Digg工程师讲述Digg背后的技术

虽然最近业绩有所下滑，也出现了一些技术故障，但Digg作为首屈一指的社会化新闻网站，其背后的技术还是值得一探，Digg工程师 Dave Beckett 在今年4月份写一篇名为《How Digg is Built》的文章，非常系统地将Digg背后的技术展现给大家，非常值得一看。

一、Digg提供的服务

• 一个社会化的新闻网站
• 对个人来说它又是一个私人社会化新闻发布平台
• 一个广告平台
• 一个开放API的平台
• 博客及文档系统

二、Digg 的核心功能

• 文章提交功能 – 提交你认为有价值的新闻
• 文章列表功能 – 将用户提交的新闻做各种不同纬度的列表（个人新闻，最近发布等）
• 对文章的操作 – 用户可以对文章进行各种操作，包括阅读、点击、digg、评论、为评论评分等等
• 置顶文章功能 – Digg会定时将一些热门的文章置顶到Digg首页，从页让更多人能够看到

三、Digg功能的背后的实现

首先我们看一个流程图，描述了普通用户在使用Digg其间Digg的具体模块运作：

其实这中间的操作包括了两部分：同步和异步

• 对用户进行即时响应的同步操作：同步操作主要表示对用户请求（包括API请求）的即时快速响应，包括一些在页面中通过AJAX方式进行的异步请求。这些操作通常要求最长一两秒的时间内就能完成。
• 离线批量进行的异步计算：除了实时响应的请求外，有时候还需要进行一些批量的计算任务，这些任务可能是间接的被用户启动的，但用户不会等待这些任务的完成。这些异步计算通常可能会花费数秒，数分钟甚至几小时。

这两部分在Digg中的应用方式可以用下面这张图描述：

上面是总体概述，下面一部分我们会深入Digg的各个功能部件进行深入研究。

1.在线web系统

提供Web页面服务及API服务的部分组成如下：PHP作前端语言构建的CMS系统，Python构建的API服务器，它们运行在 Tornado 上。它们通过 Thrift 协议与主存储层进行交互，很多数据会被如Memcached 和Redis 这样的内存缓存系统缓存。

2.消息系统

Digg 使用RabbitMQ 作队列系统，将不用同步响应的操作放到队列异步地进行。

3.批量异步处理系统

上面的消息系统是指队列，而这个指的是具体从队列取出任务执行的部分。此系统将任务从队列中取出，进行一定的计算后再对主存储进行操作，对主存储的操作在实时系统和异步批量系统中都是一样的。

4.数据存储层

数据存储层Digg使用了多个产品来完成各种不同的任务，具体列表如下：

• Cassandra：对诸如文章、用户、Digg操作记录等 “Object-like” 的信息，都是使用Cassandra来存储的。我们使用的是Cassandra0.6版本，由于0.6版本并没有劫持二级索引，于是我们将数据通过应用层处理后再用它进行存储。比如我们的用户数据层提供通过用户名及Email地址来查询用户信息的接口。
• HDFS：主要用到日志信息存储及分析计算，利用Hive 操作 Hadoop，进行MapReduce计算。
• MogileFS：是一个分布式文件存储系统，用以存储二进制的文件，比如用户头像，截屏图片等。当然，文件存储的上层还有统一的CDN。
• MySQL：目前我们的文章置顶功能上使用了MySQL存储一些数据，因为这一功能需要大量的JOIN操作。与此同时 HBase 好像也是个不错的考虑。
• Redis：由于Redis 的高性能及其灵活的数据结构，我们用它来提供对 Digg Streaming API 的存储，同时我们还用Redis 来构建实时浏览和点击计数器。
• SOLR：用来构建全文索引系统。以提供对文章内容、话题等的全文检索。
• Scribe：日志收集系统，比syslog-ng更强大更简单。用它收集的日志会被放到HDFS进行分析计算。

5.操作系统及配置

Digg runs on Debian stable based GNU/Linux servers which we configure with Clusto,Puppet and using a configuration system over Zookeeper.