第2 章
分布式系统基础设施
chapter
第2 章 分布式系统基础设施 │ 59
一个大型、稳健、成熟的分布式系统的背后，往往会涉及众多的支撑系统，我们将这些支撑系统称为 分布式系统的基础设施。除了前面所介绍的 分布式协作及配置管理系统ZooKeeper，我们进行系统架构设计所依赖的基础设施，还包括 分布式缓存系统、持久化存储、分布式消息系统、搜索引擎，以及CDN 系统、负载均衡系统、运维自动化系统等，还有后面章节所要介绍的 实时计算系统、离线计算系统、分布式文件系统、日志收集系统、监控系统、数据仓库等。
分布式缓存主要用于在高并发环境下，减轻数据库的压力，提高系统的响应速度和并发吞吐。当大量的读、写请求涌向数据库时，磁盘的处理速度与内存显然不在一个量级，因此，在数据库之前加一层缓存，能够显著提高系统的响应速度，并降低数据库的压力。
作为传统的关系型数据库，MySQL 提供完整的ACID 操作，支持丰富的数据类型、强大的关联查询、where 语句等，能够非常容易地建立查询索引，执行复杂的内连接、外连接、求和、排序、分组等操作，并且支持存储过程、函数等功能，产品成熟度高，功能强大。但是，对于
需要应对高并发访问并且存储海量数据的场景来说，出于对性能的考虑，不得不放弃很多传统关系型数据库原本强大的功能，牺牲了系统的易用性，并且使得系统的设计和管理变得更为复杂。这也使得在过去几年中，流行着另一种新的存储解决方案——NoSQL，它与传统的关系型
数据库最大的差别在于，它不使用SQL 作为查询语言来查找数据，而采用key-value 形式进行查找，提供了更高的查询效率及吞吐，并且能够更加方便地进行扩展，存储海量数据，在数千个节点上进行分区，自动进行数据的复制和备份。
在分布式系统中，消息作为应用间通信的一种方式，得到了十分广泛的应用。消息可以被保存在队列中，直到被接收者取出，由于消息发送者不需要同步等待消息接收者的响应，消息的异步接收降低了系统集成的耦合度，提升了分布式系统协作的效率，使得系统能够更快地响
应用户，提供更高的吞吐。当系统处于峰值压力时，分布式消息队列还能够作为缓冲，削峰填谷，缓解集群的压力，避免整个系统被压垮。垂直化的搜索引擎在分布式系统中是一个非常重要的角色，它既能够满足用户对于全文检索、模糊匹配的需求，解决数据库like 查询效率低下的问题，又能够解决分布式环境下，由于采用分库分表，或者使用NoSQL 数据库，导致无法进行多表关联或者进行复杂查询的问题。
本章主要介绍和解决如下问题：
分布式缓存memcache 的使用及分布式策略，包括Hash 算法的选择。 常见的分布式系统存储解决方案，包括MySQL 的分布式扩展、HBase 的API 及使用
场景、Redis 的使用等。
如何使用分布式消息系统 ActiveMQ 来降低系统之间的耦合度，以及进行应用间的通信。
垂直化的搜索引擎在分布式系统中的使用，包括搜索引擎的基本原理、Lucene 详细的
使用介绍，以及基于Lucene 的开源搜索引擎工具Solr 的使用。
2.1 分布式缓存
在高并发环境下，大量的读、写请求涌向数据库，磁盘的处理速度与内存显然不在一个量级，从减轻数据库的压力和提高系统响应速度两个角度来考虑，一般都会在数据库之前加一层缓存。由于单台机器的内存资源和承载能力有限，并且如果大量使用本地缓存，也会使相同的
数据被不同的节点存储多份，对内存资源造成较大的浪费，因此才催生出了分布式缓存。本节将详细介绍分布式缓存的典型代表memcache，以及分布式缓存的应用场景。最为典型的场景莫过于分布式session。
2.1.1 memcache 简介及安装
memcache1是danga.com 的一个项目，它是一款开源的高性能的分布式内存对象缓存系统，最早是给 LiveJournal2提供服务的，后来逐渐被越来越多的大型网站所采用，用于在应用中减少对数据库的访问，提高应用的访问速度，并降低数据库的负载。为了在内存中提供数据的高速查找能力，memcache 使用 key-value 形式存储和访问数据，在内存中维护一张巨大的HashTable，使得对数据查询的时间复杂度降低到O（1），保证了对数据的高性能访问。内存的空间总是有限的，当内存没有更多的空间来存储新的数据时，memcache就会使用LRU（Least Recently Used）算法，将最近不常访问的数据淘汰掉，以腾出空间来存放新的数据。memcache 存储支持的数据格式也是灵活多样的，通过对象的序列化机制，可以将更高层抽象的对象转换成为二进制数据，存储在缓存服务器中，当前端应用需要时，又可以通过二进制内容反序列化，将数据还原成原有对象。
1. memcache 的安装
由于 memcache 使用了libevent 来进行高效的网络连接处理，因此在安装memcache 之前，
需要先安装libevent。
下载 libevent3，这里采用的是1.4.14 版本的libevent。
wget https://github.com/downloads/libevent/libevent/libevent-1.4.14bstable.
tar.gz
1 memcache 项目地址为http://memcached.org。
2 LiveJournal，http://www.livejournal.com。
3 libevent，http://libevent.org。
第2 章 分布式系统基础设施 │ 61
解压：
tar –xf libevent-1.4.14b-stable.tar.gz
配置、编译、安装libevent：
./configure
make
62 │ 大型分布式网站架构设计与实践
sudo make install
下载memcache，并解压：
wget http://www.memcached.org/files/memcached-1.4.17.tar.gz
tar –xf memcached-1.4.17.tar.gz
配置、编译、安装memcache：
./configure
第2 章 分布式系统基础设施 │ 63
make
sudo make install
64 │ 大型分布式网站架构设计与实践
2. 启动与关闭memcache
启动memcache 服务：
/usr/local/bin/memcached -d -m 10 -u root -l 192.168.136.135 -p 11211 -c 32
-P /tmp/memcached.pid
参数的含义如下：
-d 表示启动的是一个守护进程；
-m 指定分配给memcache 的内存数量，单位是MB，这里指定的是10 MB。
-u 指定运行memcache 的用户，这里指定的是root；
-l 指定监听的服务器的IP 地址；
-p 设置memcache 监听的端口，这里指定的是11211；
-c 指定最大允许的并发连接数，这里设置为32；
-P 指定memcache 的pid 文件保存的位置。
关闭memcache 服务：
kill `cat /tmp/memcached.pid`
2.1.2 memcache API 与分布式
memcache 客户端与服务端通过构建在TCP 协议之上的memcache 协议4来进行通信，协议
支持两种数据的传递，这两种数据分别为文本行和非结构化数据。文本行主要用来承载客户端
的命令及服务端的响应，而非结构化数据则主要用于客户端和服务端数据的传递。由于非结构
化数据采用字节流的形式在客户端和服务端之间进行传输和存储，因此使用方式非常灵活，缓
存数据存储几乎没有任何限制，并且服务端也不需要关心存储的具体内容及字节序。
memcache 协议支持通过如下几种方式来读取/写入/失效数据：
4 memcache 协议见https://github.com/memcached/memcached/blob/master/doc/protocol.txt。
第2 章 分布式系统基础设施 │ 65
set 将数据保存到缓存服务器，如果缓存服务器存在同样的key，则替换之；
add 将数据新增到缓存服务器，如果缓存服务器存在同样的key，则新增失败；
replace 将数据替换缓存服务器中相同的key，如果缓存服务器不存在同样的key，则替
换失败；
append 将数据追加到已经存在的数据后面；
prepend 将数据追加到已经存在的数据前面；
cas 提供对变量的cas 操作，它将保证在进行数据更新之前，数据没有被其他人更改；
get 从缓存服务器获取数据；
incr 对计数器进行增量操作；
decr 对计数器进行减量操作；
delete 将缓存服务器上的数据删除。
memcache 官方提供的Memcached-Java-Client5工具包含了对memcache 协议的Java 封装，
使用它可以比较方便地与缓存服务端进行通信，它的初始化方式如下：
public static void init(){
String[] servers = {
"192.168.136.135:11211"
};
SockIOPool pool = SockIOPool.getInstance();
pool.setServers(servers);//设置服务器
pool.setFailover(true);//容错
pool.setInitConn(10);//设置初始连接数
pool.setMinConn(5);//设置最小连接数
pool.setMaxConn(25); //设置最大连接数
pool.setMaintSleep(30);//设置连接池维护线程的睡眠时间
pool.setNagle(false);//设置是否使用Nagle 算法
pool.setSocketTO(3000);//设置socket 的读取等待超时时间
pool.setAliveCheck(true);//设置连接心跳监测开关
pool.setHashingAlg(SockIOPool.CONSISTENT_HASH);//设置Hash 算法
pool.initialize();
}
通过 SockIOPool，可以设置与后端缓存服务器的一系列参数，如服务器地址、是否采用容
5 Memcached-Java-Client，https://github.com/gwhalin/Memcached-Java-Client。
66 │ 大型分布式网站架构设计与实践
错、初始连接数、最大连接数、最小连接数、线程睡眠时间、是否使用Nagle 算法、socket 的
读取等待超时时间、是否心跳检测、Hash 算法，等等。
使用 Memcached-Java-Client 的API 设置缓存的值：
MemCachedClient memCachedClient = new MemCachedClient();
memCachedClient.add("key", 1);
memCachedClient.set("key", 2);
memCachedClient.replace("key", 3);
通过 add()方法新增缓存，如果缓存服务器存在同样的key，则返回false；而通过set()方法
将数据保存到缓存服务器，缓存服务器如果存在同样的key，则将其替换。replace()方法可以用
来替换服务器中相同的key 的值，如果缓存服务器不存在这样的key，则返回false。
使用 Memcached-Java-Client 的API 获取缓存的值：
Object value = memCachedClient.get("key");
String[] keys = {"key1","key2"};
Map<String, Object> values = memCachedClient.getMulti(keys);
通过 get()方法，可以从服务器获取该key 对应的数据；而使用getMulti()方法，则可以一次
性从缓存服务器获取一组数据。
对缓存的值进行append 和prepend 操作：
memCachedClient.set("key-name", "chenkangxian");
memCachedClient.prepend("key-name", "hello");
memCachedClient.append("key-name", "!");
通过 prepend()方法，可以在对应key 的值前面增加前缀；而通过append()方法，则可以在
对应的key 的值后面追加后缀。
对缓存的数据进行cas6操作：
MemcachedItem item = memCachedClient.gets("key");
memCachedClient.cas("key", (Integer)item.getValue() + 1,
item.getCasUnique());
通过 gets()方法获得key 对应的值和值的版本号，它们包含在MemcachedItem 对象中；然
后使用cas()方法对该值进行修改，当key 对应的版本号与通过gets 取到的版本号（即
item.getCasUnique()）相同时，则将key 对应的值修改为item.getValue() + 1，这样可以防止并发
修改所带来的问题。
6 memcache 的CAS 有点类似Java 的CAS（compare and set）操作，关于Java 的CAS 操作，第4 章会有
详细介绍。
第2 章 分布式系统基础设施 │ 67
对缓存的数据进行增量与减量操作：
memCachedClient.incr("key",1);
memCachedClient.decr("key",1);
使用 incr()方法可以对key 对应的值进行增量操作，而使用decr()方法则可以对key 对应的
值进行减量操作。
memcache 本身并不是一种分布式的缓存系统，它的分布式是由访问它的客户端来实现的。一种比较简单的实现方式是根据缓存的key 来进行Hash，当后端有N 台缓存服务器时，访问的服务器为hash(key)%N，这样可以将前端的请求均衡地映射到后端的缓存服务器，如图2-1 所示。
但这样也会导致一个问题，一旦后端某台缓存服务器宕机，或者是由于集群压力过大，需要新增缓存服务器时，大部分的key 将会重新分布。对于高并发系统来说，这可能会演变成一场灾难，所有的请求将如洪水般疯狂地涌向后端的数据库服务器，而数据库服务器的不可用，将会
导致整个应用的不可用，形成所谓的“雪崩效应”。
图2-1 memcache 集群采用hash(key)%N 进行分布
使用consistent Hash 算法能够在一定程度上改善上述问题。该算法早在1997 年就在论文
68 │ 大型分布式网站架构设计与实践
Consistent hashing and random trees7中被提出，它能够在移除/添加一台缓存服务器时，尽可能小
地改变已存在的key 映射关系，避免大量key 的重新映射。
consistent Hash 的原理是这样的，它将Hash 函数的值域空间组织成一个圆环，假设Hash
函数的值域空间为0～232-1（即Hash 值是一个32 位的无符号整型），整个空间按照顺时针方向
进行组织，然后对相应的服务器节点进行Hash，将它们映射到Hash 环上，假设有4 台服务器，
分别为node1、node2、node3、node4，它们在环上的位置如图2-2 所示。
图2-2 consistent Hash 的原理
接下来使用相同的Hash 函数，计算出对应的key 的Hash 值在环上对应的位置。根据
consistent Hash 算法，按照顺时针方向，分布在node1 与node2 之间的key，它们的访问请求会
被定位到node2，而node2 与node4 之间的key，访问请求会被定为到node4，以此类推。
假设有新节点node5 增加进来时，假设它被Hash 到node2 和node4 之间，如图2-3 所示。
那么受影响的只有node2 和node5 之间的key，它们将被重新映射到node5，而其他key 的映射
关系将不会发生改变，这样便避免了大量key 的重新映射。
当然，上面描绘的只是一种理想的情况，各个节点在环上分布得十分均匀。正常情况下，
当节点数量较少时，节点的分布可能十分不均匀，从而导致数据访问的倾斜，大量的key 被映
射到同一台服务器上。为了避免这种情况的出现，可以引入虚拟节点机制，对每一个服务器节
点都计算多个Hash 值，每一个Hash 值都对应环上一个节点的位置，该节点称为虚拟节点，而
key 的映射方式不变，只是多了一步从虚拟节点再映射到真实节点的过程。这样，如果虚拟节
7 consistent hash，http://dl.acm.org/citation.cfm?id=258660。
第2 章 分布式系统基础设施 │ 69
点的数量足够多，即使只有很少的实际节点，也能够使key 分布得相对均衡。
图2-3 当新节点加入时的情景8
2.1.3 分布式session
传统的应用服务器，如tomcat、jboss 等，其自身所实现的session 管理大部分都是基于单
机的。对于大型分布式网站来说，支撑其业务的远远不止一台服务器，而是一个分布式集群，
请求在不同服务器之间跳转。那么，如何保持服务器之间的session 同步呢？传统网站一般通过
将一部分数据存储在cookie 中，来规避分布式环境下session 的操作。这样做的弊端很多，一方
面cookie 的安全性一直广为诟病，另一方面cookie 存储数据的大小是有限制的。随着移动互联
网的发展，很多情况下还得兼顾移动端的session 需求，使得采用cookie 来进行session 同步的
方式的弊端更为凸显。分布式session 正是在这种情况下应运而生的。
对于系统可靠性要求较高的用户，可以将session 持久化到DB 中，这样可以保证宕机时会
话不易丢失，但缺点也是显而易见的，系统的整体吞吐将受到很大的影响。另一种解决方案便
是将session 统一存储在缓存集群上，如memcache，这样可以保证较高的读、写性能，这一点
对于并发量大的系统来说非常重要；并且从安全性考虑，session 毕竟是有有效期的，使用缓存
存储，也便于利用缓存的失效机制。使用缓存的缺点是，一旦缓存重启，里面保存的会话也就
丢失了，需要用户重新建立会话。
如图 2-4 所示，前端用户请求经过随机分发之后，可能会命中后端任意的Web Server，并
8 图片来源http://blog.charlee.li/content/images/2008/Jul/memcached-0004-05.png。
70 │ 大型分布式网站架构设计与实践
且 Web Server 也可能会因为各种不确定的原因宕机。在这种情况下，session 是很难在集群间同
步的，而通过将session 以sessionid 作为key，保存到后端的缓存集群中，使得不管请求如何分
配，即便是Web Server 宕机，也不会影响其他Web Server 通过sessionid 从Cache Server 中获得
session，这样既实现了集群间的session 同步，又提高了Web Server 的容错性。
图2-4 基于缓存的分布式session 架构
这里以 Tomcat 作为Web Server 来举例，通过一个简单的工具memcached-session- manager9，
实现基于memcache 的分布式session。
memcached-session-manager 是一个开源的高可用的Tomcat session 共享解决方案，它支持
Sticky 模式和Non-Sticky 模式。Sticky 模式表示每次请求都会被映射到同一台后端Web Server，
直到该Web Server 宕机，这样session 可先存放在服务器本地，等到请求处理完成再同步到后端
memcache 服务器；而当Web Server 宕机时，请求被映射到其他Web Server，这时候，其他Web
Server 可以从后端memcache 中恢复session。对于Non-Sticky 模式来说，请求每次映射的后端
Web Server 是不确定的，当请求到来时，从memcache 中加载session；当请求处理完成时，将
9 memcached-session-manager，https://code.google.com/p/memcached-session-manager。
第2 章 分布式系统基础设施 │ 71
session 再写回到memcache。
以 Non-Sticky 模式为例，它需要给Tomcat 的$CATALINA_HOME/conf/context.xml 文件配
置SessionManager，具体配置如下：
<Manager className="de.javakaffee.web.msm.MemcachedBackupSessionManager"
memcachedNodes="n1:192.168.0.100:11211,n2:192.168.0.101:11211"
sticky="false"
sessionBackupAsync="false"
lockingMode="auto"
requestUriIgnorePattern=".*\.(ico|png|gif|jpg|css|js)$"
transcoderFactoryClass="de.javakaffee.web.msm.serializer.kryo.KryoTranscoderFactory"
/>
其中：memcachedNodes 指定了memcache 的节点；sticky 表示是否采用Sticky 模式；
sessionBackupAsync 表示是否采用异步方式备份session；lockingMode 表示session 的锁定模式；
auto 表示对于只读请求，session 将不会被锁定，如果包含写入请求，则session 会被锁定；
requestUriIgnorePattern 表示忽略的url；transcoderFactoryClass 用来指定序列化的方式，这里采用
的是Kryo 序列化，也是memcached-session-manager 比较推荐的一种序列化方式。
memcached-session-manager 依赖于memcached-session-manager-${version}.jar，如果使用的是
tomcat6，则还需要下载memcached-session-manager-tc6-${version}.jar，并且它还依赖memcached-
${version}.jar 进行memcache 的访问。在启动Tomcat 之前，需要将这些jar 放在$CATALINA_
HOME/lib/目录下。如果使用第三方序列化方式，如Kryo，还需要在Web 工程中引入相关的第三方
库，Kryo 序列化所依赖的库，包括kryo-${version}-all.jar 、kryo-serializers-${version}.jar 和
msm-kryo-serializer. ${version}.jar。
2.2 持久化存储
随着科技的不断发展，越来越多的人开始参与到互联网活动中来，人们在网络上的活动，
如发表心情动态、微博、购物、评论等，这些信息最终被转变成二进制字节的数据存储下来。
面对并发访问量的激增和数据量几何级的增长，如何存储正在迅速膨胀并且不断累积的数据，
以及应对日益增长的用户访问频次，成为了亟待解决的问题。
传统的 IOE10解决方案，使用和扩展的成本越来越高，使得互联网企业不得不思考新的解决
方案。开源软件加廉价PC Server 的分布式架构，得益于社区的支持。在节约成本的同时，也给
系统带来了良好的扩展能力，并且由于开源软件的代码透明，使得企业能够以更低的代价定制
10 I 表示IBM 小型机，O 表示oracle 数据库，E 表示EMC 高端存储。
72 │ 大型分布式网站架构设计与实践
更符合自身使用场景的功能，以提高系统的整体性能。本节将介绍互联网领域常见的三种数据
存储方式，包括传统关系型数据库MySQL、Google 所提出的bigtable 概念及其开源实现HBase，
以及包含丰富数据类型的key-value 存储Redis。
作为传统的关系型数据库，MySQL 提供完整的ACID 操作，支持丰富的数据类型、强大的关联查询、where 语句等，能够非常容易地建立查询索引，执行复杂的内连接、外连接、求和、排序、分组等操作，并且支持存储过程、函数等功能，产品成熟度高，功能强大。对于大多数中小规模的应用来说，关系型数据库拥有强大完整的功能，以及提供的易用性、灵活性和产品成熟度，地位很难被完全替代。 但是，对于需要应对高并发访问并且存储海量数据的场景来说，出于性能的考虑，不得不放弃很多传统关系型数据的功能，如关联查询、事务、数据一致性（由
强一致性降为最终一致性）；并且由于对数据存储进行拆分，如分库分表，以及进行反范式设计，以提高系统的查询性能，使得我们放弃了关系型数据库大部分原本强大的功能，牺牲了系统的易用性，并且使得系统的设计和管理变得更为复杂。
过去几年中，流行着一种新的存储解决方案，NoSQL、HBase 和Redis 作为其中较为典型的代表，各自都得到了较为广泛的使用，它们各自都具有比较鲜明的特性。与传统的关系型数据库相比，HBase 有更好的伸缩能力，更适合于海量数据的存储和处理，并且HBase 能够支持
多个Region Server 同时写入，并发写入性能十分出色。但HBase 本身所支持的查询维度有限，难以支持复杂的条件查询，如group by、order by、join 等，这些特点使它的应用场景受到了限制。对于Redis 来说，它拥有更好的读/写吞吐能力，能够支撑更高的并发数，而相较于其他的key-value 类型的数据库，Redis 能够提供更为丰富的数据类型支持，能更灵活地满足业务需求。
2.2.1 MySQL 扩展
随着互联网行业的高速发展，使得采用诸如IOE 等商用存储解决方案的成本不断攀升，越
来越难以满足企业高速发展的需要；因此，开源的存储解决方案开始逐渐受到青睐，并成为互
联网企业数据存储的首选方案。
以 MySQL 为例，它作为开源关系型数据库的典范，正越来越广泛地被互联网企业所使用。
企业可以根据业务规模的不同的阶段，选择采用不同的系统架构，以应对逐渐增长的访问压力
和数据量；并且随着业务的发展，需要提前做好系统的容量规划，在系统的处理能力还未达到
极限时，对系统进行扩容，以免带来损失。
1. 业务拆分
业务发展初期为了便于快速迭代，很多应用都采用集中式的架构。随着业务规模的扩展，使系统变得越来越复杂，越来越难以维护，开发效率越来越低，并且系统的资源消耗也越来越
大，通过硬件提升性能的成本也越来越高。因此，系统业务的拆分是难以避免的。
第2 章 分布式系统基础设施 │ 73
举例来说，假设某门户网站，它包含了新闻、用户、帖子、评论等几大块内容，对于数据
库来说，它可能包含这样几张表，如news、users、post、comment，如图2-5 所示。
图2-5 single DB 的拆分
随着业务的不断发展，单个库的访问量越来越大，因此，不得不对业务进行拆分。每一块
业务都使用单独的数据库来进行存储，前端不同的业务访问不同的数据库，这样原本依赖单库
的服务，变成4 个库同时承担压力，吞吐能力自然就提高了。
顺带说一句，业务拆分不仅仅提高了系统的可扩展性，也带来了开发工作效率的提升。原
来一次简单修改，工程启动和部署可能都需要很长时间，更别说开发测试了。随着系统的拆分，
单个系统复杂度降低，减轻了应用多个分支开发带来的分支合并冲突解决的麻烦，不仅大大提
高了开发测试的效率，同时也提升了系统的稳定性。
2. 复制策略
架构变化的同时，业务也在不断地发展，可能很快就会发现，随着访问量的不断增加，拆
分后的某个库压力越来越大，马上就要达到能力的瓶颈，数据库的架构不得不再次进行变更，
这时可以使用MySQL 的replication（复制）策略来对系统进行扩展。
通过数据库的复制策略，可以将一台 MySQL 数据库服务器中的数据复制到其他MySQL
数据库服务器上。当各台数据库服务器上都包含相同数据时，前端应用通过访问MySQL 集群
中任意一台服务器，都能够读取到相同的数据，这样每台MySQL 服务器所需要承担的负载就
会大大降低，从而提高整个系统的承载能力，达到系统扩展的目的。
如图 2-6 所示，要实现数据库的复制，需要开启Master 服务器端的Binary log。数据复制的
74 │ 大型分布式网站架构设计与实践
过程实际上就是Slave 从master 获取binary log，然后再在本地镜像的执行日志中记录的操作。
由于复制过程是异步的，因此Master 和Slave 之间的数据有可能存在延迟的现象，此时只能够
保证数据最终的一致性。
图2-6 MySQL 的Master 与Slave 之间数据同步的过程11
MySQL 的复制可以基于一条语句（statement level），也可以基于一条记录（row level）。通
过row level 的复制，可以不记录执行的SQL 语句相关联的上下文信息，只需要记录数据变更
的内容即可。但由于每行的变更都会被记录，这样可能会产生大量的日志内容，而使用statement
level 则只是记录修改数据的SQL 语句，减少了binary log 的日志量，节约了I/O 成本。但是，
为了让SQL 语句在Slave 端也能够正确地执行，它还需要记录SQL 执行的上下文信息，以保证
所有语句在Slave 端执行时能够得到在Master 端执行时的相同结果。
在实际的应用场景中，MySQL 的Master 与Slave 之间的复制架构有可能是这样的，如图
2-7 所示。
前端服务器通过Master 来执行数据写入的操作，数据的更新通过Binary log 同步到Slave
集群，而对于数据读取的请求，则交由Slave 来处理，这样Slave 集群可以分担数据库读的压力，
并且读、写分离还保障了数据能够达到最终一致性。一般而言，大多数站点的读数据库操作要
比写数据库操作更为密集。如果读的压力较大，还可以通过新增Slave 来进行系统的扩展，因
此，Master-Slave 的架构能够显著地减轻前面所提到的单库读的压力。毕竟在大多数应用中，读
的压力要比写的压力大得多。
11 图片来源http://hatemysql.com/wp-content/uploads/2013/04/mysql_replication.png。
第2 章 分布式系统基础设施 │ 75
图2-7 Master-Slaves 复制架构
Master-Slaves 复制架构存在一个问题，即所谓的单点故障。当Master 宕机时，系统将无法
写入，而在某些特定的场景下，也可能需要Master 停机，以便进行系统维护、优化或者升级。
同样的道理，Master 停机将导致整个系统都无法写入，直到Master 恢复，大部分情况下这显然
是难以接受的。为了尽可能地降低系统停止写入的时间，最佳的方式就是采用Dual-Master 架构，
即Master-Master 架构，如图2-8 所示。
76 │ 大型分布式网站架构设计与实践
图 2-8 MySQL Dual-Master 架构
所谓的 Dual Master，实际上就是两台MySQL 服务器互相将对方作为自己的Master，自己
作为对方的Slave，这样任何一台服务器上的数据变更，都会通过MySQL 的复制机制同步到另
一台服务器。当然，有的读者可能会担心，这样不会导致两台互为Master 的MySQL 之间循环
复制吗？当然不会，这是由于MySQL 在记录Binary log 日志时，记录了当前的server-id，server-id
在我们配置MySQL 复制时就已经设置好了。一旦有了server-id，MySQL 就很容易判断最初的
写入是在哪台服务器上发生的，MySQL 不会将复制所产生的变更记录到Binary log，这样就避
免了服务器间数据的循环复制。
当然，我们搭建Dual-Master 架构，并不是为了让两个Master 能够同时提供写入服务，这
样会导致很多问题。举例来说，假如Master A 与Master B 几乎同时对一条数据进行了更新，对
Master A 的更新比对Master B 的更新早，当对Master A 的更新最终被同步到Master B 时，老版
本的数据将会把版本更新的数据覆盖，并且不会抛出任何异常，从而导致数据不一致的现象发
生。在通常情况下，我们仅开启一台Master 的写入，另一台Master 仅仅stand by 或者作为读库
开放，这样可以避免数据写入的冲突，防止数据不一致的情况发生。
在正常情况下，如需进行停机维护，可按如下步骤执行Master 的切换操作：
（1）停止当前Master 的所有写入操作。
（2）在Master 上执行set global read_only=1，同时更新MySQL 配置文件中相应的配置，
避免重启时失效。
（3）在Master 上执行show Master status，以记录Binary log 坐标。
（4）使用Master 上的Binary log 坐标，在stand by 的Master 上执行select Master_pos_wait()，
等待stand by Master 的Binary log 跟上Master 的Binary log。
（5）在stand by Master 开启写入时，设置read_only=0。
（6）修改应用程序的配置，使其写入到新的Master。
假如 Master 意外宕机，处理过程要稍微复杂一点，因为此时Master 与stand by Master 上的
数据并不一定同步，需要将Master 上没有同步到stand by Master 的Binary log 复制到Master 上
进行replay，直到stand by Master 与原Master 上的Binary log 同步，才能够开启写入；否则，
这一部分不同步的数据就有可能导致数据不一致。
3. 分表与分库
对于大型的互联网应用来说，数据库单表的记录行数可能达到千万级别甚至是亿级，并且
数据库面临着极高的并发访问。采用Master-Slave 复制模式的MySQL 架构，只能够对数据库的
读进行扩展，而对数据的写入操作还是集中在Master 上，并且单个Master 挂载的Slave 也不可
第2 章 分布式系统基础设施 │ 77
能无限制多，Slave 的数量受到Master 能力和负载的限制。因此，需要对数据库的吞吐能力进
行进一步的扩展，以满足高并发访问与海量数据存储的需要。
对于访问极为频繁且数据量巨大的单表来说，我们首先要做的就是减少单表的记录条数，
以便减少数据查询所需要的时间，提高数据库的吞吐，这就是所谓的分表。在分表之前，首先
需要选择适当的分表策略，使得数据能够较为均衡地分布到多张表中，并且不影响正常的查询。
对于互联网企业来说，大部分数据都是与用户关联的，因此，用户id 是最常用的分表字段。
因为大部分查询都需要带上用户id，这样既不影响查询，又能够使数据较为均衡地分布到各个
表中12，如图2-9 所示。
图2-9 user 表按照user_id%256 的策略进行分表
假设有一张记录用户购买信息的订单表order，由于order 表记录条数太多，将被拆分成256
张表13。拆分的记录根据user_id%256 取得对应的表进行存储，前台应用则根据对应的
user_id%256，找到对应订单存储的表进行访问。这样一来，user_id 便成为一个必需的查询条件，
否则将会由于无法定位数据存储的表而无法对数据进行访问。
假设 user 表的结构如下：
create table order(
order_id bigint(20) primary key auto_increment,
12 当然，有的场景也可能会出现冷热数据分布不均衡的情况。
13 拆分后表的数量一般为2 的n 次方。
78 │ 大型分布式网站架构设计与实践
user_id bigint(20),
user_nick varchar(50),
auction_id bigint(20),
auction_title bigint(20),
price bigint(20),
auction_cat varchar(200),
seller_id bigint(20),
seller_nick varchar(50)
);
那么分表以后，假设user_id=257，并且auction_id=100，需要根据auction_id 来查询对应的
订单信息，则对应的SQL 语句如下：
select * from order_1 where user_id = 257 and auction_id = 100;
其中，order_1 根据257%256 计算得出，表示分表之后的第1 张order 表。
分表能够解决单表数据量过大带来的查询效率下降的问题，但是，却无法给数据库的并发
处理能力带来质的提升。面对高并发的读写访问，当数据库Master 服务器无法承载写操作压力
时，不管如何扩展Slave 服务器，此时都没有意义了。因此，我们必须换一种思路，对数据库
进行拆分，从而提高数据库写入能力，这就是所谓的分库。
与分表策略相似，分库也可以采用通过一个关键字段取模的方式，来对数据访问进行路由，
如图2-10 所示。
图2-10 MySQL 分库策略
还是之前的订单表，假设user_id 字段的值为257，将原有的单库分为256 个库，那么应用
第2 章 分布式系统基础设施 │ 79
程序对数据库的访问请求将被路由到第1 个库（257%256=1）。
有时数据库可能既面临着高并发访问的压力，又需要面对海量数据的存储问题，这时需要
对数据库即采用分库策略，又采用分表策略，以便同时扩展系统的并发处理能力，以及提升单
表的查询性能，这就是所谓的分库分表。
分库分表的策略比前面的仅分库或者仅分表的策略要更为复杂，一种分库分表的路由策略
如下：
中间变量=user_id%（库数量×每个库的表数量）；
库=取整（中间变量/每个库的表数量）；
表=中间变量%每个库的表数量。
同样采用 user_id 作为路由字段，首先使用user_id 对库数量×每个库表的数量取模，得到
一个中间变量；然后使用中间变量除以每个库表的数量，取整，便得到对应的库；而中间变量
对每个库表的数量取模，即得到对应的表。分库分表策略如图2-11 所示。
图2-11 MySQL 分库分表策略
假设将原来的单库单表order 拆分成256 个库，每个库包含1024 个表，那么按照前面所提
到的路由策略，对于user_id=262145 的访问，路由的计算过程如下：
中间变量=262145%（256×1024）=1；
80 │ 大型分布式网站架构设计与实践
库=取整（1/1024）=0；
表=1%1024=1。
这意味着，对于user_id=262145 的订单记录的查询和修改，将被路由到第0 个库的第1 个
表中执行。
数据库经过业务拆分及分库分表之后，虽然查询性能和并发处理能力提高了，但也会带来
一系列的问题。比如，原本跨表的事务上升为分布式事务；由于记录被切分到不同的库与不同
的表当中，难以进行多表关联查询，并且不能不指定路由字段对数据进行查询。分库分表以后，
如果需要对系统进行进一步扩容（路由策略变更），将变得非常不方便，需要重新进行数据迁移。
相较于 MySQL 的分库分表策略，后面要提到的HBase 天生就能够很好地支持海量数据的
存储，能够以更友好、更方便的方式支持表的分区，并且HBase 还支持多个Region Server 同时
写入，能够较为方便地扩展系统的并发写入能力。而通过后面章节所提到的搜索引擎技术，能
够解决采用业务拆分及分库分表策略后，系统无法进行多表关联查询，以及查询时必须带路由
字段的问题。搜索引擎能够很好地支持复杂条件的组合查询，通过搜索引擎构建的一张大表，
能够弥补一部分数据库拆分所带来的问题。
2.2.2 HBase
HBase14是Apache Hadoop 项目下的一个子项目，它以Google BigTable15为原型，设计实现
了高可靠性、高可扩展性、实时读/写的列存储数据库。它的本质实际上是一张稀疏的大表，用
来存储粗粒度的结构化数据，并且能够通过简单地增加节点来实现系统的线性扩展。
HBase 运行在分布式文件系统HDFS16之上，利用它可以在廉价的PC Server 上搭建大规模
结构化存储集群。HBase 的数据以表的形式进行组织，每个表由行列组成。与传统的关系型数
据库不同的是，HBase 每个列属于一个特定的列族，通过行和列来确定一个存储单元，而每个
存储单元又可以有多个版本，通过时间戳来标识，如表2-1 所示。
表 2-1 HBase 表数据的组织形式
rowkey
column-family1 column-family2 column-family3
column1 column2 column3 column1 column2 column1
key1 … … … … … …
key2 … … … … … …
14 HBase 项目地址为https://hbase.apache.org。
15 著名的Google BigTable 论文，http://research.google.com/archive/bigtable.html。
16 关于HDFS 的介绍，请参照第5.2 节。
第2 章 分布式系统基础设施 │ 81
key3 … … … … … …
HBase 集群中通常包含两种角色，HMaster 和HRegionServer。当表随着记录条数的增加而
不断变大后，将会分裂成一个个Region，每个Region 可以由（startkey,endkey）来表示，它包
含一个startkey 到endkey 的半闭区间。一个HRegionServer 可以管理多个Region，并由HMaster
来负责HRegionServer 的调度及集群状态的监管。由于Region 可分散并由不同的HRegionServer
来管理，因此，理论上再大的表都可以通过集群来处理。HBase 集群布署图如图2-12 所示。
图2-12 HBase 集群部署图17
1. HBase 安装
下载 HBase 的安装包，这里选择的版本是0.9618。
wget http://mirror.bit.edu.cn/apache/hbase/hbase-0.96.1.1/hbase-
0.96.1.1-hadoop1-bin.tar.gz
17 图片来源http://dl2.iteye.com/upload/attachment/0073/5412/53da4281-58d4-3f53-8aaf-a09d0c295f05.jpg。
18 HBase 的版本需要与Hadoop 的版本相兼容，详情请见http://hbase.apache.org/book/configuration.html# hadoop。
82 │ 大型分布式网站架构设计与实践
解压安装文件：
tar -xf hbase-0.96.1.1-hadoop1-bin.tar.gz
修改配置文件：
编辑{HBASE_HOME}/conf/hbase-env.sh 文件，设置JAVA_HOME 为Java 的安装目录。
export JAVA_HOME=/usr/java/
编辑{HBASE_HOME}/conf/hbase-site.xml 文件，增加如下配置，其中hbase.rootdir 目录用
于指定HBase 的数据存放位置，这里指定的是HDFS 上的路径，而hbase.cluster.distributed 则指
定了是否运行在分布式模式下。
<configuration>
<property>
<name>hbase.cluster.distributed</name>
<value>true</value>
</property>
<property>
<name>hbase.rootdir</name>
<value>hdfs://localhost:9000/hbase</value>
</property>
</configuration>
启动 HBase：
完成上述操作后，先启动Hadoop，再启动HBase，就可以进行相应的操作了。
第2 章 分布式系统基础设施 │ 83
使用HBase shell：
./hbase shell
查看HBase 集群状态：
status
HBase 的基本使用：
创建一个表，并指定列族的名称，create '表名称'、'列族名称1'、'列族名称2' ……
例如，create 'user','phone','info'。
创建 user 表，包含两个列族，一个是phone，一个是info。
84 │ 大型分布式网站架构设计与实践
列出已有的表，并查看表的描述：
list
describe ‘表名’
例如，describe ‘user’。
新增/删除一个列族。
给表新增一个列族：
alter '表名',NAME=>'列族名称'
例如，alter 'user',NAME=>'class'。
删除表的一个列族：
alter '表名',NAME=>'列族名称',METHOD=>'delete'
例如，alter 'user',NAME=>'class',METHOD=>'delete'。
第2 章 分布式系统基础设施 │ 85
删除一个表：
在使用 drop 删除一个表之前，必须先将该表disable：
disable 'user'
drop 'user'
如果没有disable 表而直接使用drop 删除，则会出现如下提示：
给表添加记录：
put '表名', 'rowkey','列族名称:列名称','值'
例如，put 'user','1','info:name','zhangsan'。
查看数据。
根据 rowkey 查看数据：
get '表名称','rowkey'
例如，get 'user','1'。
根据rowkey 查看对应列的数据：
get '表名称','rowkey','列族名称:列名称'
例如，get 'user','1','info:name'。
86 │ 大型分布式网站架构设计与实践
查看表中的记录总数：
count '表名称'
例如，count 'user'。
查看表中所有记录：
scan '表名称'
例如，scan 'user'。
查看表中指定列族的所有记录：
scan '表名',{COLUMNS => '列族'}
例如，scan 'user',{COLUMNS => 'info'}。
查看表中指定区间的所有记录：
scan '表名称',{COLUMNS => '列族',LIMIT =>记录数, STARTROW => '开始rowkey',
STOPROW=>'结束rowkey'}
例如，scan 'user',{COLUMNS => 'info',LIMIT =>5, STARTROW => '2',STOPROW=>'7'}。
第2 章 分布式系统基础设施 │ 87
删除数据。
根据 rowkey 删除列数据：
delete '表名称','rowkey' ,'列簇名称'
例如，delete 'user','1','info:name'。
根据rowkey 删除一行数据：
deleteall '表名称','rowkey'
例如，deleteall 'user','2。
2. HBase API
除了通过shell 进行操作，HBase 作为分布式数据库，自然也提供程序访问的接口，此处以
Java 为例。
首先，需要配置HBase 的HMaster 服务器地址和对应的端口（默认为60000），以及对应的
ZooKeeper 服务器地址和端口：
private static Configuration conf = null;
static {
conf = HBaseConfiguration.create();
conf = HBaseConfiguration.create();
conf.set("hbase.ZooKeeper.property.clientPort", "2181");
conf.set("hbase.ZooKeeper.quorum", "192.168.136.135");
conf.set("hbase.master", "192.168.136.135:60000");
}
接下来，通过程序来新增user 表，user 表中有三个列族，分别为info、class、parent，如果
该表已经存在，则先删除该表：
public static void createTable() throws Exception {
88 │ 大型分布式网站架构设计与实践
String tableName = "user";
HBaseAdmin hBaseAdmin = new HBaseAdmin(conf);
if (hBaseAdmin.tableExists(tableName)) {
hBaseAdmin.disableTable(tableName);
hBaseAdmin.deleteTable(tableName);
}
HTableDescriptor tableDescriptor = new
HTableDescriptor(TableName.valueOf(tableName));
tableDescriptor.addFamily(new HColumnDescriptor("info"));
tableDescriptor.addFamily(new HColumnDescriptor("class"));
tableDescriptor.addFamily(new HColumnDescriptor("parent"));
hBaseAdmin.createTable(tableDescriptor);
hBaseAdmin.close();
}
将数据添加到user 表，每个列族指定一个列col，并给该列赋值：
public static void putRow() throws Exception {
String tableName = "user";
String[] familyNames = {"info","class","parent"};
HTable table = new HTable(conf, tableName);
for(int i = 0; i < 20; i ++){
for (int j = 0; j < familyNames.length; j++) {
Put put = new Put(Bytes.toBytes(i+""));
put.add(Bytes.toBytes(familyNames[j]),
Bytes.toBytes("col"),
Bytes.toBytes("value_"+i+"_"+j));
table.put(put);
}
}
table.close();
}
取得 rowkey 为1 的行，并将该行打印出来：
public static void getRow() throws IOException {
String tableName = "user";
String rowKey = "1";
HTable table = new HTable(conf, tableName);
Get g = new Get(Bytes.toBytes(rowKey));
第2 章 分布式系统基础设施 │ 89
Result r = table.get(g);
outputResult(r);
table.close();
}
public static void outputResult(Result rs){
List<Cell> list = rs.listCells();
System.out.println("row key : " +
new String(rs.getRow()));
for(Cell cell : list){
System.out.println("family: " + new String(cell.getFamily())
+ ", col: " + new String(cell.getQualifier())
+ ", value: " + new String(cell.getValue()) );
}
}
scan 扫描user 表，并将查询结果打印出来：
public static void scanTable() throws Exception {
String tableName = "user";
HTable table = new HTable(conf, tableName);
Scan s = new Scan();
ResultScanner rs = table.getScanner(s);
for (Result r : rs) {
outputResult(r);
}
//设置startrow 和endrow 进行查询
s = new Scan("2".getBytes(),"6".getBytes());
rs = table.getScanner(s);
for (Result r : rs) {
outputResult(r);
}
table.close();
}
删除 rowkey 为1 的记录：
public static void deleteRow( ) throws IOException {
String tableName = "user";
String rowKey = "1";
HTable table = new HTable(conf, tableName);
90 │ 大型分布式网站架构设计与实践
List<Delete> list = new ArrayList<Delete>();
Delete d = new Delete(rowKey.getBytes());
list.add(d);
table.delete(list);
table.close();
}
3. rowkey 设计
要想访问 HBase 的行，只有三种方式，一种是通过指定rowkey 进行访问，另一种是指定
rowkey 的range 进行scan，再者就是全表扫描。由于全表扫描对于性能的消耗很大，扫描一张
上亿行的大表将带来很大的开销，以至于整个集群的吞吐都会受到影响。因此，rowkey 设计的
好坏，将在很大程度上影响表的查询性能，是能否充分发挥HBase 性能的关键。
举例来说，假设使用HBase 来存储用户的订单信息，我们可能会通过这样几个维度来记录
订单的信息，包括购买用户的id、交易时间、商品id、商品名称、交易金额、卖家id 等。假设
需要从卖家维度来查看某商品已售出的订单，并且按照下单时间区间来进行查询，那么订单表
可以这样设计：
rowkey：seller_id + auction_id + create_time
列族：order_info(auction_title,price,user_id)
使用卖家id+商品id+交易时间作为表的rowkey，列族为order，该列族包含三列，即商品
标题、价格、购买者id，如图2-13 所示。由于HBase 的行是按照rowkey 来排序的，这样通过
rowkey 进行范围查询，可以缩小scan 的范围。
图 2-13 根据rowkey 进行表的scan
第2 章 分布式系统基础设施 │ 91
而假设需要从购买者维度来进行订单数据的查询，展现用户购买过的商品，并且按照购买
时间进行查询分页，那么rowkey 的设计又不同了：
rowkey：user_id + create_time
列族：order_info(auction_id,auction_title,price,seller_id)
这样通过买家id+交易时间区间，便能够查到用户在某个时间范围内因购买所产生的订单。
但有些时候，我们既需要从卖家维度来查询商品售出情况，又需要从买家维度来查询商品
购买情况，关系型数据库能够很好地支持类似的多条件复杂查询。但对于HBase 来说，实现起
来并不是那么的容易。基本的解决思路就是建立一张二级索引表，将查询条件设计成二级索引
表的rowkey，而存储的数据则是数据表的rowkey，这样就可以在一定程度上实现多个条件的查
询。但是二级索引表也会引入一系列的问题，多表的插入将降低数据写入的性能，并且由于多
表之间无事务保障，可能会带来数据一致性的问题19。
与传统的关系型数据库相比，HBase 有更好的伸缩能力，更适合于海量数据的存储和处理。
由于多个Region Server 的存在，使得HBase 能够多个节点同时写入，显著提高了写入性能，并
且是可扩展的。但是，HBase 本身能够支持的查询维度有限，难以支持复杂查询，如group by、
order by、join 等，这些特点使得它的应用场景受到了限制。当然，这也并非是不可弥补的硬伤，
通过后面章节所介绍的搜索引擎来构建索引，可以在一定程度上解决HBase 复杂条件组合查询
的问题。
2.2.3 Redis
Redis 是一个高性能的key-value 数据库，与其他很多key-value 数据库的不同之处在于，Redis
不仅支持简单的键值对类型的存储，还支持其他一系列丰富的数据存储结构，包括strings、
hashs、lists、sets、sorted sets 等，并在这些数据结构类型上定义了一套强大的API。通过定义
不同的存储结构，Redis 可以很轻易地完成很多其他key-value 数据库难以完成的任务，如排序、
去重等。
1. 安装Redis
下载Redis 源码安装包：
wget http://download.redis.io/releases/redis-2.8.8.tar.gz
19 关于HBase 的二级索引表，华为提供了hindex 的二级索引解决方案，有兴趣的读者可以参考
https://github.com/Huawei-Hadoop/hindex。
92 │ 大型分布式网站架构设计与实践
解压文件：
tar -xf redis-2.8.8.tar.gz
编译安装Redis：
sudo make PREFIX=/usr/local/redis install
将 Redis 安装到/usr/local/redis 目录，然后，从安装包中找到Redis 的配置文件，将其复制
到安装的根目录。
sudo cp redis.conf /usr/local/redis/
启动Redis Server：
./redis-server ../redis.conf
第2 章 分布式系统基础设施 │ 93
使用redis-cli 进行访问20：
./redis-cli
2. 使用Redis API
Redis 的Java client21有很多，这里选择比较常用的Jedis22来介绍Redis 数据访问的API。
首先，需要对Redis client 进行初始化：
Jedis redis = new Jedis ("192.168.136.135",6379);
Redis 支持丰富的数据类型，如strings、hashs、lists、sets、sorted sets 等，这些数据类型都
有对应的API 来进行操作。比如，Redis 的strings 类型实际上就是最基本的key-value 形式的数
据，一个key 对应一个value，它支持如下形式的数据访问：
redis.set("name", "chenkangxian");//设置key-value
redis.setex("content", 5, "hello");//设置key-value 有效期为5 秒
20 更多数据访问的命令请参考http://redis.io/commands。
21 Redis 的clien，http://redis.io/clients。
22 Jedis 项目地址为https://github.com/xetorthio/jedis。
94 │ 大型分布式网站架构设计与实践
redis.mset("class","a","age","25"); //一次设置多个key-value
redis.append("content", " lucy");//给字符串追加内容
String content = redis.get("content"); //根据key 获取value
List<String> list = redis.mget("class","age");//一次取多个key
通过 set 方法，可以给对应的key 设值；通过get 方法，可以获取对应key 的值；通过setex
方法可以给key-value 设置有效期；通过mset 方法，一次可以设置多个key-value 对；通过mget
方法，可以一次获取多个key 对应的value，这样的好处是，可以避免多次请求带来的网络开销，
提高性能；通过append 方法，可以给已经存在的key 对应的value 后追加内容。
Redis 的hashs 实际上是一个string 类型的field 和value 的映射表，类似于Map，特别适合
存储对象。相较于将每个对象序列化后存储，一个对象使用hashs 存储将会占用更少的存储空
间，并且能够更为方便地存取整个对象：
redis.hset("url", "google", "www.google.cn");//给Hash 添加key-value
redis.hset("url", "taobao", "www.taobao.com");
redis.hset("url", "sina", "www.sina.com.cn");
Map<String,String> map = new HashMap<String,String>();
map.put("name", "chenkangxian");
map.put("sex", "man");
map.put("age", "100");
redis.hmset("userinfo", map);//批量设置值
String name = redis.hget("userinfo", "name");//取Hash 中某个key 的值
//取Hash 的多个key 的值
List<String> urllist = redis.hmget("url","google","taobao","sina");
//取Hash 的所有key 的值
Map<String,String> userinfo = redis.hgetAll("userinfo");
通过 hset 方法，可以给一个Hash 存储结构添加key-value 数据；通过hmset 方法，能够一
次性设置多个值，避免多次网络操作的开销；使用hget 方法，能够取得一个Hash 结构中某个
key 对应的value；使用hmget 方法，则可以一次性获取得多个key 对应的value；通过hgetAll
方法，可以将Hash 存储对应的所有key-value 一次性取出。
Redis 的lists 是一个链表结构，主要的功能是对元素的push 和pop，以及获取某个范围内
的值等。push 和pop 操作可以从链表的头部或者尾部插入/删除元素，这使得lists 既可以作为栈
使用，又可以作为队列使用，其中，操作的key 可以理解为链表的名称：
第2 章 分布式系统基础设施 │ 95
redis.lpush("charlist", "abc");//在list 首部添加元素
redis.lpush("charlist", "def");
redis.rpush("charlist", "hij");//在list 尾部添加元素
redis.rpush("charlist", "klm");
List<String> charlist = redis.lrange("charlist", 0, 2);
redis.lpop("charlist");//在list 首部删除元素
redis.rpop("charlist");//在list 尾部删除元素
Long charlistSize = redis.llen("charlist");//获得list 的大小
通过 lpush 和rpush 方法，分别可以在list 的首部和尾部添加元素；使用lpop 和rpop 方法，
可以在list 的首部和尾部删除元素，通过lrange 方法，可以获取list 指定区间的元素。
Redis 的sets 与数据结构的set 相似，用来存储一个没有重复元素的集合，对集合的元素可
以进行添加和删除的操作，并且能够对所有元素进行枚举：
redis.sadd("SetMem", "s1");//给set 添加元素
redis.sadd("SetMem", "s2");
redis.sadd("SetMem", "s3");
redis.sadd("SetMem", "s4");
redis.sadd("SetMem", "s5");
redis.srem("SetMem", "s5");//从set 中移除元素
Set<String> set = redis.smembers("SetMem");//枚举出set 的元素
sadd 方法用来给set 添加新的元素，而srem 则可以对元素进行删除，通过smembers 方法，
能够枚举出set 中的所有元素。
sorted sets 是Redis sets 的一个升级版本，它在sets 的基础之上增加了一个排序的属性，该
属性在添加元素时可以指定，sorted sets 将根据该属性来进行排序， 每次新元素增加后，sorted
sets 会重新对顺序进行调整。sorted sets 不仅能够通过range 正序对set 取值，还能够通过range
对set 进行逆序取值，极大地提高了set 操作的灵活性：
redis.zadd("SortSetMem", 1, "5th");//插入sort set,并指定元素的序号
redis.zadd("SortSetMem", 2, "4th");
redis.zadd("SortSetMem", 3, "3th");
redis.zadd("SortSetMem", 4, "2th");
redis.zadd("SortSetMem", 5, "1th");
//根据范围取set
Set<String> sortset = redis.zrange("SortSetMem", 2, 4);
96 │ 大型分布式网站架构设计与实践
//根据范围反向取set
Set<String> revsortset = redis.zrevrange("SortSetMem", 1, 2);
通过 zadd 方法来给sorted sets 新增元素，在新增操作的同时，需要指定该元素排序的序号，
以便进行排序。使用zrange 方法可以正序对set 进行范围取值，而通过zrevrange 方法，则可以
高效率地逆序对set 进行范围取值。
相较于传统的关系型数据库，Redis 有更好的读/写吞吐能力，能够支撑更高的并发数。而
相较于其他的key-value 类型的数据库，Redis 能够提供更为丰富的数据类型的支持，能够更灵
活地满足业务需求。Redis 能够高效率地实现诸如排序取topN、访问计数器、队列系统、数据
排重等业务需求，并且通过将服务器设置为cache-only，还能够提供高性能的缓存服务。相较
于memcache 来说，在性能差别不大的情况下，它能够支持更为丰富的数据类型。
2.3 消息系统
在分布式系统中，消息系统的应用十分广泛，消息可以作为应用间通信的一种方式。消息
被保存在队列中，直到被接收者取出。由于消息发送者不需要同步等待消息接收者的响应，消
息的异步接收降低了系统集成的耦合度，提升了分布式系统协作的效率，使得系统能够更快地
响应用户，提供更高的吞吐。当系统处于峰值压力时，分布式消息队列还能够作为缓冲，削峰
填谷，缓解集群的压力，避免整个系统被压垮。
开源的消息系统有很多，包括Apache 的ActiveMQ，Apache 的Kafka、RabbitMQ、memcacheQ
等，本节将通过Apache 的ActiveMQ 来介绍消息系统的使用与集群架构。
2.3.1 ActiveMQ & JMS
ActiveMQ 是Apache 所提供的一个开源的消息系统，完全采用Java 来实现，因此，它能够
很好地支持J2EE 提出JMS 规范。JMS（Java Message Service，即Java 消息服务）是一组Java
应用程序接口，它提供消息的创建、发送、接收、读取等一系列服务。JMS 定义了一组公共应
用程序接口和相应的语法，类似于Java 数据库的统一访问接口JDBC，它是一种与厂商无关的
API，使得Java 程序能够与不同厂商的消息组件很好地进行通信。
JMS 支持的消息类型包括简单文本（TextMessage）、可序列化的对象（ObjectMessage）、键
值对（MapMessage）、字节流（BytesMessage）、流（StreamMessage），以及无有效负载的消息
（Message）等。消息的发送是异步的，因此，消息的发布者发送完消息之后，不需要等待消息
接收者立即响应，这样便提高了分布式系统协作的效率。
第2 章 分布式系统基础设施 │ 97
JMS 支持两种消息发送和接收模型。一种称为Point-to-Point（P2P）模型，即采用点对点
的方式发送消息。P2P 模型是基于queue（队列）的，消息生产者发送消息到队列，消息消费者
从队列中接收消息，队列的存在使得消息的异步传输称为可能，P2P 模型在点对点的情况下进
行消息传递时采用。另一种称为Pub/Sub（Publish/Subscribe，即发布/订阅）模型，发布/订阅模
型定义了如何向一个内容节点发布和订阅消息，这个内容节点称为topic（主题）。主题可以认
为是消息传递的中介，消息发布者将消息发布到某个主题，而消息订阅者则从主题订阅消息。
主题使得消息的订阅者与消息的发布者互相保持独立，不需要进行接触即可保证消息的传递，
发布/订阅模型在消息的一对多广播时采用。
如图 2-14 所示，对于点对点消息传输模型来说，多个消息的生产者和消息的消费者都可以
注册到同一个消息队列，当消息的生产者发送一条消息之后，只有其中一个消息消费者会接收
到消息生产者所发送的消息，而不是所有的消息消费者都会收到该消息。
图2-14 点对点消息传输模型
如图2-15 所示，对于发布/订阅消息传输模型来说，消息的发布者需将消息投递给topic，
而消息的订阅者则需要在相应的topic 进行注册，以便接收相应topic 的消息。与点对点消息传
输模型不同的是，消息发布者的消息将被自动发送给所有订阅了该topic 的消息订阅者。当消息
订阅者某段时间由于某种原因断开了与消息发布者的连接时，这个时间段内的消息将会丢失，
除非将消息的订阅模式设置为持久订阅（durable subscription），这时消息的发布者将会为消息
的订阅者保留这段时间所产生的消息。当消息的订阅者重新连接消息发布者时，消息订阅者仍
然可以获得这部分消息，而不至于丢失这部分消息。
98 │ 大型分布式网站架构设计与实践
图 2-15 发布/订阅消息传输模型
1. 安装ActiveMQ
由于ActiveMQ 是纯Java 实现的，因此ActiveMQ 的安装依赖于Java 环境，关于Java 环境
的安装此处就不详细介绍了，请读者自行查阅相关资料。
下载 ActiveMQ：
wget http://apache.dataguru.cn/activemq/apache-activemq/5.9.0/apacheactivemq-
5.9.0-bin.tar.gz
解压安装文件：
tar -xf apache-activemq-5.9.0-bin.tar.gz
相关的配置放在{ACTIVEMQ_HOME}/conf 目录下，可以对配置文件进行修改：
ls /usr/activemq
第2 章 分布式系统基础设施 │ 99
启动 ActiveMQ：
./activemq start
2. 通过JMS 访问ActiveMQ
ActiveMQ 实现了JMS 规范提供的一系列接口，如创建Session、建立连接、发送消息等，
通过这些接口，能够实现消息发送、消息接收、消息发布、消息订阅的功能。
使用 JMS 来完成ActiveMQ 基于queue 的点对点消息发送：
ConnectionFactory connectionFactory = new
ActiveMQConnectionFactory(
ActiveMQConnection.DEFAULT_USER,
ActiveMQConnection.DEFAULT_PASSWORD,
"tcp://192.168.136.135:61616");
Connection connection = connectionFactory
.createConnection();
connection.start();
Session session = connection.createSession
(Boolean.TRUE,Session.AUTO_ACKNOWLEDGE);
Destination destination = session
.createQueue("MessageQueue");
MessageProducer producer = session.createProducer(destination);
producer.setDeliveryMode(DeliveryMode.NON_PERSISTENT);
ObjectMessage message = session
.createObjectMessage("hello everyone!");
producer.send(message);
session.commit();
创 建 一 个ActiveMQConnectionFactory ， 通过ActiveMQConnectionFactory 来创建到
ActiveMQ 的连接，通过连接创建Session。创建Session 时有两个非常重要的参数，第一个boolean
100 │ 大型分布式网站架构设计与实践
类型的参数用来表示是否采用事务消息。如果消息是事务的，对应的该参数设置为true，此时
消息的提交自动由comit 处理，消息的回滚则自动由rollback 处理。假如消息不是事务的，则对
应的该参数设置为false，此时分为三种情况，Session.AUTO_ACKNOWLEDGE 表示Session 会
自动确认所接收到的消息；而Session.CLIENT_ACKNOWLEDGE 则表示由客户端程序通过调
用消息的确认方法来确认所收到的消息；Session.DUPS_OK_ACKNOWLEDGE 这个选项使得
Session 将“懒惰”地确认消息，即不会立即确认消息，这样有可能导致消息重复投递。Session
创建好以后，通过Session 创建一个queue，queue 的名称为MessageQueue，消息的发送者将会
向这个queue 发送消息。
基于 queue 的点对点消息接收类似：
ConnectionFactory connectionFactory = new
ActiveMQConnectionFactory(
ActiveMQConnection.DEFAULT_USER,
ActiveMQConnection.DEFAULT_PASSWORD,
"tcp://192.168.136.135:61616");
Connection connection = connectionFactory
.createConnection();
connection.start();
Session session = connection.createSession(Boolean.FALSE,
Session.AUTO_ACKNOWLEDGE);
Destination destination= session
.createQueue("MessageQueue");
MessageConsumer consumer = session
.createConsumer(destination);
while (true) {
//取出消息
ObjectMessage message = (ObjectMessage)consumer.receive(10000);
if (null != message) {
String messageContent = (String)message.getObject();
System.out.println(messageContent);
} else {
break;
}
}
创建 ActiveMQConnectionFactory，通过ActiveMQConnectionFactory 创建连接，通过连接
创建Session，然后创建目的queue（这里为MessageQueue），根据目的queue 创建消息的消费
第2 章 分布式系统基础设施 │ 101
者，消息消费者通过receive 方法来接收Object 消息，然后将消息转换成字符串并打印输出。
还可以通过JMS 来创建ActiveMQ 的topic，并给topic 发送消息：
ConnectionFactory factory = new ActiveMQConnectionFactory(
ActiveMQConnection.DEFAULT_USER,
ActiveMQConnection.DEFAULT_PASSWORD,
"tcp://192.168.136.135:61616");
Connection connection = factory.createConnection();
connection.start();
Session session = connection.createSession(false,
Session.AUTO_ACKNOWLEDGE);
Topic topic = session.createTopic("MessageTopic");
MessageProducer producer = session.createProducer(topic);
producer.setDeliveryMode(DeliveryMode.NON_PERSISTENT);
TextMessage message = session.createTextMessage();
message.setText("message_hello_chenkangxian");
producer.send(message);
与 发 送 点 对点消息一样， 首先需要初始化ActiveMQConnectionFactory ， 通过
ActiveMQConnectionFactory 创建连接，通过连接创建Session。然后再通过Session 创建对应的
topic，这里指定的topic 为MessageTopic。创建好topic 之后，通过Session 创建对应消息producer，
然后创建一条文本消息，消息内容为message_hello_chenkangxian，通过producer 发送。
消息发送到对应的topic 后，需要将listener 注册到需要订阅的topic 上，以便能够接收该topic
的消息：
ConnectionFactory factory = new ActiveMQConnectionFactory(
ActiveMQConnection.DEFAULT_USER,
ActiveMQConnection.DEFAULT_PASSWORD,
"tcp://192.168.136.135:61616");
Connection connection = factory.createConnection();
connection.start();
Session session = connection.createSession(false, Session.AUTO_ACKNOWLEDGE);
Topic topic = session.createTopic("MessageTopic");
MessageConsumer consumer = session.createConsumer(topic);
102 │ 大型分布式网站架构设计与实践
consumer.setMessageListener(new MessageListener() {
public void onMessage(Message message) {
TextMessage tm = (TextMessage) message;
try {
System.out.println(tm.getText());
} catch (JMSException e) {}
}
});
Session 创建好之后，通过Session 创建对应的topic，然后通过topic 来创建消息的消费者，
消息的消费者需要在该topic 上注册一个listener，以便消息发送到该topic 之后，消息的消费者
能够及时地接收到。
3. ActiveMQ 集群部署
针对分布式环境下对系统高可用的严格要求，以及面临高并发的用户访问，海量的消息发
送等场景的挑战，单个ActiveMQ 实例往往难以满足系统高可用与容量扩展的需求，这时
ActiveMQ 的高可用方案及集群部署就显得十分重要了。
当一个应用被部署到生产环境中，进行容错和避免单点故障是十分重要的，这样可以避免
因为单个节点的不可用而导致整个系统的不可用。目前ActiveMQ 所提供的高可用方案主要是
基于Master-Slave 模式实现的冷备方案，较为常用的包括基于共享文件系统的Master-Slave 架
构和基于共享数据库的Master-Slave 架构23。
如图 2-16 所示，当Master 启动时，它会获得共享文件系统的排他锁，而其他Slave 则stand-by，
不对外提供服务，同时等待获取Master 的排他锁。假如Master 连接中断或者发生异常，那么它
的排他锁则会立即释放，此时便会有另外一个Slave 能够争夺到Master 的排他锁，从而成为Master，
对外提供服务。当之前因故障或者连接中断而丢失排他锁的Master 重新连接到共享文件系统时，
排他锁已经被抢占了，它将作为Slave 等待，直到Master 再一次发生异常。
23 关于ActiveMQ 的高可用架构可以参考http://activemq.apache.org/masterslave.html。
第2 章 分布式系统基础设施 │ 103
图2-16 基于共享文件系统的Master-Slave 架构
基于共享数据库的Master-Slave 架构同基于共享文件系统的Master-Slave 架构类似，如图
2-17 所示。当Master 启动时，会先获取数据库某个表的排他锁，而其他Slave 则stand-by，等
待表锁，直到Master 发生异常，连接丢失。这时表锁将释放，其他Slave 将获得表锁，从而成
为Master 并对外提供服务，Master 与Slave 自动完成切换，完全不需要人工干预。
图2-17 基于共享数据库的Master-Slave 架构
104 │ 大型分布式网站架构设计与实践
当然，客户端也需要做一些配置，以便当服务端Master 与Slave 切换时，客户无须重启和
更改配置就能够进行兼容。在ActiveMQ 的客户端连接的配置中使用failover 的方式，可以在
Master 失效的情况下，使客户端自动重新连接到新的Master：
failover:(tcp://master:61616,tcp://slave1:61616,tcp://slave2:61616)
假设 Master 失效，客户端能够自动地连接到Slave1 和Slave2 两台当中成功获取排他锁的
新Master。
当系统规模不断地发展，产生和消费消息的客户端越来越多，并发的请求数以及发送的消
息量不断增加，使得系统逐渐地不堪重负。采用垂直扩展可以提升ActiveMQ 单broker 的处理
能力。扩展最直接的办法就是提升硬件的性能，如提高CPU 和内存的能力，这种方式最为简单
也最为直接。再者就是就是通过调节ActiveMQ 本身的一些配置来提升系统并发处理的能力，
如使用nio 替代阻塞I/O，提高系统处理并发请求的能力，或者调整JVM 与ActiveMQ 可用的
内存空间等。由于垂直扩展较为简单，此处就不再详细叙述了。
硬件的性能毕竟不能无限制地提升，垂直扩展到一定程度时，必然会遇到瓶颈，这时就需
要对系统进行相应的水平扩展。对于ActiveMQ 来说，可以采用broker 拆分的方式，将不相关
的queue 和topic 拆分到多个broker，来达到提升系统吞吐能力的目的。
假设使用消息系统来处理订单状态的流转，对应的topic 可能包括订单创建、购买者支付、
售卖者发货、购买者确认收货、购买者确认付款、购买者发起退款、售卖者处理退款等，如
图2-18 所示。
第2 章 分布式系统基础设施 │ 105
图 2-18 broker 的拆分
原本一个 broker 可以承载多个queue 或者topic，现在将不相关的queue 和topic 拆出来放
到多个broker 当中，这样可以将一部分消息量大并发请求多的queue 独立出来单独进行处理，
避免了queue 或者topic 之间的相互影响，提高了系统的吞吐量，使系统能够支撑更大的并发请
求量及处理更多的消息。当然，如有需要，还可以对queue 和topic 进行进一步的拆分，类似于
数据库的分库分表策略，以提高系统整体的并发处理能力。
2.4 垂直化搜索引擎
这里所介绍的垂直化搜索引擎，与大家所熟知的Google 和Baidu 等互联网搜索引擎存在着
一些差别。垂直化的搜索引擎主要针对企业内部的自有数据的检索，而不像Google 和Baidu 等
搜索引擎平台，采用网络爬虫对全网数据进行抓取，从而建立索引并提供给用户进行检索。在
分布式系统中，垂直化的搜索引擎是一个非常重要的角色，它既能满足用户对于全文检索、模
糊匹配的需求，解决数据库like 查询效率低下的问题，又能够解决分布式环境下，由于采用分
库分表或者使用NoSQL 数据库，导致无法进行多表关联或者进行复杂查询的问题。
106 │ 大型分布式网站架构设计与实践
本节将重点介绍搜索引擎的基本原理和Apache Lucence 的使用，以及基于Lucence 的另一
个强大的搜索引擎工具Solr 的一些简单配置。
2.4.1 Lucene 简介
要深入理解垂直化搜索引擎的架构，不得不提到当前全球范围内使用十分广泛的一个开源
检索工具——Lucene24。Lucene 是Apache 旗下的一款高性能、可伸缩的开源的信息检索库，最
初是由Doug Cutting25开发，并在SourceForge 的网站上提供下载。从2001 年9 月开始，Lucene
作为高质量的开源Java 产品加入到Apache 软件基金会，经过多年的不断发展，Lucene 被翻译
成C++、C#、perl、Python 等多种语言，在全球范围内众多知名互联网企业中得到了极为广泛
的应用。通过Lucene，可以十分容易地为应用程序添加文本搜索功能，而不必深入地了解搜索
引擎实现的技术细节以及高深的算法，极大地降低了搜索技术推广及使用的门槛。
Lucene 与搜索应用程序之间的关系如图2-19 所示。
24 Lucene 项目地址为https://lucene.apache.org。
25 开源领域的重量级人物，创建了多个成功的开源项目，包括Lucene、Nutch 和Hadoop。
第2 章 分布式系统基础设施 │ 107
图 2-19 Lucene 与搜索应用程序之间的关系26
在学习使用Lucene 之前，需要理解搜索引擎的几个重要概念：
倒排索引（inverted index）也称为反向索引，是搜索引擎中最常见的数据结构，几乎所有
的搜索引擎都会用到倒排索引。它将文档中的词作为关键字，建立词与文档的映射关系，通过
对倒排索引的检索，可以根据词快速获取包含这个词的文档列表，这对于搜索引擎来说至关重
要。
分词又称为切词，就是将句子或者段落进行切割，从中提取出包含固定语义的词。对于英
语来说，语言的基本单位就是单词，因此分词特别容易，只需要根据空格/符号/段落进行分割，
并且排除停止词（stop word），提取词干27即可完成。但是对于中文来说，要将一段文字准确地
切分成一个个词，就不那么容易了。中文以字为最小单位，多个字连在一起才能构成一个表达
具体含义的词。中文会用明显的标点符号来分割句子和段落，唯独词没有一个形式上的分割符，
因此，对于支持中文搜索的搜索引擎来说，需要一个合适的中文分词工具，以便建立倒排索引。
停止词（stop word），在英语中包含了a、the、and 这样使用频率很高的词，如果这些词都
被建到索引中进行索引的话，搜索引擎就没有任何意义了，因为几乎所有的文档都会包含这些
词。对于中文来说也是如此，中文里面也有一些出现频率很高的词，如“在”、“这”、“了”、“于”
等，这些词没有具体含义，区分度低，搜索引擎对这些词进行索引没有任何意义，因此，停止
词需要被忽略掉。
排序，当输入一个关键字进行搜索时，可能会命中许多文档，搜索引擎给用户的价值就是
快速地找到需要的文档，因此，需要将相关度更大的内容排在前面，以便用户能够更快地筛选
出有价值的内容。这时就需要有适当的排序算法。一般来说，命中标题的文档将比命中内容的
文档有更高的相关性，命中多次的文档比命中一次的文档有更高的相关性。商业化的搜索引擎
的排序规则十分复杂，搜索结果的排序融入了广告、竞价排名等因素，由于涉及的利益广泛，
一般属于核心的商业机密。
另外，关于Lucene 的几个概念也值得关注一下：
文档（Document），在Lucene 的定义中，文档是一系列域（Field）的组合，而文档的域则
代表一系列与文档相关的内容。与数据库表的记录的概念有点类似，一行记录所包含的字段对
应的就是文档的域。举例来说，一个文档比如老师的个人信息，可能包括年龄、身高、性别、
个人简介等内容。
域（Field），索引的每个文档中都包含一个或者多个不同名称的域，每个域都包含了域的名
26 图片来源https://www.ibm.com/developerworks/cn/java/j-lo-lucene1/fig001.jpg。
27 提取词干是西方语言特有的处理步骤，比如英文中的单词有单复数的变形，-ing 和-ed 的变形，但是在
搜索引擎中，应该当作同一个词。
108 │ 大型分布式网站架构设计与实践
称和域对应的值，并且域还可以是不同的类型，如字符串、整型、浮点型等。
词（Term），Term 是搜索的基本单元，与Field 对应，它包括了搜索的域的名称以及搜索的
关键词，可以用它来查询指定域中包含特定内容的文档。
查询（Query），最基本的查询可能是一系列Term 的条件组合，称为TermQuery，但也有可
能是短语查询（PhraseQuery）、前缀查询（PrefixQuery）、范围查询（包括TermRangeQuery、
NumericRangeQuery 等）等。
分词器（Analyzer），文档在被索引之前，需要经过分词器处理，以提取关键的语义单元，
建立索引，并剔除无用的信息，如停止词等，以提高查询的准确性。中文分词与西文分词的区
别在于，中文对于词的提取更为复杂。常用的中文分词器包括一元分词28、二元分词29、词库分
词30等。
如图 2-20 所示，Lucene 索引的构建过程大致分为这样几个步骤，通过指定的数据格式，将
Lucene 的Document 传递给分词器Analyzer 进行分词，经过分词器分词之后，通过索引写入工
具IndexWriter 将索引写入到指定的目录。
图 2-20 Lucene 索引的构建过程
而对索引的查询，大概可以分为如
下几个步骤，如图2-21 所示。首先构
建查询的Query，通过IndexSearcher
进行查询，得到命中的TopDocs。然后
通过TopDocs 的scoreDocs()方法，拿到
ScoreDoc，通过ScoreDoc，得到对应的
文档编号，IndexSearcher 通过文档编
号，使用IndexReader 对指定目录下的
索引内容进行读取，得到命中的文档后
28 一元分词，即将给定的字符串以一个字为单位进行切割分词，这种分词方式较为明显的缺陷就是语义
不准，如“上海”两个字被切割成“上”、“海”，但是包含“上海”、“海上”的文档都会命中。
29 二元分词比一元分词更符合中文的习惯，因为中文的大部分词汇都是两个字，但是问题依然存在。
30 词库分词就是使用词库中定义的词来对字符串进行切分，这样的好处是分词更为准确，但是效率较N
元分词更低，且难以识别互联网世界中层出不穷的新兴词汇。
图2-21 Lucene 索引搜索过程
第2 章 分布式系统基础设施 │ 109
返回。
2.4.2 Lucene 的使用
Lucene 为搜索引擎提供了强大的、令人惊叹的API，在企业的垂直化搜索领域得到了极为
广泛的应用。为了学习搜索引擎的基本原理，有效地使用Lucene，并将其引入到我们的应用程
序当中，本节将介绍Lucene 的一些常用的API 和使用方法，以及索引的优化和分布式扩展。
1. 构建索引
在执行搜索之前，先要构建搜索的索引：
Directory dir = FSDirectory.open(new File(indexPath));
Analyzer analyzer = new StandardAnalyzer();
Document doc = new Document();
doc.add(new Field("name","zhansan",Store.YES,Index.ANALYZED));
doc.add(new Field("address","hangzhou",Store.YES,Index.ANALYZED));
doc.add(new Field("sex","man",Store.YES,Index.NOT_ANALYZED));
doc.add(new Field("introduce","i am a coder,my name is zhansan",Store.YES,
Index.NO));
IndexWriter indexWriter = new IndexWriter(dir,analyzer, MaxFieldLength.LIMITED);
indexWriter.addDocument(doc);
indexWriter.close();
首先需要构建索引存储的目录Directory，索引最终将被存放到该目录。然后初始化
Document，给Document 添加Field，包括名称、地址、性别和个人介绍信息。Field 的第一个参
数为Field 的名称；第二个参数为Filed 的值；第三个参数表示该Field 是否会被存储。Store.NO
表示索引中不存储该Field；Store.YES 表示索引中存储该Field；如果是Store.COMPRESS，则
表示压缩存储。最后一个参数表示是否对该字段进行检索。Index.ANALYZED 表示需对该字段
进行全文检索，该Field 需要使用分词器进行分词；Index.NOT_ANALYZED 表示不进行全文检
索，因此不需要分词；Index.NO 表示不进行索引。创建一个IndexWriter，用来写入索引，初始
化时需要指定索引存放的目录，以及索引建立时使用的分词器，此处用的是Lucene 自带的中文
分词器StandardAnalyzer，最后一个参数则用来指定是否限制Field 的最大长度。
2. 索引更新与删除
很多情况下，在搜索引擎首次构建完索引之后，数据还有可能再次被更改，此时如果不将
最新的数据同步到搜索引擎，则有可能检索到过期的数据。遗憾的是，Lucene 暂时还不支持对
于Document 单个Field 或者整个Document 的更新，因此这里所说的更新，实际上是删除旧的
110 │ 大型分布式网站架构设计与实践
Document，然后再向索引中添加新的Document。所添加的新的Document 必须包含所有的Field，
包括没有更改的Field：
IndexWriter indexWriter = new IndexWriter(dir,analyzer, MaxFieldLength.LIMITED);
indexWriter.deleteDocuments(new Term("name","zhansan"));
indexWriter.addDocument(doc);
IndexWriter 的deleteDocuments 可以根据Term 来删除Document。请注意Term 匹配的准确
性，一个不正确的Term 可能会导致搜索引擎的大量索引被误删。Lucene 的IndexWriter 也提供
经过封装的updateDocument 方法，其实质仍然是先删除Term 所匹配的索引，然后再新增对应
的Document：
indexWriter.updateDocument(new Term("name","zhansan"), doc);
3. 条件查询
索引构建完之后，就需要对相关的内容进行查询：
String queryStr = "zhansan";
String[] fields = {"name","introduce"};
Analyzer analyzer = new StandardAnalyzer();
QueryParser queryPaser = new MultiFieldQueryParser(fields, analyzer);
Query query = queryPaser.parse(queryStr);
IndexSearcher indexSearcher = new IndexSearcher(indexPath);
Filter filter = null;
TopDocs topDocs = indexSearcher.search(query, filter, 10000);
System.out.println("hits :" + topDocs.totalHits );
for(ScoreDoc scoreDoc : topDocs.scoreDocs){
int docNum = scoreDoc.doc;
Document doc = indexSearcher.doc(docNum);
printDocumentInfo(doc);
}
查询所使用的字符串为人名zhansan，查询的Field 包括name 和introduce。构建一个查询
MultiFieldQueryParser 解析器，对查询的内容进行解析，生成Query；然后通过IndexSearcher
来对Query 进行查询，查询将返回TopDocs，TopDocs 中包含了命中的总条数与命中的Document
第2 章 分布式系统基础设施 │ 111
的文档编号；最后通过IndexSearcher 读取指定文档编号的文档内容，并进行输出。
Lucene 支持多种查询方式，比如针对某个Field 进行关键字查询：
Term term = new Term("name","zhansan");
Query termQuery = new TermQuery(term);
Term 中包含了查询的Field 的名称与需要匹配的文本值，termQuery 将命中名称为name 的
Field 中包含zhansan 这个关键字的Document。
也可以针对某个范围对Field 的值进行区间查询：
NumericRangeQuery numericRangeQuery
= NumericRangeQuery.newIntRange("size", 2, 100, true, true);
假设 Document 包含一个名称为size 的数值型的Field，可以针对size 进行范围查询，指定
查询的范围为2～100，后面两个参数表示是否包含查询的边界值。
还可以通过通配符来对Field 进行查询：
Term wildcardTerm = new Term("name","zhansa?");
WildcardQuery wildcardQuery = new WildcardQuery(wildcardTerm);
通配符可以让我们使用不完整、缺少某些字母的项进行查询，但是仍然能够查询到匹配的
结果，如指定对name 的查询内容为“zhansa?”，?表示0 个或者一个字母，这将命中name 的值
为zhansan 的Document，如果使用*，则代表0 个或者多个字母。
假设某一段落中包含这样一句话“I have a lovely white dog and a black lazy cat”，即使不知
道这句话的完整写法，也可以通过PhraseQuery 查找到包含dog 和cat 两个关键字，并且dog 和
cat 之间的距离不超过5 个单词的document：
PhraseQuery phraseQuery = new PhraseQuery();
phraseQuery.add(new Term("content","dog"));
phraseQuery.add(new Term("content","cat"));
phraseQuery.setSlop(5);
其中，content 为查询对应的Field，dog 和cat 分别为查询的短语，而phraseQuery.setSlop(5)
表示两个短语之间最多不超过5 个单词，两个Field 之间所允许的最大距离称为slop。
除这些之外，Lucene 还支持将不同条件组合起来进行复杂查询：
PhraseQuery query1 = new PhraseQuery();
query1.add(new Term("content","dog"));
query1.add(new Term("content","cat"));
query1.setSlop(5);
112 │ 大型分布式网站架构设计与实践
Term wildTerm = new Term("name","zhans?");
WildcardQuery query2 = new WildcardQuery(wildTerm);
BooleanQuery booleanQuery = new BooleanQuery();
booleanQuery.add(query1,Occur.MUST);
booleanQuery.add(query2,Occur.MUST);
query1 为前面所说的短语查询，而query2 则为通配符查询，通过BooleanQuery 将两个查
询条件组合起来。需要注意的是，Occur.MUST 表示只有符合该条件的Document 才会被包含在
查询结果中；Occur.SHOULD 表示该条件是可选的；Occur.MUST_NOT 表示只有不符合该条件
的Document 才能够被包含到查询结果中。
4. 结果排序
Lucene 不仅支持多个条件的复杂查询，还支持按照指定的Field 对查询结果进行排序：
String queryStr = "lishi";
String[] fields = {"name","address","size"};
Sort sort = new Sort();
SortField field = new SortField("size",SortField.INT, true);
sort.setSort(field);
Analyzer analyzer = new StandardAnalyzer();
QueryParser queryParse = new MultiFieldQueryParser(fields, analyzer);
Query query = queryParse.parse(queryStr);
IndexSearcher indexSearcher = new IndexSearcher(indexPath);
Filter filter = null;
TopDocs topDocs = indexSearcher.search(query, filter, 100, sort);
for(ScoreDoc scoreDoc : topDocs.scoreDocs){
int docNum = scoreDoc.doc;
Document doc = indexSearcher.doc(docNum);
printDocumentInfo(doc);
}
通过新建一个Sort，指定排序的Field 为size，Field 的类型为SortField.INT，表示按照整数
类型进行排序，而不是字符串类型，SortField 的第三个参数用来指定是否对排序结果进行反转。
在查询时，使用IndexSearcher 的一个重构方法，带上Sort 参数，则能够让查询的结果按照指定
的字段进行排序：
第2 章 分布式系统基础设施 │ 113
如果是多个Field 同时进行查询，可以指定每个Field 拥有不同的权重，以便匹配时可以按
照Document 的相关度进行排序：
String queryStr = "zhansan shanghai";
String[] fields = {"name","address","size"};
Map<String,Float> weights = new HashMap<String, Float>();
weights.put("name", 4f);
weights.put("address", 2f);
Analyzer analyzer = new StandardAnalyzer();
QueryParser queryParse = new MultiFieldQueryParser(fields, analyzer,
weights);
Query query = queryParse.parse(queryStr);
IndexSearcher indexSearcher = new IndexSearcher(indexPath);
Filter filter = null;
TopDocs topDocs = indexSearcher.search(query, filter, 100);
for(ScoreDoc scoreDoc : topDocs.scoreDocs){
int docNum = scoreDoc.doc;
Document doc = indexSearcher.doc(docNum);
printDocumentInfo(doc);
}
114 │ 大型分布式网站架构设计与实践
假设查询串中包含zhansan 和shanghai 两个查询串，设置Field name 的权重为4，而设置
Field address 的权重为2，如按照Field 的权重进行查询排序，那么同时包含zhansan 和shanghai
的Document 将排在最前面，其次是name 为zhansan 的Document，最后是address 为shanghai
的Document：
5. 高亮
查询到匹配的文档后，需要对匹配的内容进行突出展现，最直接的方式就是对匹配的内容
高亮显示。对于搜索list 来说，由于文档的内容可能比较长，为了控制展示效果，还需要对文
档的内容进行摘要，提取相关度最高的内容进行展现，Lucene 都能够很好地满足这些需求：
Formatter formatter = new SimpleHTMLFormatter("<font color='red'>","</font>");
Scorer scorer = new QueryScorer(query);
Highlighter highLight = new Highlighter(formatter, scorer);
Fragmenter fragmenter = new SimpleFragmenter(20);
highLight.setTextFragmenter(fragmenter);
通过构建高亮的Formatter 来指定高亮的HTML 前缀和HTML 后缀，这里用的是font 标签。
查询短语在被分词后构建一个QueryScorer，QueryScorer 中包含需要高亮显示的关键字，
Fragmenter 则用来对较长的Field 内容进行摘要，提取相关度较大的内容，参数20 表示截取前
20 个字符进行展现。构建一个Highlighter，用来对Document 的指定Field 进行高亮格式化：
String hi = highLight.getBestFragment(analyzer, "introduce", doc.get
("introduce"));
查询命中相应的Document 后，通过构建的Highlighter，对Document 指定的Field 进行高
亮格式化，并且对相关度最大的一块内容进行摘要，得到摘要内容。假设对dog 进行搜索，
introduce 中如包含有dog，那么使用Highlighter 高亮并摘要后的内容如下：
第2 章 分布式系统基础设施 │ 115
6. 中文分词
Lucene 提供的标准中文分词器StandardAnalyzer 只能够进行简单的一元分词，一元分词以
一个字为单位进行语义切分，这种本来为西文所设计的分词器，用于中文的分词时经常会出现
语义不准确的情况。可以通过使用一些其他中文分词器来避免这种情况，常用的中文分词器包
括Lucene 自带的中日韩文分词器CJKAnalyzer，国内也有一些开源的中文分词器，包括IK 分
词31、MM 分词32，以及庖丁分词33、imdict 分词器34等。假设有下面一段文字：
String zhContent = "我是一个中国人，我热爱我的国家";
分词之后，通过下面一段代码可以将分词的结果打印输出：
System.out.println("\n 分词器：" + analyze.getClass());
TokenStream tokenStream = analyze.tokenStream("content", new StringReader(text));
Token token = tokenStream.next();
while(token != null){
System.out.println(token);
token = tokenStream.next();
}
通过 StandardAnalyzer 分词得到的分词结果如下：
Analyzer standarAnalyzer = new StandardAnalyzer(Version.LUCENE_CURRENT);
由此可以得知，StandardAnalyzer 采用的是一元分词，即字符串以一个字为单位进行切割。
使用 CJKAnalyzer 分词器进行分词，得到的结果如下：
31 IK 分词项目地址为https://code.google.com/p/ik-analyzer。
32 MM 分词项目地址为https://code.google.com/p/mmseg4j。
33 庖丁分词项目地址为https://code.google.com/p/paoding。
34 imdict 分词项目地址为https://code.google.com/p/imdict-chinese-analyzer。
116 │ 大型分布式网站架构设计与实践
Analyzer cjkAnalyzer = new CJKAnalyzer();
通过分词的结果可以看到，CJKAnalyzer 采用的是二元分词，即字符串以两个字为单位进
行切割。
使用开源的IK 分词的效果如下：
Analyzer ikAnalyzer = new IKAnalyzer()
可以看到，分词的效果比单纯的一元或者二元分词要好很多。
使用 MM 分词器分词的效果如下：
Analyzer mmAnalyzer = new MMAnalyzer()
第2 章 分布式系统基础设施 │ 117
7. 索引优化
Lucene 的索引是由段（segment）组成的，每个段可能又包含多个索引文件，即每个段包含
了一个或者多个Document；段结构使得Lucene 可以很好地支持增量索引，新增的Document
将被添加到新的索引段当中。但是，当越来越多的段被添加到索引当中时，索引文件也就越来
越多。一般来说，操作系统对于进程打开的文件句柄数是有限的，当一个进程打开太多的文件
时，会抛出too many open files 异常，并且执行搜索任务时，Lucene 必须分别搜索每个段，然后
将各个段的搜索结果合并，这样查询的性能就会降低。
为了提高 Lucene 索引的查询性能，当索引段的数量达到设置的上限时，Lucene 会自动进
行索引段的优化，将索引段合并成为一个，以提高查询的性能，并减少进程打开的文件句柄数
量。但是，索引段的合并需要大量的I/O 操作，并且需要耗费相当的时间。虽然这样的工作做
完以后，可以提高搜索引擎查询的性能，但在索引合并的过程中，查询的性能将受到很大影响，
这对于前台应用来说一般是难以接受的。
因此，为了提高搜索引擎的查询性能，需要尽可能地减少索引段的数量，另外，对于需要
应对前端高并发查询的应用来说，对索引的自动合并行为也需要进行抑制，以提高查询的性能。
一般来说，在分布式环境下，会安排专门的集群来生成索引，并且生成索引的集群不负责
处理前台的查询请求。当索引生成以后，通过索引优化，对索引的段进行合并。合并完以后，
将生成好的索引文件分发到提供查询服务的机器供前台应用查询。当然，数据会不断地更新，
索引文件如何应对增量的数据更新也是一个挑战。对于少量索引来说，可以定时进行全量的索
引重建，并且将索引推送到集群的其他机器，前提是相关业务系统能够容忍数据有一定延迟。
但是，当数据量过于庞大时，索引的构建需要很长的时间，延迟的时间可能无法忍受，因此，
我们不得不接受索引有一定的瑕疵，即索引同时包含多个索引段，增量的更新请求将不断地发
送给查询机器。查询机器可以将索引加载到内存，并以固定的频率回写磁盘，每隔一定的周期，
对索引进行一次全量的重建操作，以将增量更新所生成的索引段进行合并。
8. 分布式扩展
与其他的分布式系统架构类似，基于Lucene 的搜索引擎也会面临扩展的问题，单台机器难
以承受访问量不断上升的压力，不得不对其进行扩展。但是，与其他应用不同的是，搜索应用
大部分场景都能够接受一定时间的数据延迟，对于数据一致性的要求并不那么高，大部分情况
下只要能够保障数据的最终一致性，可以容忍一定时间上的数据不同步，一种扩展的方式如
图2-22 所示。
每个 query server 实例保存一份完整的索引，该索引由dump server 周期性地生成，并进行
索引段的合并，索引生成好之后推送到每台query server 进行替换，这样避免集群索引dump 对
后端数据存储造成压力。当然，对于增量的索引数据更新，dump server 可以异步地将更新推送
到每台query server，或者是query server 周期性地到dump server 进行数据同步，以保证数据最
118 │ 大型分布式网站架构设计与实践
终的一致性。对于前端的client 应用来说，通过对请求进行Hash，将请求均衡地分发到集群中
的每台服务器，使得压力能够较为均衡地分布，这样即达到了系统扩展的目的。
图2-22 搜索引擎索引的读写分离
索引的读/写分离解决的是请求分布的问题，而对于数据量庞大的搜索引擎来说，单机对索
引的存储能力毕竟有限。而且随着索引数量的增加，检索的速度也会随之下降。此时索引本身
已经成为系统的瓶颈，需要对索引进行切分，将索引分布到集群的各台机器上，以提高查询性
能，降低存储压力，如图2-23 所示。
图2-23 索引的切分
在如图 2-24 所示的架构中，索引依据uniquekey%N，被切分到多台index server 中进行存
储。client 应用的查询请求提交到merge server，merge server 将请求分发到index server 进行检
索，最后将查询的结果进行合并后，返回给client 应用。对于全量的索引构建，可以使用dump
第2 章 分布式系统基础设施 │ 119
server 集群，以加快索引构建的速度，并分担存储的压力。而增量的更新请求，可以根据索引
的uniquekey 取模，将索引同步到index server；为避免merge server 出现单点，可以对merge server
进行高可用部署。当然，索引切分的方案并非完美，可能也会带来一些问题。举例来说，假如
查询请求需要进行结果排序，当索引没有切分时很好处理，只需要按照查询指定的条件排列即
可，但是对切分后的索引来说，排序请求将被分发到每一台index server 执行排序，排完以后取
topN（出于性能考虑）发送到merge server 进行合并，合并后的结果与真正的结果很可能存在
偏差，这就需要在业务上进行取舍。
有的时候，可能既面临高并发的用户访问请求，又需要对海量的数据集进行索引，这时就需
要综合上述的两种方法，即既采用索引读写分离的方式，以支撑更大的并发访问量，又采用索引
切分的方式，以解决数据量膨胀所导致的存储压力以及索引性能下降的问题，如图2-24 所示。
图2-24 既进行读写分离，又进行索引切分
merge server 与index server 作为一组基本单元进行复制，而前端应用的请求通过Hash 被分
发到不同的组进行处理；每一组与之前类似，使用merge server 将请求分发到index server 进行
索引的查询；查询的结果将在merge server 进行合并，合并完以后，再将结果返回给client。
120 │ 大型分布式网站架构设计与实践
2.4.3 Solr
Solr 是一个基于Lucene、功能强大的搜索引擎工具，它对Lucene 进行了扩展，提供一系列
功能强大的HTTP 操作接口，支持通过Data Schema 来定义字段、类型和设置文本分析，使得
用户可以通过HTTP POST 请求，向服务器提交Document，生成索引，以及进行索引的更新和
删除操作。对于复杂的查询条件，Solr 提供了一整套表达式查询语言，能够更方便地实现包括
字段匹配、模糊查询、分组统计等功能；同时，Solr 还提供了强大的可配置能力，以及功能完
善的后台管理系统。Solr 的架构如图2-25 所示。
图2-25 Solr 的架构35
1. Solr 的配置
通过 Solr 的官方站点下载Solr：
wget http://apache.fayea.com/apache-mirror/lucene/solr/4.7.2/solr-4.7.2.tgz
35 图片来源http://images.cnitblog.com/blog/483523/201308/20142655-8e3153496cf244a280c5e195232ba962.x-png。
第2 章 分布式系统基础设施 │ 121
解压：
tar -xf solr-4.7.2.tgz
修改 Tomcat 的conf/server.xml 中的Connector 配置，将URIEncoding 编码设置为UTF-8，
否则中文将会乱码，从而导致搜索查询不到结果。
<Connector port="8080" protocol="HTTP/1.1"
connectionTimeout="20000"
redirectPort="8443" URIEncoding="UTF-8"/>
将 Solr 的dist 目录下的solr-{version}.war 包复制到tomcat 的webapps 目录下，并且重命名
为solr.war。
配置 Solr 的home 目录，包括schema 文件、solrconfig 文件及索引文件，如果是第一次配
置Solr，可以直接复制example 目录下的Solr 目录作为Solr 的home，并通过修改tomcat 的启
动脚本catalina.sh 来指定solr.solr.home 变量所代表的Solr home 路径。
CATALINA_OPTS="$CATALINA_OPTS -Dsolr.solr.home=/usr/solr"
启动 Tomcat，访问Solr 的管理页面，如图2-26 所示。
图2-26 Solr 的管理页面
2. 构建索引
在构建索引之前，首先需要定义好Document 的schema。同数据库建表有点类似，即每个
Document 包含哪些Field，对应的Field 的name 是什么，Field 是什么类型，是否被索引，是否
被存储，等等。假设我们要构建一个讨论社区，需要对社区内的帖子进行搜索，那么搜索引擎
的Document 中应该包含帖子信息、版块信息、版主信息、发帖人信息、回复总数等内容的聚
合，如图2-27 所示。
122 │ 大型分布式网站架构设计与实践
图 2-27 帖子、版块、用户、评论总数的关联关系
其中，post 用来描述用户发布的帖子信息，section 则表示版块信息，user 代表该社区的用
户，comment_count 用来记录帖子的评价总数。
对帖子信息建立搜索引擎的好处在于，由于帖子的数据量大，如采用MySQL 这一类的关
系型数据库来进行存储的话，需要进行分库分表。数据经过拆分之后，就难以同时满足多维度
复杂条件查询的需求，并且查询可能需要版块、帖子、用户等多个表进行关联查询，导致查询
性能下降，甚至回帖总数这样的数据有可能根本就没有存储在关系型数据库当中，而通过搜索
引擎，这些需求都能够很好地得到满足。
搜索引擎对应的schema 文件定义可能是下面这个样子：
<?xml version="1.0" encoding="UTF-8" ?>
<schema name="post" version="1.5">
<fields>
<field name="_version_" type="long" indexed="true" stored="true"/>
<field name="post_id" type="long" indexed="true" stored="true" required=
"true"/>
<field name="post_title" type="string" indexed="true" stored="true"/>
<field name="poster_id" type="long" indexed="true" stored="true" />
<field name="poster_nick" type="string" indexed="true" stored="true"/>
<field name="post_content" type="text_general" indexed="true" stored=
"true"/>
<field name="poster_degree" type="int" indexed="true" stored="true"/>
第2 章 分布式系统基础设施 │ 123
<field name="section_id" type="long" indexed="true" stored="true" />
<field name="section_name" type="string" indexed="true" stored="true" />
<field name="section_owner_id" type="long" indexed="true" stored="true"/>
<field name="section_owner_nick" type="string" indexed="true" stored="true"/>
<field name="gmt_modified" type="date" indexed="true" stored="true"/>
<field name="gmt_create" type="date" indexed="true" stored="true"/>
<field name="comment_count" type="int" indexed="true" stored="true"/>
<field name="text" type="text_general" indexed="true" stored="false"
multiValued="true"/>
</fields>
<uniqueKey>post_id</uniqueKey>
<copyField source="post_content" dest="text"/>
<copyField source="post_content" dest="text"/>
<copyField source="section_name" dest="text"/>
<types>
<fieldType name="string" class="solr.StrField" sortMissingLast="true" />
<fieldType name="int" class="solr.TrieIntField" precisionStep="0"
positionIncrementGap="0"/>
<fieldType name="long" class="solr.TrieLongField" precisionStep="0"
positionIncrementGap="0"/>
<fieldType name="date" class="solr.TrieDateField" precisionStep="0"
positionIncrementGap="0"/>
<fieldType name="text_general" class="solr.TextField" positionIncrementGap=
"100">
<analyzer type="index">
<tokenizer class="solr.StandardTokenizerFactory"/>
</analyzer>
<analyzer type="query">
<tokenizer class="solr.StandardTokenizerFactory"/>
</analyzer>
</fieldType>
</types>
</schema>
124 │ 大型分布式网站架构设计与实践
fields 标签中所包含的就是定义的这些字段，包括对应的字段名称、字段类型、是否索引、
是否存储、是否多值等；uniqueKey 指定了Document 的唯一键约束；types 标签中则定义了可
能用到的数据类型。
使用 HTTP POST 请求可以给搜索引擎添加或者更新已存在的索引：
http://hostname:8080/solr/core/update?wt=json
POST 的JSON 内容：
{
"add": {
"doc": {
"post_id": "123456",
"post_title": "Nginx 1.6 稳定版发布，*网站用量超越Apache",
"poster_id": "340032",
"poster_nick": "hello123",
"post_content": "据W3Techs 统计数据显示，全球Alexa 排名前100 万的网站
中的23.3%都在使用nginx，在排名前10 万的网站中，这一数据为30.7%，而在前1000 名的网站中，
nginx 的使用量超过了Apache，位居第1 位。",
"poster_degree": "2",
"section_id": "422",
"section_name": "技术",
"section_owner_id": "232133333",
"section_owner_nick": "chenkangxian",
"gmt_modified": "2013-05-07T12:09:12Z",
"gmt_create": "2013-05-07T12:09:12Z",
"comment_count": "3"
},
"boost": 1,
"overwrite": true,
"commitWithin": 1000
}
}
服务端的响应：
{
"responseHeader": {
"status": 0,
"QTime": 14
}
}
第2 章 分布式系统基础设施 │ 125
通过上述的HTTP POST 请求，便可将Document 添加到搜索引擎中。
3. 条件查询
比 Lucene 更进一步的是，Solr 支持将复杂条件组装成HTTP 请求的参数表达式，使得用户
能够快速构建复杂多样的查询条件，包括条件查询、过滤查询、仅返回指定字段、分页、排序、
高亮、统计等，并且支持XML、JSON 等格式的输出。举例来说，假如需要根据post_id（帖子
id）来查询对应的帖子，可以使用下面的查询请求：
http://hostname:8080/solr/core/select?q=post_id:123458&wt=json&indent=true
返回的Document 格式如下：
{
"responseHeader": {
"status": 0,
"QTime": 0,
"params": {
"indent": "true",
"q": "post_id:123458",
"wt": "json"
}
},
"response": {
"numFound": 1,
"start": 0,
"docs": [
{
"post_id": 123458,
"post_title": "美军研发光学雷达卫星可拍三维高分辨率照片",
"poster_id": 340032,
"poster_nick": "hello123",
"post_content": "继广域动态图像、全动态视频和超光谱技术之后，Lidar
技术也受到关注和投资。这是由于上述技术的能力已经在伊拉克和阿富汗得到试验和验证。",
"poster_degree": 2,
"section_id": 422,
"section_name": "技术1",
"section_owner_id": 232133333,
"section_owner_nick": "chenkangxian",
"gmt_modified": "2013-05-07T12:09:12Z",
"gmt_create": "2013-05-07T12:09:12Z",
126 │ 大型分布式网站架构设计与实践
"comment_count": 3,
"_version_": 1467083075564339200
}
]
}
}
假设页面需要根据poster_id（发帖人id）和section_owner_nick（版主昵称）作为条件来进
行查询，并且根据uniqueKey 降序排列，以及根据section_id（版块id）进行分组统计，那么查
询的条件表达式可以这样写：
http://hostname:8080/solr/core/select?q=poster_id:340032+and+section_own
er_nick:chenkangxian&sort=post_id+asc&facet=true&facet.field=section_id&
wt=json&indent=true
其中 q= poster_id:340032+and+section_owner_nick:chenkangxian 表示查询的post_id 为
340032，section_owner_nick 为chenkangxian，两个条件使用and 组合，而sort=post_id+asc 则表
示按照post_id 进行升序排列，facet=true&facet.field=section_id 表示使用分组统计，并且分组统
计字段为section_id。
当然，Solr 还支持更多复杂的条件查询，此处就不再详细介绍了36。
2.5 其他基础设施
除了前面所提到的分布式缓存、持久化存储、分布式消息系统、搜索引擎，大型的分布式
系统的背后，还依赖于其他支撑系统，包括后面章节所要介绍的实时计算、离线计算、分布式
文件系统、日志收集系统、监控系统、数据仓库等，以及本书没有详细介绍的CDN 系统、负
载均衡系统、消息推送系统、自动化运维系统等37。
36 更详细的查询语法介绍请参考Solr 官方wiki，http://wiki.apache.org/solr/CommonQueryParameters#
head-6522ef80f22d0e50d2f12ec487758577506d6002。
37 这些系统虽然本书虽没进行详细的介绍，但并不代表它们不重要，它们也是分布式系统的重要组成部
分，限于篇幅，此处仅一笔带过，读者可自行查阅相关资料。