关于海量数据和数据库的问题

[Torreson]

以下有两道题目：

1、关于Web后台页面访问量多时，服务器的处理问题。

网站页面访问量1000万次每天，高峰时2000次每秒，现有两台服务器，内存8G，8核CPU，然后总访问量500万。。。。
这个问题描述的很不好，我只是凭记忆写的。我想问的是类似这样的题目实际上是想问什么，关于什么知识点，该怎么回答。谢谢啦！

2、1万个文件，每个文件1亿条数据，每条数据一行，每条数据是32位整数，详情见补充

1万个文件，每个文件1亿条数据，每条数据一行，每条数据是32位整数，编写单机程序求出文件数据总和在前100位的文件。怎么写，不限语言。


最后我想问：最近在面试的时候，老是问关于海量数据以及多并发的问题，那么我该怎么补充知识和学习呢？

[网站推广优化yetaoaiueo]

《海量数据计算架构实现》

[网站推广优化yetaoaiueo]

[网站推广优化yetaoaiueo]

L1、HTML静态化 其实大家都知道，效率最高、消耗最小的就是纯静态化的html页面，所以我们尽可能使我们的网站上的页面采 用静态页面来实现，这个最简单的方法其实也是最有效的方法。但是对于大量内容并且频繁更新的网站，我们无法全部手动去挨个实现，于是出现了我们常见的信息 发布系统CMS，像我们常访问的各个门户站点的新闻频道，甚至他们的其他频道，都是通过信息发布系统来管理和实现的，信息发布系统可以实现最简单的信息录 入自动生成静态页面，还能具备频道管理、权限管理、自动抓取等功能，对于一个大型网站来说，拥有一套高效、可管理的CMS是必不可少的。 除了门户和信息发布类型的网站，对于交互性要求很高的社区类型网站来说，尽可能的静态化也是提高性能的必要手段，将社区内的帖子、文章进行实时的静态化，有更新的时候再重新静态化也是大量使用的策略，像Mop的大杂烩就是使用了这样的策略，网易社区等也是如此。 同 时，html静态化也是某些缓存策略使用的手段，对于系统中频繁使用数据库查询但是内容更新很小的应用，可以考虑使用html静态化来实现，比如论坛中论 坛的公用设置信息，这些信息目前的主流论坛都可以进行后台管理并且存储再数据库中，这些信息其实大量被前台程序调用，但是更新频率很小，可以考虑将这部分 内容进行后台更新的时候进行静态化，这样避免了大量的数据库访问请求。 2、图片服务器分离 大家知道，对于Web服务器来说，不管 是 Apache、IIS还是其他容器，图片是最消耗资源的，于是我们有必要将图片与页面进行分离，这是基本上大型网站都会采用的策略，他们都有独立的图片服 务器，甚至很多台图片服务器。这样的架构可以降低提供页面访问请求的服务器系统压力，并且可以保证系统不会因为图片问题而崩溃，在应用服务器和图片服务器 上，可以进行不同的配置优化，比如apache在配置ContentType的时候可以尽量少支持，尽可能少的LoadModule，保证更高的系统消耗 和执行效率。 3、数据库集群和库表散列 大型网站都有复杂的应用，这些应用必须使用数据库，那么在面对大量访问的时候，数据库的瓶颈很快就能显现出来，这时一台数据库将很快无法满足应用，于是我们需要使用数据库集群或者库表散列。 在数据库集群方面，很多数据库都有自己的解决方案，Oracle、Sybase等都有很好的方案，常用的MySQL提供的Master/Slave也是类似的方案，您使用了什么样的DB，就参考相应的解决方案来实施即可。 上 面提到的数据库集群由于在架构、成本、扩张性方面都会受到所采用DB类型的限制，于是我们需要从应用程序的角度来考虑改善系统架构，库表散列是常用并且最 有效的解决方案。我们在应用程序中安装业务和应用或者功能模块将数据库进行分离，不同的模块对应不同的数据库或者表，再按照一定的策略对某个页面或者功能 进行更小的数据库散列，比如用户表，按照用户ID进行表散列，这样就能够低成本的提升系统的性能并且有很好的扩展性。sohu的论坛就是采用了这样的架 构，将论坛的用户、设置、帖子等信息进行数据库分离，然后对帖子、用户按照板块和ID进行散列数据库和表，最终可以在配置文件中进行简单的配置便能让系统 随时增加一台低成本的数据库进来补充系统性能。 4、缓存 缓存一词搞技术的都接触过，很多地方用到缓存。网站架构和网站开发中的缓存也是非常重要。这里先讲述最基本的两种缓存。高级和分布式的缓存在后面讲述。 架构方面的缓存，对Apache比较熟悉的人都能知道Apache提供了自己的缓存模块，也可以使用外加的Squid模块进行缓存，这两种方式均可以有效的提高Apache的访问响应能力。 网 站程序开发方面的缓存，Linux上提供的Memory Cache是常用的缓存接口，可以在web开发中使用，比如用Java开发的时候就可以调用MemoryCache对一些数据进行缓存和通讯共享，一些大 型社区使用了这样的架构。另外，在使用web语言开发的时候，各种语言基本都有自己的缓存模块和方法，PHP有Pear的Cache模块，Java就更多 了，.net不是很熟悉，相信也肯定有。 5、镜像 镜像是大型网站常采用的提高性能和数据安全性的方式，镜像的技术可以解决不同网 络接入商和地域带来的用户访问速度差异，比如ChinaNet和EduNet之间的差异就促使了很多网站在教育网内搭建镜像站点，数据进行定时更新或者实 时更新。在镜像的细节技术方面，这里不阐述太深，有很多专业的现成的解决架构和产品可选。也有廉价的通过软件实现的思路，比如Linux上的rsync等 工具。 6、负载均衡 负载均衡将是大型网站解决高负荷访问和大量并发请求采用的终极解决办法。 负载均衡技术发展了多年，有很多专业的服务提供商和产品可以选择，我个人接触过一些解决方法，其中有两个架构可以给大家做参考。 硬件四层交换 第 四层交换使用第三层和第四层信息包的报头信息，根据应用区间识别业务流，将整个区间段的业务流分配到合适的应用服务器进行处理。　第四层交换功能就象是虚 IP，指向物理服务器。它传输的业务服从的协议多种多样，有HTTP、FTP、NFS、Telnet或其他协议。这些业务在物理服务器基础上，需要复杂的 载量平衡算法。在IP世界，业务类型由终端TCP或UDP端口地址来决定，在第四层交换中的应用区间则由源端和终端IP地址、TCP和UDP端口共同决 定。 在硬件四层交换产品领域，有一些知名的产品可以选择，比如Alteon、F5等，这些产品很昂贵，但是物有所值，能够提供非常优秀的性能和很灵活的管理能力。Yahoo中国当初接近2000台服务器使用了三四台Alteon就搞定了。 软件四层交换 大家知道了硬件四层交换机的原理后，基于OSI模型来实现的软件四层交换也就应运而生，这样的解决方案实现的原理一致，不过性能稍差。但是满足一定量的压力还是游刃有余的，有人说软件实现方式其实更灵活，处理能力完全看你配置的熟悉能力。 软 件四层交换我们可以使用Linux上常用的LVS来解决，LVS就是Linux Virtual Server，他提供了基于心跳线heartbeat的实时灾难应对解决方案，提高系统的鲁棒性，同时可供了灵活的虚拟VIP配置和管理功能，可以同时满 足多种应用需求，这对于分布式的系统来说必不可少。

[码无边]

引用 1 楼 yetaodiao 的回复:

《海量数据计算架构实现》

+

[Torreson]

引用 5 楼 ldh911 的回复:

1、关于Web后台页面访问量多时，服务器的处理问题。 网站页面访问量1000万次每天，高峰时2000次每秒，现有两台服务器，内存8G，8核CPU，然后总访问量500万。。。。 ——考点很简单，就是怎么在有限资源情况下解决高并发访问。 ——回答点也比较简单：1、静态化；2、缓存（不同层次上的）。 ——首先要跟考官探讨是页面是否需要登录？更新频度、更新时效性要求等。然后再提出方案。 ——3楼说的比较细了，我觉得重要的是你要讲出你的分析过程。 2、1万个文件，每个文件1亿条数据，每条数据一行，每条数据是32位整数，详情见补充 1万个文件，每个文件1亿条数据，每条数据一行，每条数据是32位整数，编写单机程序求出文件数据总和在前100位的文件。怎么写，不限语言。 ——考点看起来像是流式处理加大整数运算 ——大整数可以用BigInteger，先计算出每个文件的总和，然后再对这1W个和排序就是了。 最后我想问：最近在面试的时候，老是问关于海量数据以及多并发的问题，那么我该怎么补充知识和学习呢？ ——看书啊

恩恩，可以告诉我那些书比较有参考价值，易懂吗?真的非常感谢你的回答

[MiceRice]

1、关于Web后台页面访问量多时，服务器的处理问题。 网站页面访问量1000万次每天，高峰时2000次每秒，现有两台服务器，内存8G，8核CPU，然后总访问量500万。。。。 ——考点很简单，就是怎么在有限资源情况下解决高并发访问。 ——回答点也比较简单：1、静态化；2、缓存（不同层次上的）。 ——首先要跟考官探讨是页面是否需要登录？更新频度、更新时效性要求等。然后再提出方案。 ——3楼说的比较细了，我觉得重要的是你要讲出你的分析过程。 2、1万个文件，每个文件1亿条数据，每条数据一行，每条数据是32位整数，详情见补充 1万个文件，每个文件1亿条数据，每条数据一行，每条数据是32位整数，编写单机程序求出文件数据总和在前100位的文件。怎么写，不限语言。 ——考点看起来像是流式处理加大整数运算 ——大整数可以用BigInteger，先计算出每个文件的总和，然后再对这1W个和排序就是了。 最后我想问：最近在面试的时候，老是问关于海量数据以及多并发的问题，那么我该怎么补充知识和学习呢？ ——看书啊

[MiceRice]

引用 6 楼 Kingson_Wu 的回复:

恩恩，可以告诉我那些书比较有参考价值，易懂吗?真的非常感谢你的回答

其实俺也没实际看过多少书，大多是论坛、技术资讯站点、Google所学。 建议你找个大书店，进去逛一逛，买一本“你觉得很能看懂的”书来入门，这是比较理想的。入门后，还需要补充哪部份知识，自己就比较有方向性了。

[网站推广优化yetaoaiueo]

结贴 Kingson_Wu