七牛是如何搞定每天500亿条日志的
7月30日，七牛数据平台工程师王团结在CSDN Spark微信用户群，与近千名Spark技术开发人员，结合七牛内部使用的数据平台，深入分享了团队是如何利用Flume、Kafka、Spark Streaming等技术搞定每天500亿条日志的，并详细讲解了各个工具使用的注意点。王团结，主要负责七牛数据平台的设计研发工作，关注大数据处理和 高性能系统服务，对Hadoop、Flume、Kafka、Spark等离线、分布式计算技术十分感兴趣。以下为演讲实录。
概述
数据平台在大部分公司都属于支撑性平台，做的不好立刻会被吐槽，这点和运维部门很 像。所以在技术选型上优先考虑现成的工具，快速出成果，没必要去担心有技术负担。早期，我们走过弯路，认为没多少工作量，收集存储和计算都自己研发，发现 是吃力不讨好。去年上半年开始，我们全面拥抱开源工具，搭建自己的数据平台。
公司的主要数据来源是散落在各个业务服务器上的半结构化日志，比如系统日志、程序日 志、访问日志、审计日志等。日志是最原始的数据记录，如果不是日志，肯定会有信息上的丢失。说个简单的例子，需求是统计Nginx上每个域名的的流量，这 个完全可以通过一个简单的Nginx模块去完成，但是如果需要统计不同来源的流量就无法做了，所以需要原始的完整的日志。
有种手法是业务程序把日志通过网络直接发送出去，但是这并不可取，因为网络和接收端并不完全可靠，当出问题时会对业务造成影响或者日志丢失。因此，对业务侵入最小最自然的方式是把日志落到本地硬盘上。
数据平台设计架构
Agent设计需求
每台机器上会有一个Agent去同步这些日志，这是个典型的队列模型，业务进程在不 断的push，Agent在不停地pop。Agent需要有记忆功能，用来保存同步的位置（offset），这样才尽可能保证数据准确性，但不可能做到完 全准确。由于发送数据和保存offset是两个动作，不具有事务性，不可避免的会出现数据不一致性情况，通常是发送成功后保存offset，那么在 Agent异常退出或机器断电时可能会造成多余的数据。 Agent需要足够轻，这主要体现在运维和逻辑两个方面。Agent在每台机器上都会部署，运维成本、接入成本是需要考虑的。Agent不应该有解析日 志、过滤、统计等动作，这些逻辑应该给数据消费者。倘若Agent有较多的逻辑，那它是不可完成的，不可避免的经常会有升级变更动作。
数据收集流程
数据收集这块的技术选择，Agent是用Go自己研发的，消息中间件Kafka，数 据传输工具Flume。说到数据收集经常有人拿Flume和Kafka做比较，我看来这两者定位是不同的，Flume更倾向于数据传输本身，Kakfa是 典型的消息中间件用于解耦生产者消费者。
具体架构上，Agent并没把数据直接发送到Kafka，在Kafka前面有层由Flume构成的forward。这样做有两个原因：
- Kafka的API对非JVM系的语言支持很不友好，forward对外提供更加通用的HTTP接口。
- forward层可以做路由、Kafka topic和Kafka partition key等逻辑，进一步减少Agent端的逻辑。
forward层不含状态，完全可以做到水平扩展，不用担心成为瓶颈。出于高可用考 虑，forward通常不止一个实例，这会带来日志顺序问题，Agent按一定规则（round-robin、failover等）来选择forward 实例，即使Kafka partition key一样，由于forward层的存在，最终落入Kafka的数据顺序和Agent发送的顺序可能会不一样。我们对乱序是容忍的，因为产生日志的业务基 本是分布式的，保证单台机器的日志顺序意义不大。如果业务对顺序性有要求，那得把数据直接发到Kafka，并选择好partition key，Kafka只能保证partition级的顺序性。
多机房的情形，通过上述流程，先把数据汇到本地机房Kafka集群，然后汇聚到核心机房的Kafka，最终供消费者使用。由于Kafka的mirror对网络不友好，这里我们选择更加的简单的Flume去完成跨机房的数据传送。
Flume使用要点
Flume在不同的数据源传输数据还是比较灵活的，但有以下几个点需要注意。
- memory-channel效率高但可能有丢数据的风险，file- channel安全性高但性能不高。我们是用memory-channel，但把capacity设置的足够小，使内存中的数据尽可能少，在意外重启和断 电时丢的数据很少。个人比较排斥file-channel，效率是一方面，另一个是对Flume的期望是数据传输，引入file-channel时，它的 角色会向存储转变，这在整个流程中是不合适的。通常Flume的sink端是Kafka和HDFS这种可用性和扩张性比较好的系统，不用担心数据拥堵问 题。
- 默认的HTTP source没有设置线程池，有性能问题，如果有用到，需要修改代码。
- 单sink速度跟不上时，需要多个sink。像跨机房数据传输网络延迟高单rpc sink吞吐上不去和HDFS sink效率不高情形，我们在一个channel后会配十多个sink。
Kafka使用要点
Kafka在性能和扩展性很不错，以下几个点需要注意下。
- topic的划分，大topic对生产者有利且维护成本低，小topic对消费者比较友好。如果是完全不相关的相关数据源且topic数不是发散的，优先考虑分topic。
- Kafka的并行单位是partition，partition数目直接关系整体的吞吐量，但parition数并不是越大越高，3个partition就能吃满一块普通硬盘IO了。所以partition数是由数据规模决定，最终还是需要硬盘来抗。
- partition key选择不当，可能会造成数据倾斜。在对数据有顺序性要求才需使用partition key。Kafka的producer sdk在没指定partition key时，在一定时间内只会往一个partition写数据，这种情况下当producer数少于partition数也会造成数据倾斜，可以提高 producer数目来解决这个问题。
数据离线和实时计算
数据到Kafka后，一路数据同步到HDFS，用于离线统计，另一路用于实时计算。由于今天时间有限，接下来只能和大家分享下实时计算的一些经验。
实时计算选择的是Spark Streaming。目前只有统计需求，没迭代计算的需求，Spark Streaming使用比较保守。从Kakfa读数据统计完存入MongoDB中，中间状态数据很少，好处是系统吞吐量很大，但没遇到内存相关问题。
Spark Streaming对保存计算结果的数据库TPS要求较高。假如有10w个域名需要统计流量，batch interval为10s，每个域名有4个相关统计项，算下来平均是4w TPS，这只是平均值，实际峰值更高，固态硬盘上的MongoDB也只能抗1w TPS，后续我们会考虑用Redis来抗这么高的TPS。
当开启speculation参数或代码层面没处理好异常时，task可能会被重放。但是有外部状态的task是不可重入的，否则会造成计算结果的不准确。说个简单的例子，如下：
这个任务，如果被重放了，会造成落入MongoDB的结果比实际多。
有些对象会包含状态，这些状态的生成需要较大的代价，不能做到在每次使用时都去new一个。我们对这种对象的处理策略是JVM内一个对象，同时在代码层面做好并发控制。类似下面：
如果这种使用形式有性能问题，可以考虑实现一个pool来管理。
在Spark1.3的后版本，streaming为Kafka引入了新的 Direct API试图解决数据准确性问题。Direct API把Kafka consumer offset的管理暴露出来（旧版本是异步存入Zookeeper），让使用者透明的管理consumer offset，这在一定程度上能缓解准确性问题，但不可避免还会有一致性问题。为什么这样说呢？只有计算结果和offset两者的保存具有事务性，才能完 全准确。这个事务有两种手段做到，一种是用Mysql这种支持事务的数据库，把计算结果和offset的保存放在一个事务里，另一种是自己实现两阶段提 交。Direct API 还会有性能问题，因为它到计算的时候才实际从Kafka读数据，这对整体吞吐有很大影响。
七牛数据平台规模
要分享的就这些了，最后秀下实时计算这边规模：Flume＋Kafka＋Spark 混部在8台高配机器，日均500亿条数据，峰值80w TPS。
