如何读懂Web服务的系统架构图

Web服务的一个重要特点就是流量大、数据多，仅靠一台服务器肯定难以支撑大规模的服务。 所以我们经常会看到诸如以下的一些术语，教人好生不懂：

*：系统架构、物理架构、Web服务基础设施

*：应用服务器

*：数据库服务器

*：索引服务器

*：反向代理服务器

*：缓存服务器

*：分布式、可扩展性

*：cpu负载、IO负载

如果你也不懂，那么本文对你来说就是一个很好的开始，关于web服务架构方面，前面还有几篇不错的文章可供参考阅读---大型网站架构演化历程（上）、大型网站架构演化历程（下）、大型网站的灵魂——性能（请戳我）。

本文的主要目标—读懂下面这张图例：

cpu负载和I/O负载

我们从CPU和IO说起。 一个典型的Web服务就是网站服务——用户通过浏览器向服务器发起请求，服务器从数据库提取数据后，加工处理返回HTML页面给用户。

上图中的4个箭头“<—”都需要消耗Server的CPU计算资源，而从Database中获取数据则消耗IO资源。 当用户数量、请求数量上升时，Server的CPU资源告急（IO资源负载也有增加）；当储存的数据量上升时，Server的IO资源也要告急。

比如说单台Server每分钟可以处理3000次请求（PV, Page View），那么每月就可以处理100万PV，超过这个数量服务器就撑不住了； 每次请求都需要从文件系统提取数据的话，由于读取磁盘所需的时间是内存的100000-1000000倍，每分钟的请求数多了数据提取速度必然跟不上，数据库就挂了。

可扩展性

如何处理规模逐渐增大服务需求呢？这要求你的系统要有可扩展性：

横向扩展：横向扩展又叫分布式，一台Server撑不住我就多来几台。 但现实远比理想复杂。

纵向扩展：纵向扩展是金融高富帅或者企业软件比较常采用的方法，因为服务器的价格和性能不成正比，性能达到一定程度后，每一分性能的提高需要投入更多的钱——服务器性能的边际价格是不断上升的。 对于互联网的草根创业团队来说，这显然是不可接受的。

cpu能力的扩展

CPU负载的分散比较容易，因为CPU的计算不存在依赖性，即当前请求的结果不依赖于上一次请求的结果。 HTTP协议的stateless就是一个很好的例子。 这样CPU撑不住的时候，我直接clone几台完全一起的就好了，而被克隆的这种服务一般就称作应用服务器。

应用服务器和Web服务器的界限并不很清晰。 Web服务器负责接收用户发过来的请求和返回资源对象给用户，而应用服务器则负责通过计算产生这个资源对象（比如调用CGI脚本）。

这样CPU的负载问题就解决了，我们的架构变成了这个样子。

I/O能力的扩展

内存读取的速度远高于磁盘，根据操作系统缓存（Cache）的原理，我们提高数据读取速度的基本思路是——提高内存大小可以显著的降低IO负载，即为你的Server换上更大更多的内存条。 相应的基本方针——当操作系统的缓存无法处理时，再进一步考虑分布式。 IO负载分散的本质也就是廉价小容量内存的分散。

IO负载的分散可比CPU的难多了，由于存在数据同步的问题，我们这里不讨论数据库服务器之间全盘的数据复制和冗余化。 既然数据量太大，大到一台服务器的内存装不下，那我们就把数据分割开来——数据分割（数据压缩也可以达到一定的效果）。

Web服务的请求是存在访问模式，比如爬虫和普通用户的访问（爬虫会请求很早以前的页面，而普通用户大多访问当前的热门页面），我们把应对用户的热门的资源对象放在一台服务器，应对爬虫的资源对象放在另一台。

即使不存在访问模式，我们也可以通过分区（Partitioning），即表分割来做到。 比如现在MySQL数据库里有一个用户ID表，用户量增长后表的record数是13亿，我们根据ID的大小来排序，分割成几个ID表，每个表几千万个ID，这样单个表大小就是GB级别——内存够装了。

不管是哪一种情况，我们都需要一台索引服务器，来做应用服务器和数据服务器的mapping。

那么现在我们的架构就是：

本文的说明就到这里为止了，相信你现在再回头看开头的那张系统架构图将会非常容易了吧。

转自：灯塔大数据