一、主要討論人員

提問：陳超，七牛云技術(shù)總監(jiān)

回答：朱冠胤，百度資深大數(shù)據(jù)專家，連續(xù)兩次百度最高獎(jiǎng)得主。

二、引言

“坐而論道”是一個(gè)輪流問答的玩法。本文是大數(shù)據(jù)主題周中，幾位國(guó)內(nèi)一線專家激情問答的一部分內(nèi)容。期間，各位群友也積極參與。

三、問題集錦

1.MongoDB在百度的使用場(chǎng)景及規(guī)模?

2.假設(shè)現(xiàn)在讓你完全主導(dǎo)一個(gè)類似Hadoop的項(xiàng)目，你會(huì)選擇哪種語言?

3.分享你在百度各種大數(shù)據(jù)項(xiàng)目中踩過的坑?

4.你所在團(tuán)隊(duì)在自研和使用開源方案的主要考慮因素?

5.新一代分布式數(shù)據(jù)庫(kù)(NewSQL，類似Spanner)是一個(gè)好的創(chuàng)業(yè)方向嗎?

四、精彩回答

問：我們都知道你深度參與了百度多個(gè)成功的大數(shù)據(jù)項(xiàng)目，你是否可以分享下這個(gè)過程中踩過的典型的坑?

答：主要包括如下這些：

1.避免過度設(shè)計(jì)；有些問題考慮太早沒用；快速迭代，小步快跑！

2.防御性編程，認(rèn)為一切都是不靠譜的(同時(shí)避免走向1的極端，例如離線系統(tǒng)，就不要考慮跨IDC高可用了)。

3.很多工作盡可能量化(能量化最好先量化)；if you can’t measure it，you can’t improve it!

4.對(duì)外接口一定要慎重，不要輕易變動(dòng)，兼容性尤其重要。

5.做好各種預(yù)案、監(jiān)控，出現(xiàn)異常能快速定位是系統(tǒng)上游還是本系統(tǒng)還是系統(tǒng)下游的問題。

6.提供好架構(gòu)和機(jī)制，讓業(yè)務(wù)方去調(diào)整配置各種策略。

7.將例行手工勞動(dòng)自動(dòng)化，人是不靠譜的；不要相信系統(tǒng)是萬能的，要有例行check機(jī)制。

其他Tips：

1.嚴(yán)格遵守編碼規(guī)范。

2.采用最嚴(yán)格的編譯選項(xiàng)。

3.做好CodeReview。

問：假設(shè)現(xiàn)在讓你完全主導(dǎo)一個(gè)類似Hadoop的項(xiàng)目，你會(huì)選擇哪種語言?(不考慮團(tuán)隊(duì)，僅從語言層面出發(fā))

答：類似Hadoop的項(xiàng)目：如果想開源，并且讓業(yè)界更多人參與進(jìn)來，首選Java；Hadoop能取得巨大成功，我個(gè)人認(rèn)為這與它選擇Java有很大關(guān)系。

相反，Storm選擇了一個(gè)比較小眾的語言Clojure，我聽到的一些消息，twitter重寫Storm其中一個(gè)原因就是，精通Clojure的程序員比較難招，開源社區(qū)很多人也參與不進(jìn)來，項(xiàng)目本身的活躍度也會(huì)受影響。

一個(gè)完整系統(tǒng)，要考慮項(xiàng)目推廣(業(yè)務(wù)方接受程度)、項(xiàng)目開發(fā)、調(diào)試和維護(hù)成本，最后是性能。

拿Hadoop來說，接口層面需要支持Python、Php；如果是百度內(nèi)部業(yè)務(wù)，還需要支持C++；如果是開放云對(duì)外服務(wù)，必須支持Java(對(duì)內(nèi)則不用考慮，很少業(yè)務(wù)使用Java開發(fā))。

對(duì)性能要求較高的部分，會(huì)考慮用C++；例如向量計(jì)算，會(huì)考慮SSE向量化，或一些業(yè)界成熟的高性能庫(kù)，甚至?xí)紤]GPU或FPGA實(shí)現(xiàn)。

除了這兩部分，就考慮公司通用基礎(chǔ)服務(wù)，盡量減少重復(fù)造輪子，多利用程序的基礎(chǔ)庫(kù)，例如序列化、rpc實(shí)現(xiàn)支持情況等，結(jié)合百度情況，會(huì)優(yōu)先考慮C++。

問：面對(duì)眾多開源解決方案，你所在團(tuán)隊(duì)在自研和使用開源方案的主要考慮因素有哪些?

答：1.首先搞清楚究竟想解決什么業(yè)務(wù)場(chǎng)景的問題，包括已明確需求和潛在需求。

2.優(yōu)先并充分調(diào)研業(yè)界已有實(shí)現(xiàn)(論文、代碼、論文活躍度和主要committer交流等)，要想清楚該系統(tǒng)試圖解決的業(yè)務(wù)場(chǎng)景是否是我們準(zhǔn)備解決的；該方案在業(yè)界有哪些公司在站臺(tái)(爭(zhēng)取拿到一些內(nèi)部消息)，構(gòu)造一定規(guī)模測(cè)試，內(nèi)部組織分享調(diào)研成果。

3.該方案是否能hold住(從設(shè)計(jì)理念到代碼級(jí)深度理解)，是否容易維護(hù)(選擇了Clojure估計(jì)難度不是一點(diǎn)半點(diǎn))，是否容易推廣(看業(yè)務(wù)方對(duì)它的接受程度)。

4.如果上述3個(gè)都回答了，且答案是yes，此時(shí)看看該系統(tǒng)的論文(或原理)。和論文(或原理)對(duì)比，假設(shè)論文沒有缺陷且能很好覆蓋典型業(yè)務(wù)場(chǎng)景，則看該系統(tǒng)對(duì)論文的實(shí)現(xiàn)情況，是否有重大缺陷，如果有，一票否決；如果沒有，不猶豫，選它好了：)

5.能達(dá)到這點(diǎn)的不多，所以很多項(xiàng)目都自研了......

問：請(qǐng)說一下MongoDB在百度的使用場(chǎng)景及規(guī)模。

答：MongoDB在百度比較小眾，應(yīng)用規(guī)模應(yīng)該在百臺(tái)量級(jí)，基礎(chǔ)架構(gòu)部對(duì)內(nèi)不提供統(tǒng)一服務(wù)，都是各業(yè)務(wù)線自行維護(hù)。

百度開放云對(duì)外提供MongoDB，主要是在BAE(BaiduAppEngine)產(chǎn)品中提供共享模式的Mongo服務(wù)。

問：你覺得現(xiàn)在新一代分布式數(shù)據(jù)庫(kù)(NewSQL，類似Spanner)是一個(gè)好的創(chuàng)業(yè)方向嗎?

答：選擇類Spanner系統(tǒng)來創(chuàng)業(yè)，注定不走尋常路，挑戰(zhàn)極大。

首先，看該產(chǎn)品的受眾，有這類需求的客戶似乎都是大企業(yè)(一般用mysql就搞定了，需要拆到128個(gè)實(shí)例太少見了)，銀行、能源行業(yè)等，都是不差錢的主。

如果自己創(chuàng)業(yè)，即便做出來了，客戶一般也基本不考慮，他們不會(huì)相信一個(gè)創(chuàng)業(yè)公司能提供這樣的質(zhì)量和服務(wù)能力。

其次，實(shí)現(xiàn)難度，實(shí)現(xiàn)Spanner的技術(shù)難度不小。

從我不專業(yè)的角度來看，類似RedShift的系統(tǒng)是個(gè)不錯(cuò)的創(chuàng)業(yè)方向，很多公司都有這類需求，目前業(yè)界缺乏很好的開源實(shí)現(xiàn)，而已有商業(yè)化實(shí)現(xiàn)成本都比較高。

作者：朱冠胤 來源：51CTO

總結(jié)

以上是生活随笔為你收集整理的运维专家：我在大数据项目中踩过的那些坑的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。