亿级流量网站架构核心技术【笔记】（二）

硬核项目经理

发布于 2019-08-06 17:15:15

1.1K0

发布于 2019-08-06 17:15:15

九、应用级缓存 A.缓存简介 1.先从缓存中读取数据，如果没有，再从慢速设备上读取实际数据并同步到缓存 2.经常读取的数据、频繁访问的数据、热点数据、I/O瓶颈数据、计算昂贵的数据、符合5分钟法则和局部性原理的数据都可以缓存 B.缓存命中率 1.缓存命中率=从缓存中读取次数/【总读取次数（从缓存中读取次数+从慢速设备上读取次数）】 C.缓存回收策略 1.基于空间，指缓存设置了存储空间 2.基于容量，指缓存设置了最大大小 3.基于时间

* TTL（Time To Live）存活期，即缓存数据从创建开始直到到期的一个时间段 * TTI（Time To Idle）空闲期，即缓存数据多久没被访问后移除缓存的时间

4.基于Java对象引用 5.回收算法

* FIFO（First In First Out）先进先出算法 * LRU（Least Recently Used）最近最少使用算法 * LFU（Least Frequently Used）最不常用算法

D.Java缓存类型 1.堆缓存、堆外缓存、磁盘缓存、分布式缓存、 E.应用级缓存示例 1.三个名词

* SoR（system-of-record）：记录系统，即实际存储原始数据的系统 * Cache：缓存，是SoR的快照数据 * 回源：即回到数据源头获取数据

2.Cache-Aside，即业务代码围绕着Cache写，是由业务代码直接维护缓存

* 读场景，先从缓存获取数据，如果没有命中，则回源到SoR并将源数据放入缓存 * 写场景，先将数据写入SoR，写入成功后立即将数据同步写入缓存

3.Cache-As-SoR，把Cache看作SoR，所以操作都是对Cache进行，然后Cache再委托给SoR进行真实的读写

* read-through，业务代码首先调用Cache，如果Cache不命中由Cache回源到SoR，而不是业务代码（即由Cache读SoR） * write-through，称为穿透写模式/直写模式，业务代码首先调用Cache写数据，然后由Cache负责写缓存和写SoR，而不是由业务代码 * write-behind，也叫write-back，称为回写模式，是异步写，可以实现批量写、合并写、延时和限流 * copy-pattern，copy-on-read（读时复制）和copy-on-write（写时复制）

F.性能测试 十、HTTP缓存 A.简介 1.浏览器缓存是指当我们使用浏览器访问一些网站页面或者HTTP服务时，根据服务器端返回的缓存设置响应头将响应内容缓存到浏览器，下次可以直接使用缓存内容或者仅需要去服务器端验证内容是否过期即可 B.HTTP缓存 1.Last-Modified：表示文档的最后修改时间 2.Expires：表示文档在浏览器中的过期时间 3.Cache-Control，表示浏览器缓存控制 4.from cache，从A页面跳转到A页面或者从A页面中转到B页面时 5.Age，一般用于缓存代理层（如CDN），表示此内容在缓存代理层从创建到现在生存了多长时间 6.Vary，一般用于缓存代理层（如CDN），用于通知缓存服务器对于相同URL有着不同版本的响应，比如压缩版本和非压缩版本 7.via，一般用于代理层（如CDN），表示访问到最终内容前经过了哪些代理层，用的什么协议，代理层是否缓存命中等 8.ETag，用于发送到服务器端进行内容变更验证的，而Catch-Control是用于控制缓存时间的（浏览器、代理层等） C.HttpClient客户端缓存 1.通过职责链模式来支持可插拔的组件结构，客户端缓存就是通过该模式实现的 D.Nginx HTTP缓存设置 1.Nginx提供了expires、etag、if-modified-since指令来实现 E.Nginx代理层缓存 F.一些经验 1.只缓存200状态码的响应，像302等要根据实际场景决定 2.有些页面不需要强一致，可以进行几秒的缓存 3.JS/CSS/image等一些内容缓存时间可以设置为很久 4.假设商品详情页异步加载的一些数据，使用last-modified进行过期控制，而服务器端做了逻辑修改，但内容还是没有修改的，即内容的最后修改时间没变 5.商品详情页异步加载的一些数据，可以考虑更长时间的缓存 6.服务器端考虑使用tmpfs内存文件系统缓存、SSD缓存，使用服务器端负载均衡算法致性哈希来提升缓存命中率 7.缓存key要合理设计 8.AB测试/个性化需求时，一般会在响应头中添加源服务器信息，但要考虑服务器端缓存 9.为了便于查找问题，一般会在响应头中添加源服务器信息 十一、多级缓存 A.多级缓存介绍 1.是指在整个系统架构的不同系统层级进行数据缓存，以提升访问效率

B.如何缓存数据 1.过期与不过期

* 不过期缓存场景，对于长尾访问的数据、大多数数据访问频率都很高的场景，或者是缓存空间足够，都可以考虑不过期缓存，比如用户、分类、商品、价格、订单等

* 过期缓存，如采用懒加载，一般用于缓存其他系统的数据（无法订阅变更消息，或者成本很高）、缓存空间有限、低频热点缓存等场景

2.维度化缓存与增量缓存：将数据进行维度化并增量更新（只更新变的部分） 3.大Value缓存：可以使用多线程实现的缓存，如Memcached来缓存大Value，Reids不合适 4.热点缓存：一是使用更多的从缓存，二是在客户端所有的应用/代理层本地存储一份避免访问远程缓存 C.分布式缓存与应用负载均衡 1.缓存分布式：一般采用分片实现，即将数据分散到多个实例或多台服务器，算法一般采用取模和一致性哈希 2.应用负载均衡：一般采用轮询和一致性哈希

3.根据实际情况动态选择使用哪种算法

* 负载较低时，使用一致性哈希 * 热点请求降级一致性哈希为轮询，或者如果请求数据有规律，则可考虑带权重的一致性哈希 * 将热点数据推送到接入层Nginx，直接响应给用户

D.热点数据与更新缓存 1.单机全量缓存+主从：所有缓存都存储在应用本机，回源之后会把数据更新到主Redis集群，然后通过主从模式复制到其他从Redis集群，缓存的更新可以采用懒加载或者订阅消息进行同步

2.分布式缓存+应用本地热点：需要在Nginx+Lua应用中进行应用缓存来减少Redis集群的访问冲击，即首先查询应用本地缓存，如果命中，则直接缓存，如果没有命中，则接着查询Redis集群、回源到Tomcat，然后将数据缓存到应用本地

3.实时热点发现系统：配合kafka或flume、storm等大数据工具

E.更新缓存与原子性 1.更新数据时使用更新时间戳或者版本对比 2.使用如canal订阅数据库binlog 3.将更新请求按照相应的规则分期到多个队列，然后每个队列进行单线程更新，更新时摘取最新的数据保存 4.用分布式锁，在更新之前获取相关的锁 F.缓存崩溃与快速修复 1.取模：采用主从机制来避免实例坏了的问题 2.一致性哈希：主从机制、降级机制 十二、连接池线程池详解 1.连接池如数据库连接池、Redis连接池、HTTP连接池，通过复用TCP连接来减少创建和释放连接的时间来提升性能 2.线程池也是类似的，通过复用线程提升性能 3.池化可以使用Apache commons-pool 2来实现 A.数据库连接池 1.数据库连接池有很多实现，如C3P0、DBCP、Druid等 2.如果并发量大建议：几个池大小设置为一样，禁用关闭孤儿连接，禁用定时器 3.如果并发量不大建议：可以按需设置池大小，禁用关闭孤儿连接，启用定时器（注意MySQL空闲连接8小时自动断开） 4.要注意网络阻塞/不稳定时的级联效应，即有熔断和快速失败机制 5.等待超时应该尽可能小点（除非很有必要） B.HttpClient连接池 1.须要注意：

* 在开启长连接时才是真正的连接池 * JVM在停止或重启时，记得关闭连接池释放连接 * HttpClient是线程安全的，不要每次使用创建一个 * 如果连接池配置得比较大，则可以考虑创建多个HttpClient实例，而不是使用一个HttpClient实例 * 使用连接池时，要尽快消费响应体并释放连接到连接池，不要保持太久

C.线程池 1.每个线程都需要一个内存栈，用于存储如局部变量、操作栈等信息，可以通过-Xss参数来调整每个线程栈大小 2.线程池一般配合队列一起工作，使用线程池限制并发处理任务的数量 3.当任务超过队列大小时，通过一定的拒绝策略来处理，这样可以保护系统免受大流量而导致崩溃 4.线程池一般有核心线程池大小和线程池最大大小配置，当线程池中的线程空闲一段时间将会被回收，而核心线程池中的线程不会被回收 5.Java提供了ExecutorService的三种实现

* ThreadPoolExecutor：标准线程池 * ScheduledThreadPoolExecutor：支持延迟任务的线程池 * ForkJoinPool：类似于ThreadPoolExecutor，但是使用work-stealing（任务窃取）模式

十三、异步并发实战 1.聚合数据数据需要调用多个其他服务获取数据、拼装数据/模板，然后返回给前端，聚合数据来源主要有依赖系统/服务、缓存、数据库等 2.系统之间的调用可以通过如HTTP接口调用（如HttpClient）、SOA服务调用（如dubbo、thrift）等实现 3.通过异步并发并不能使响应变得更快，更多是为了提升吞吐量、对请求更细粒度控制，或是通过多依赖服务并发调用降低服务响应时间 4.异步是针对CPU和IO的，当IO没有就绪时要让出CPU来处理其他任务，这才是异步 A.同步阻塞调用 1.即串行调用，响应时间为所有依赖服务的响应时间总和 B.异步Future 1.线程池配合Future实现，但是阻塞主请求线程，高并发时依然会造成线程数过多、CPU上下文切换 C.异步Callback 1.通过回调机制实现，即首先发出网络请求，当网络返回时回调相关方法 2.这种机制并不能提升性能，而是为了支撑大量并发连接或者提升吞吐量 D.异步编排CompletableFuture 1.可以对多个异步处理进行编排，实现更复杂的异步处理，其内部使用ForkJoinPool实现异步处理 E.异步Web服务实现 1.借助Servlet3、CompletableFuture实现异步Web服务

F.请求缓存 1.一个服务需要多交查询时（如一个商品需要重复调用多次商品接口），可以使用异步多线程查询 E.请求合并 1.CompletableFuture必须提前构造好批量查询，而Hystrix支持将多个单个请求黯然失色为单个批量请求，即可以按照单个命令来请求，但是，实际是以批量请求模式执行 十四、如何扩容 1.分而治之的思想来解决问题：

* 尝试通过简单扩容来解决 * 如果简单扩容搞不定，就需要水平拆分和垂直拆分数据/应用来提升系统的伸缩性，即通过扩容提升系统负载能力 * 如果通过水平拆分/垂直拆分还是搞不定，那就需要根据现有系统特性，从架构层面进行重构甚至是重新设计，即推倒重来

2.对于系统设计，理想的情况下应支持线性扩容和弹性扩容 A.单体应用垂直扩容 1.如果能通过硬件快速解决，而且成本不高，应该首先通过硬件扩容来解决问题 2.硬件扩容包括升级现有服务器 B.单体应用水平扩容 1.单体应用水平扩容是通过部署更多的镜像来实现的，应用提供统一入口，此时就需要负载均衡机制来实现 2.如果用户会话数据分散在应用系统，就需要在负载均衡器开启会话黏滞特性 3.如果数据库的瓶颈是读造成的，可以通过主从数据库架构将读的流量分散到更多的从服务器上 C.应用拆分 1.按照业务将一个大系统拆分为多个子系统，要进行业务代码解耦，将功能分离到不同系统上，拆分后系统之间是物理隔离的，应用层面原来是直接进程内方法调用，现在需要改成远程方法调用，如WebService、RMI等，SOA方向等 2.服务化后，服务提供者可以根据当前网站状况随时扩容，通过服务注册中心，服务消费者不需要进行任何配置的更改，如Dubbo 3.可以使用MyCat/Corbar这种数据库中间件提升连接数 4.所有应用只调用读/写服务中间件，由读/写服务中间件访问数据库，减少整体的连接数，然后通过MQ异构数据，从而不访问有瓶颈的数据库 5.可以将缓存/限流/防刷从各应用系统中拆出来，放到单独系统实现，即接入层 D.数据库拆分 1.按照业务维度进行垂直拆分，目的是解决多个表之间的IO竞争、单机容量问题等，拆分后会出现join查询不行了，要解决跨库join，分布式事务等问题 2.跨库join可以考虑通过如全局表、ES搜索等异构数据机制来实现 3.分库分表是一种水平数据拆分，会按照如ID、用户、时间等维度进行数据拆分，拆分算法可以是取模、哈希、区间、或者使用数据路由表等，也会导致跨库/表join、排序分页、自增ID、分布式事务等问题 4.对于跨库/表join和排序分页，可以对所有表进行扫描然后做聚合，或者生成全局表、进行查询维度的数据异构，再或者将数据同步到ES搜索 5.自增ID问题可以通过不同表、不同增长步长或分布式ID生成器解决 6.分布式事务可以考虑事务表、补偿机制（执行/回滚）、TCC模式（预占/确认/取消）、Sagas模式（拆分事务+补偿机制），业务应尽量设计为最终一致性，而不是强一致性 7.对于一些特殊数据，可以考虑NoSQL，读流量多可以考虑Redis进行数据缓存 8.部署多个Redis实例，通过Twemproxy并使用一致性哈希算法进行分片，先通过HaProxy进行Twemproxy的负载均衡，然后通过内网域名进行访问 E.数据库分库分表示例 1.主要关心几个问题：

* 是否需要在应用层做改造来支持分库分表，即是在应用层进行支持，还是通过中间件层呢？ * 如果需要应用层做支持，那么分库分表的算法是什么？ * 分库分表后，join是否支持，排序分页是否支持，事务是否支持

2.中间件层

* 好处是对应用透明，就像查单库一样去查询中间件层，可以支持多种编程语言，可以减少应用的总数据库连接数 * 缺点是除了维护中间件外，还要考虑中间件的HA/负载均衡等，增加了部署和维护的困难 * 开源中间件有Atlas、Cobar、Mycat等

3.分库分表策略

* 取模：按照数值型主键取模来进行分库分表，也可以按照字符串主键哈希取模，优点是数据热点分散，缺点是按照非主键维度进行查询时需要跨库跨表查询，扩容需要建立新集群并进行数据迁移 * 分区：可按照时间分区、范围分区进行分库分表，缺点是存在热点，但是易于水平扩展，能避免数据迁移，也可以取模+分区组合使用

F.数据异构 1.主要按照不同查询维度建立表结构，这样就可以按照这种不同维度进行查询，有查询维度异构、聚合数据异构等 2.在数据量和访问量双高时使用数据异构是非常有效的，但增加了架构的复杂度，可以通过订阅MQ或者binlog并解析实现 3.查询维度异构：异构数据主要存储数据之间的关系，然后通过查询源库查询实际数据，有时可以通过数据冗余存储来减少源库查询或者提升查询性能 4.聚合数据异构：将数据聚合后异构存储到KV存储集群（如存储JSON），这样只需要一次查询就能得到所有的展示数据 G.任务系统扩容 1.Elastic-Job 十五、队列术 1.队列，在数据结构中是一种线性表，从一端插入数据，然后从另一端删除数据 2.保证最终一致性，不需要强一致性，可以考虑队列处理，需要考虑消息处理的有序性如何保证、是否能重复消费及如何保证重复消费的幂等性 3.经常使用队列进行异步处理、系统解耦、数据同步、流量削峰、扩展性、缓冲等 A.应用场景 1.异步处理：发送邮件、积分等，缓存过期时异步更新缓存、写日志等，通过异步处理，可以提升主流程响应速度，而主流程/非重要处理可以集中处理，还可以将任务聚合批量处理，可以使用消息队列/任务队列来进行异步处理 2.系统解耦：如下单后通知生产配货系统、发票系统等，业务不需要实时处理、不需要强一致，只需要保证最终一致性即可，可能通过消息队列/任务队列进行系统解耦 3.数据同步：如MySQL同步到Redis、或机房同步、主从同步等，可以考虑使用databus、canal、otter等，使用数据总线队列进行数据同步的好处是可以保证数据修改的有序性 4.流量削峰：系统瓶颈一般在数据库上，可以考虑使用队列将变更请求暂时放入队列，通过缓存+队列暂存的方式将数据库流量削峰，对于秒杀系统，可以使用队列进行排队和限流 B.缓冲队列 1.典型的如Log4j的日志缓冲区 2.通过缓冲区队列可以实现批量处理、异步处理和平滑流量

C.任务队列 1.可以将一些不需要与主线程同步执行的任务扔到任务队列进行异步处理 2.可以实现异步处理、任务分解/聚合处理 D.消息队列 1.ActiveMQ、Kafka、Redis等 2.使用消息队列存储各业务数据，其他系统根据需要订阅即可，常见的订阅模式是：点对点（一个消息只有一个消费者）、发布订阅（一个消息可以有多个消费者） 3.双写模式，同时写DB和MQ，然后异构系统可以订阅MQ进行业务处理，没有事务保证

4.不要在事务中掺杂MQ、RPC等 5.订阅数据库日志机制来实现数据库变更捕获，生产系统只需要单写DB，然后通过Canal订阅数据库binlog实现数据库数据变更捕获，然后业务端订阅Canal进行业务处理，这种方式可以保证一致性

6.可以实现异步处理、系统解耦和数据异构 E.请求队列 1.在Web环境下对用户请求排队，可进行：流量控制、请求分级、请求隔离 2.一般用于前端入口 3.漏斗模型

F.数据总线队列 1.如数据库变更后需要同步数据到缓存，或者需要将一个机房的数据同步到另一个机房，只是数据维度的同步 2.可以保证数据的有序性 3.Canal、databusotter、kettle G.混合队列 H.其他队列 1.优先级队列：优先处理紧急任务，考虑对队列进行分级 2.副本队列：系统重构或上新功能时，考虑副本队列，当业务出现问题时，可以对这些消息进行回放 3.镜像队列：在订阅量达到极限时，使用镜像队列解决 4.队列并发数：不是增大队列并发连接数消费能力也随着增加，也不会因为增加了消费服务器消费，并发能力也随之增加，需要根据实际情况来设置合理的并发连接数 5.推送拉取：消息体内容不是越全越好，需要根据业务设计消息体，根据实际情况决定是使用推送方式（将系统需要的所有信息推送过去）还是使用拉取方式（只推送ID） I.Disruptor+Redis队列 J.下单系统水平可扩展架构 1.如果把订单放入缓冲队列，然后能迅速同步到订单中心，就可以把下单逻辑和操作订单逻辑分开，用户下单只操作缓冲表，而操作订单只操作订单表

2.整体流程

* 用户提交订单后，调用订单号生成服务，然后结算服务会进行一些业务处理，最后调用下单服务提交订单 * 下单服务将订单写入订单缓冲表，下单服务和订单缓存表可以水平扩展。写入缓冲表成功后，将订单写入缓存，从而前端用户可以查看到当前订单。如果下单服务有问题，则可以考虑直接降级将订单写入订单中心 * 接着缓冲同步Worker轮询这些缓冲表 * 同步Wroker将订单同步到订单中心，如果订单中心数据有变更，则更新订单缓存

K.基于Canal实现数据异构 1.订阅数据库binlog日志，模拟数据库的主从同步机制，然后解析变更日志将数据异构，也能保证数据一致性 2.可以进行订单列表异构、商家维度异构、ES搜索异构、订单缓存异构等

3.Canal架构

十六、构建需求响应式亿级商品详情页 1.数据闭环，即数据的自我管理，或者说是数据都在自己的系统里维护，不依赖于任何其他系统，包括：

* 数据异构 * 数据原子化 * 数据聚合，将多个原子数据聚合为一个大JSON数据 * 数据存储

2.数据维度化，数据按照维度和作用进行维度化，可以分离存储，进行更有效地存储和使用，如：

* 商品基本信息，标题、扩展属性、特殊属性、图片等 * 商品介绍信息，商品维度商家模板、商品介绍等 * 非商品维度的其他信息，包括分类信息、商家信息、店铺信息等 * 商品维度其他信息（异步加载），价格、促销、配送至等

3.拆分系统

4.Worker无状态化+任务化

* 对数据异构和数据同步Worker进行无状态化设计，这样可以水平扩展 * 应用虽然是无状态化的，但是配置文件还是有状态的，每个机房一套配置，这样每个机房只读取当前机房数据 * 任务多队列化，包括任务等待队列、任务排重队列、本地任务队列、失败任务队列 * 队列优先级化，分为普通队列、刷数据队列、高优先级队列 * 任务副本队列，当上线后业务出现问题时，修正逻辑可以回放，从而修复数据 * 在设计消息时，按照维度更新

5.异步化+并发化

* 使用消息异步化进行系统解耦合，通过消息通知变更，然后再调用相应接口获取相关数据 * 缓存数据更新异步化，同步调用服务，但异步更新缓存 * 让可并行任务并发化，可以并发调用聚合 * 前端服务异步化/聚合，可以对异步请求做合并

6.多级缓存化

* 浏览器缓存：页面之间来回跳转时走local cache，打开页面时使用Last-Modified去CDN验证是否过期 * CDN缓存：用户去离自己最近的CDN节点拿数据 * 服务器端应用本地缓存：Nginx+Lua架构，使用HttpLuaModule模块的shared dict做本地缓存或内存级Proxy Cache

7.动态化

* 数据获取动态化：按维度获取数据 * 模板渲染实时化：支持随时变更模板需求 * 重启应用秒级化：使用Nginx+Lua架构 * 需求上线快速化

8.弹性化：使用容器技术 9.降级开关

* 推送服务器推送降级开关，使开关集中化维护，然后通过推送机制推送到各个服务器 * 可降级的多级读服务为前端数据集群->数据异构集群->动态服务（调用依赖系统）

10.多机房多活：应用无状态，通过在配置文件中配置各自机房的数据集群来完成数据读取

11.两种压测方案

* 线下压测：Apache ab、Apache Jmeter，可以简单压测单机峰值吞吐量，但会存在热点问题 * 线上压测：可以使用Tcpcopy直接把线上流量导入到压测服务器，可以压测出机器的性能，或直接在页面埋点，让用户压测

十七、京东商品详情页服务闭环实践 A.为什么需要统一服务 1.在统一管理和监控下，出问题可以统一降级 2.可以把一些相关接口合并输出，减少页面的异步加载请求 3.一些前端逻辑后移到服务器端，前端只做展示，不进行逻辑处理 B.整体架构

C.一些架构思路和总结 1.两种读服务架构

* 读取分布式Redis数据架构 * 读取本地Redis数据架构

2.本地缓存

* 使用Nginx共享字典作为本地缓存 * 采用维度化存储缓存数据，增量获取失效缓存数据 * 使用一致性哈希和本地缓存可以提升命中率

3.多级缓存

4.统一入口/服务闭环 D.引入Nginx接入层 1.在设计系统时需要把一些逻辑尽可能前置，以此来减轻后端核心逻辑的压力，而且可以让服务升级/服务降级非常方便地进行切换 2.数据校验/过滤逻辑前置，请求进入接入层后，对参数进行校验，如果校验不合法，直接拒绝这次请求 3.缓存前置，缓存前置到接入层来进行热点数据的削峰，配合一致性哈希也许可以提升缓存的命中率 4.业务逻辑前置，接入层实现一些业务逻辑，如果在高峰时出问题，可以在这一层做一些逻辑升级 5.降级开关前置 6.A/B测试，可以在Lua中根据请求的信息调用不同的服务，或者通过upstream分组 7.灰度发布/流量切换 8.监控服务质量，记录status、request_time、response_time来监控服务质量 9.限流，对大多数请求按照IP请求数限流，对于登录用户按照用户限流，对于读取缓存的请求不进行限流，只对打到后端系统的请求进行限流 E.前端业务逻辑后置 1.前端JS应该尽可能少写业务逻辑和一些切换逻辑（CDN原因） F.前端接口服务器端聚合 1.在接入层使用Lua协程机制并发调用多个相关服务，最后把这些服务进行合并 G.服务隔离 1.目的是防止因为某些服务抖动而造成整个应用内的所有服务不可用 2.应用内线程池隔离 3.部署/分组隔离，为不同的消费方提供不同的分组，相互间不影响 4.拆应用隔离：如果一个服务调用量巨大，可以把这个服务单独拆出去做成一个应用 十八、使用OpenResty开发高性能Web应用 A.OpenResty简介 1.Nginx设计为一个主进程多个工作进程的工作模式，每个进程是单线程来处理多个连接，而且每个工作进程采用了非阻塞I/O来处理多个连接，从而减少了线程上下文切换，实现了公认的高性能、高并发 2.Lua是一种轻量级、可嵌入式的脚本语言，可以非常容易地嵌入到其他语言中使用，提供了协程并发，即以同步调用的方式进行异步执行，从而实现并发，还提供了闭包机制，函数可以作为First Class Value进行参数传递，实现了标记清除垃圾收集 3.ngx_lua将Lua嵌入到Nginx中，就是接收请求、参数解析、功能处理、返回响应这几步的API 4.场景：

* Web应用：进行一些业务逻辑处理，甚至进行耗CPU的模板渲染，一般流程包括mysql/Reids/HTTP获取数据、业务处理、产生JSON/XML/模板渲染内容 * 接入网关：实现如数据校验前置、缓存前置、数据过滤、API请求聚合、A/B测试、灰度发布、降级、监控等功能 * Web防火墙：可以进行IP/URL/UserAgent/Referer黑名单、限流等功能 * 缓存服务器：可以对响应内容进行缓步，减少到达后端的请求，从而提升性能 * 其他：如静态资源服务器、消息推送服务、缩略图裁剪等

B.基于OpenResty的常用架构模式 1.负载均衡

2.单机闭环

* 单机闭环即所有想要的数据都能从本服务器中直接获取，在大多数时候无须通过网络去其他服务器获取

* 左一，应用谁也不依赖，例如Cookie白名单功能 * 中间，读取本机文件系统，如静态资源合并，nginx-http-concat，nginx-lua-static-merger，页面嵌套，Nginx自带的SSI（Server Side Include） * 右一，读取的本机的Redis，或者Redis集群，或者如SSDB这种持久化存储，或者其他存储系统 * 都需要Wroker进行数据推送，为防止本机数据丢失，可采用

* 首先读本机，如果没数据，则会回源到相应的Web应用，从数据源拉取原始数据进行处理

3.分布式闭环

* 单机闭环两个问题：数据不一致问题；存储瓶颈问题 * 解决数据不一致的比较好的办法是采用主从或者分布式集中存储，遇到存储瓶颈就需要进行按照业务键进行分片，将数据分散到多台服务器中

4.接入网关

* 接入网关也叫接入层，即接收到流量的入口

* 核心接入Nginx功能：动态负载均衡（balancer_by_lua、upsync）、防DDoS攻击限流、非法请求过滤、请求聚合、请求头过滤、缓存服务（Nginx Proxy Cache） * 业务Nginx功能：缓存（Shared Dict/Nginx Proxy Cache->Redis->回源）、业务逻辑、细粒度限流（lua-resty-limit-traffic）、降级、A/B测试和灰度发布、服务质量监控

5.Web应用

* 指页面模板渲染类型应用或者API服务类型应用

C.如果使用OpenResty开发Web应用 D.基于OpenResty的常用功能总结 1.适合开发业务逻辑单一、核心代码行数较少的应用，不适合业务逻辑复杂、功能繁多的业务型或者企业级应用 2.包括：动态负载均衡、防火墙（DDoS、IP/URL/UserAgent/Referer黑名单、防盗链等）、限流、降级、A/B测试和灰度发布、多级缓存模式、服务器端请求聚合、服务质量监控 E.一些问题 1.在开发Nginx应用时，使用UTF-8编码 2.GBK转码解码时，应使用GB18030 3.cjson库对于像\uab1这种错误的unicode转码会失败，可以使用纯Lua编写的dkjson 4.社区版Nginx不支持upstream的域名动态解析，可以考虑proxy_pass，然后配合resolver来实现，或者在Lua中进行HTTP调用，如果DNS遇到性能瓶颈，可以考虑在本机部署如dnsmasq来缓存，或者考虑使用balancer_by_lua功能实现动态upstream 5.为响应添加处理服务器IP的响应头，方便定位问题 6.根据业务设置合理的超时时间 7.运行CDN的业务，发生错误时，不要给返回的500/503/302/301等非正常响应设置缓存 十九、应用数据静态化架构高性能单页Web应用 A.整体架构 1.静态化页面的方案：直接将生成的静态页推送到相关服务器上即可，需要考虑文件操作的原子化问题

2.动态化方案：CMS系统、控制系统、前端展示系统

3.CMS系统

* 模板动态在CMS系统中维护 * 原始数据存储到“元数据存储MySQL”中即可 * 提供发布到“发布数据存储Redis”的控制，将CMS系统中的原始数据和模板数据组装成聚合数据（JSON存储）同步到“发布数据存储Redis”

4.前端展示系统

* 获取URL，使用URL作为Key从本机“发布数据存储Redis”获取数据 * 如果没有数据或者异常，则从主“发布数据存储Redis”获取 * 如果也发生异常，直接调用CMS系统暴露的API，直接从元数据存储MySQL中获取数据

5.控制系统

* 版本降级，使用URL和当前版本的字段即可 * 灰度发布，控制哪些URL需要灰度发布

B.数据和模板动态化 1.将数据和模板都进行动态化存储，这样可以在CMS进行数据和模板的变更，实现前端和后端开发人员的分离 2.模板和数据可以是一对多的关系 C.多版本机制 1.预发布版本，更容易让测试人员在实际环境中进行验证 2.灰度版本，只需要简单的开关控制，就可以进行A/B测试 3.正式版本，存储多个历史正式版本 D.异常问题 1.本机从“发布数据存储Redis”和主"发布数据存储Redis"都不能用了，可以直接调用CMS系统暴露的HTTP服务，直接从元数据存储MySQL获取数据 2.数据和模板获取到了，但是渲染模板出错了，使用上一个版本的数据进行渲染 3.数据和模板都没问题，但是因为一些疏忽，渲染出来的页面错乱了，或者有些区域出现了空白，可以根据自己的场景定义异常扫描库，发警告给相关人员，并自动降级到上一个版本 二十、使用OpenResty开发Web服务 A.单DB架构