 就是 API 里面定义的 message 的 struct 做 DeepCopy，这个也是一个工具。 对于 cache 的话，我们操作 memcache，操作 Redis 经常会要做什么逻辑？假如我们有一个 cache aside 场景，你读了一个 cache，cache miss 要回原 DB，你要把这个缓存回塞回去，甚至你可能这个回塞缓存想异步化，甚至是你要去读这个 DB 的时候要做归并回源（singleflight），我们把这些东西做成一些工具，让它整个回源到 DB 的逻辑更加简单，就是把这些场景描述出来，然后你通过工具可以一键生成这些代码，所以也是会比较方便。 我们再看最后一个，就是 test 的一些工具。我们会基于项目里面，比方说 dao 或者是 service 定义的 interface 去帮你写好 mock 的代码，我直接在里面填，只要填代码逻辑就行了，所以也会加速我们的生产。 上图是 Kratos 的一个 demo，基本就是支持了一些 command。这里就是一个 kratos new kratos-demo 的一个工程，-d YourPath 把它导到某一个路径去，--proto 顺便把 API 里面的 proto 代码也生成了，所以非常简单，一行就可以很快速启动一个 HTTP 或者 gRPC 服务。 我们知道，一个微服务的框架实际非常重，有很多初始化的方式等等，非常麻烦。所以说，你通过脚手架的方式就会非常方便，工具大于约定和文档这个这个理念就是这么来的。 Configuration 讲完工具以后，最后讲一下配置文件。我为什么单独提一下配置文件？实际它也是工程化的一部分。我们一个线上的业务服务包含三大块，第一，应用程序，第二，配置文件，第三，数据集。配置文件最容易导致线上出 bug，因为你改一行配置，整个行为可能跟 App 想要的行为完全不一样。而且我们的代码的开发交付需要经过哪些流程？需要 commit 代码，需要 review，需要单元测试，需要 CD，需要交付到线上，需要灰度，它的整个流程是非常长的。在一步步的环境里面，你的 bug 需要前置解决，越前置解决，成本越低。因为你的代码的开发流程是这么一个 pipeline，所以 bug 最终流到线上的概率很低，但是配置文件没有经过这么复杂的流程，可能大家发现线上有个问题，决定要改个线上配置，就去配置中心或者配置文件改，然后 push 上线，接着就问题了，这个其实很常见。 从 SRE 的角度来说，导致线上故障的主因就是来自配置变更，所以 SRE 很大的工作是控制变更管理，如果能把变更管理做好，实际上很多问题都不会出现。配置既然在整个应用里面这么重要，那在我们整个框架或者在 Go 的工程化实践里面，我们应该对配置文件做一些什么事情？ 我觉得是几个。第一，我们的目标是什么？配置文件不应该太复杂，我见过很多框架，或者是业务的一些框架，它实际功能非常强大，但是它的配置文件超级多。我就发现有个习惯，只要有一个同事写错了这个配置，当我新起一个项目的时候，一定会有人把这个错误的配置拷贝到另外一个系统里面去。然后当发现这个应用出问题的时候，我们一般都会内部说一下，你看看其他同事有没有也配错的，实际这个配错概率非常高。因为你的配置选项越多，复杂性越高，它越容易出错。所以第一个要素就是说，尽量避免复杂的配置文件。配得越多，越容易出错。 第二，实际我们的配置方式也非常多，有些用 JSON，有些用 YAML，有些用 Properties，有些用 INI。那能不能收敛成通用的一种方式呢？无论它是用 Python 的脚本也好，或者是用 JSON 也好，你只要有一种唯一的约定，不需要太多样的配置方式，对我们的运维，对我们的 SRE 同时来说，他跨项目的变更成本会变低。 第三，一定要往简单化去努力。这句话其实包含了几个方面的含义。首先，我们很多配置它到底是必须的还是可选的，如果是可选，配置文件是不是就可以把它踢掉，甚至不要出现？我曾经有一次看到我们 Java 同事的配置 retry 有一个重试默认是零，内部重试是 80 次，直接把 Redis cluster 打故障了，为什么？其实这种事故很低级，所以简单化努力的另外一层含义是指，我们在框架层面，尤其是提供 SDK 或者是提供 framework 的这些同事尽量要做一些防御编程，让这种错配漏配也处于一个可控的范围，比方重试 80 次，你觉得哪个 SDK 会这么做？所以这个是我们要考虑的。但是还有一点要强调的是，我们对于业务开发的同事，我们的配置应该足够的简单，这个简单还包含，如果你的日志基本上都是写在这个目录，你就不要提供这个配置给他，反而不容易出错。但是对于我们内部的一些 infrastructure，它可能需要非常复杂的配置来优化，根据我的场景去做优化，所以它是两种场景，一种是业务场景，足够简单，一种是我要针对我的通用的 infrastructure 去做场景的优化，需要很复杂的配置，所以它是两种场景，所以我们要想清楚你的业务到底是哪一种形态。 还有一个问题就是我们配置文件一定要做好权限的变更和跟踪，因为我们知道上线出问题的时候，我们的第一想法不是查 bug，是先止损，止损先找最近有没有变更。如果发现有变更，一般是先回滚，回滚的时候，我们通常只回滚了应用程序，而忘记回滚了配置。每个公司可能内部的配置中心，或者是配置场景，或者跟我们的二进制的交付上线都不一样，那么这里的理念就是你的应用程序和配置文件一定是同一个版本，或者是某种意义上让他们产生一个版本的映射，比方说你的应用程序 1.0，你的配置文件 2.0，它们之间存在一个强绑定关系，我们在回滚的时候应该是一起回滚的。我们曾经也因为类似的一些不兼容的配置的变更，二进制程序上线，但配置文件忘记回滚，出现过事故，所以这个是要强调的。 另外，配置的变更也要经过 review，如果没问题，应该也是按照 App 发布一样，先灰度，再放量，再全量等等类似的一种方式去推，演进式的这种发布，我们也叫滚动发布，我觉得配置文件也是一样的思路。 加入阿里云钉钉群享福利：每周技术直播，定期群内有奖活动、大咖问答 原文链接