網(wǎng)站分析(Web Analytics)主要指的是基于網(wǎng)站的用戶瀏覽行為，對網(wǎng)站的點(diǎn)擊流數(shù)據(jù)和運(yùn)營數(shù)據(jù)進(jìn)行分析，以監(jiān)控網(wǎng)站的運(yùn)營狀況，為網(wǎng)站的優(yōu)化提供決策依據(jù)。網(wǎng)站分析系統(tǒng)已成為站長日常運(yùn)營必不可少的工具，業(yè)界比較流行的網(wǎng)站分析系統(tǒng)主要有Google Analytics、CNZZ和百度統(tǒng)計等產(chǎn)品。

　　TA作為網(wǎng)站分析產(chǎn)品的后起之秀在社區(qū)分析、用戶畫像、網(wǎng)站工具等多方面形成了自己的特色，其秒級的實(shí)時數(shù)據(jù)更新頻率更是業(yè)界翹楚。在數(shù)據(jù)穩(wěn)定性、準(zhǔn)確性和及時性方面，TA在站長圈也是享有良好的口碑。隨著接入業(yè)務(wù)量的不斷發(fā)展，TA日均需要處理和計算的數(shù)據(jù)量達(dá)到TB級。如此龐大的數(shù)據(jù)量想要達(dá)到秒級實(shí)時且保證系統(tǒng)的高可用并非件易事。

　　TA的實(shí)時計算框架借鑒了一些業(yè)界流行的流式計算系統(tǒng)的思路。雖然在構(gòu)建系統(tǒng)中遇到了一些問題，但由于海量數(shù)據(jù)的實(shí)時處理、實(shí)時存儲具備一定的典型性與通用性，所以將TA的解決方案分享出來，希望能給大家一些啟示。

　　基本原理及系統(tǒng)架構(gòu)

　　TA的基本原理是通過嵌入站長網(wǎng)站的JavaScript腳本收集用戶訪問行為數(shù)據(jù)，并發(fā)送TA采集集群，采集集群收到數(shù)據(jù)后將其過濾、編碼、格式化后繼續(xù)向后分發(fā)。數(shù)據(jù)處理集群負(fù)責(zé)按照業(yè)務(wù)邏輯計算數(shù)據(jù)，并將計算結(jié)果“寫入”到數(shù)據(jù)存儲集群，最后將結(jié)果數(shù)據(jù)展現(xiàn)給廣大站長使用。TA的基本原理如圖所示。

圖1 TA的基本原理如圖所示

    TA后臺是一套完整的數(shù)據(jù)流處理系統(tǒng)：由JavaScript采集的用戶行為數(shù)據(jù)像川流不息的河水一樣流入TA后臺，經(jīng)過清洗、計算后源源不斷地流出到TA存儲集群，供用戶瀏覽和查詢。TA的具體架構(gòu)及核心部件如圖所示。

圖2 TA的具體架構(gòu)及核心部件

    TA的后臺分為離線和實(shí)時兩部分：實(shí)時部分負(fù)責(zé)系統(tǒng)的主要功能計算，數(shù)據(jù)更新頻率為秒級;離線部分負(fù)責(zé)系統(tǒng)復(fù)雜的關(guān)聯(lián)分析及跨天計算，數(shù)據(jù)更新頻率為天級。

　　Http Access：主要負(fù)責(zé)HTTP協(xié)議的解析，數(shù)據(jù)的清洗及格式化。

　　ESC：Event Streaming Coder，主要負(fù)責(zé)將系統(tǒng)不可枚舉的數(shù)據(jù)類型編碼成為整型，并將對應(yīng)關(guān)系持久化。

　　ESP：Event Streaming Processor，主要負(fù)責(zé)將數(shù)據(jù)按照站點(diǎn)、UID重新組織并計算PV、UV、停留時長和蹦失率等網(wǎng)站分析指標(biāo)。

　　ESA：Event Streaming Aggregator，主要負(fù)責(zé)匯總ESP計算后的數(shù)據(jù)按照站點(diǎn)，并寫入到Redis。

　　Center：系統(tǒng)的中心節(jié)點(diǎn)，負(fù)責(zé)系統(tǒng)配置、數(shù)據(jù)路由管理，并承擔(dān)容災(zāi)切換功能。

　　Logserver：負(fù)責(zé)將Access收集到的數(shù)據(jù)以字符串形式寫入文件，并上傳到TDCP上。

　　TDCP：騰訊分布式計算平臺，負(fù)責(zé)離線數(shù)據(jù)的計算，并由腳本將結(jié)果數(shù)據(jù)寫入MySQL中。

　　實(shí)時解決方案

　　前TA日均需要處理幾十萬網(wǎng)站的上TB級數(shù)據(jù)，處理過后的URL個數(shù)仍有上億條，系統(tǒng)存儲的key個數(shù)超過十億。如何高效、低延遲地處理如此大量的業(yè)務(wù)數(shù)據(jù)是TA實(shí)時系統(tǒng)面臨的主要挑戰(zhàn)。TA解決方案的主要思路可以概括為數(shù)據(jù)全二進(jìn)制化、計算全內(nèi)存化、存儲NoSQL化。下面就實(shí)時計算和實(shí)時存儲這兩大子系統(tǒng)進(jìn)行深入的討論。

　　實(shí)時計算

　　對于計算子系統(tǒng)，我們參考了Hadoop、S4和Storm等開源項(xiàng)目，力圖設(shè)計為一個較為通用，擴(kuò)展性較強(qiáng)的全內(nèi)存實(shí)時Event處理系統(tǒng)(或者套用流行的術(shù)語稱為流式實(shí)時Event處理系統(tǒng))。對于這樣的一個系統(tǒng)，我們設(shè)計支持的典型輸入輸出流程大致如圖所示。

圖3 計算子系統(tǒng)

    數(shù)據(jù)組織。萬物皆int，考慮到內(nèi)存以及計算過程的性能需求，我們將所有非int的數(shù)據(jù)類型轉(zhuǎn)化為int�？梢悦杜e的數(shù)據(jù)類型，將其配置化映射為唯一int;不可枚舉的數(shù)據(jù)類型，則利用MD5算法近似得到唯一的int。例如，頁面URL屬于不可枚舉的類型，則預(yù)處理通過MD5算法近似得到唯一的int;UserAgent里的瀏覽器類型字符串則屬于可枚舉的數(shù)據(jù)，則預(yù)先配置化映射為int。這個方法節(jié)省了較多內(nèi)存，提高了整個系統(tǒng)的計算性能。

　　協(xié)議。協(xié)議層面上，我們首先設(shè)計實(shí)現(xiàn)了一種可擴(kuò)展的Event結(jié)構(gòu)，這種Event結(jié)構(gòu)支持半自動化的序列化/反序列化機(jī)制(參考自msgpack的設(shè)計)和緊湊的二進(jìn)制編碼(基于Zigzag編碼，參考Protobuf的實(shí)現(xiàn))。這種Event結(jié)構(gòu)在流式高性能I/O(網(wǎng)絡(luò)傳輸和持久化)方面表現(xiàn)得相當(dāng)良好。實(shí)時計算子系統(tǒng)被設(shè)計為可以擴(kuò)展支持任意的Event實(shí)現(xiàn)。

　　增量計算模型。增量計算模型，指的是基本計算過程，被定義為以下三部分(如圖所示)

圖4 增量計算模型

    Processor：負(fù)責(zé)具體業(yè)務(wù)邏輯的計算處理。

　　Data Holder：負(fù)責(zé)保存增量結(jié)果數(shù)據(jù)，以及計算依賴的中間狀態(tài)數(shù)據(jù)。

　　Emitter：負(fù)責(zé)定期輸出清空增量計算結(jié)果。

　　具體到流程方面，分為以下三步(如圖所示)。

圖5 具體流程圖

    接收Event，計算處理—Processor。

　　保存計算結(jié)果以及計算依賴中間數(shù)據(jù)—DataHolder。

　　定時觸發(fā)輸出時間片內(nèi)計算結(jié)果，清空計算結(jié)果—Emitter。

　　增量計算模型弱化了分布式系統(tǒng)中單臺機(jī)器的事務(wù)狀態(tài)，相應(yīng)地簡化了分布式計算系統(tǒng)的實(shí)現(xiàn)，同時也提高了整個系統(tǒng)的性能。

　　實(shí)時存儲

　　在TA系統(tǒng)中，實(shí)時存儲的數(shù)據(jù)都是需要通過Web展示層讀取的統(tǒng)計數(shù)據(jù)。這類數(shù)據(jù)存在兩個典型特點(diǎn)。

　　頻繁更新寫。更新頻度視系統(tǒng)實(shí)時性而定，每條統(tǒng)計結(jié)果更新頻度最快可以達(dá)到1秒。

　　少量讀取。“少量”是相對上述更新而言的。同時根據(jù)業(yè)務(wù)邏輯，可將統(tǒng)計數(shù)據(jù)劃分為兩類。

　　固定不變數(shù)據(jù)：主要是URL、搜索關(guān)鍵詞等數(shù)據(jù)。這一部分?jǐn)?shù)據(jù)理論上是在不停地增加，不會修改舊有數(shù)據(jù)。

　　動態(tài)數(shù)據(jù)：主要是頻繁更新的結(jié)果統(tǒng)計數(shù)據(jù)。這一部分?jǐn)?shù)據(jù)則需要不停地更新。例如，www.qq.com域名下的PV和UV統(tǒng)計結(jié)果。

　　考慮到上述的TA實(shí)時統(tǒng)計數(shù)據(jù)的特點(diǎn)，我們選擇NoSQL實(shí)現(xiàn)我們的存儲系統(tǒng);同時，針對兩類不同的數(shù)據(jù)類型，分別選用LevelDB和Redis來存儲。

　　Redis

　　TA實(shí)時存儲的主要構(gòu)件。考慮到TA系統(tǒng)本身就是一個比較完善的分布式集群系統(tǒng)，因此我們需要的存儲構(gòu)件是“not clustering, but sharding”。也就是說像HBase和MongoDB這樣的“重武器”并不適合TA，而NoSQL數(shù)據(jù)庫中的“瑞士軍刀”Redis憑借其出色的性能走入我們的視野。同時TA的結(jié)果數(shù)據(jù)類型也比較豐富，有像站點(diǎn)PV、UV、VV和IP等Hash類型的數(shù)據(jù)，也有像用戶訪問軌跡這樣set類型的“動態(tài)數(shù)據(jù)”，而Redis豐富的數(shù)據(jù)結(jié)構(gòu)很好地完成了這項(xiàng)任務(wù)。

　　選擇Redis的另一個原因是它足夠簡單且易于擴(kuò)展。在實(shí)際應(yīng)用的過程中，我們發(fā)現(xiàn)的問題都可以通過擴(kuò)展Redis命令來解決。

　　例如，TA中有這樣的一種應(yīng)用場景：為了消除ESA模塊的狀態(tài)，存儲在Redis中的數(shù)據(jù)往往并不是最終的結(jié)果數(shù)據(jù)，而是還需要進(jìn)一步運(yùn)算的中間數(shù)據(jù)。像bounce rate這個指標(biāo)(bouncerate=bounce session數(shù)/total session數(shù))，需要前臺查詢兩次再做一次運(yùn)算后最終展示給用戶。在高并發(fā)的情況下，無疑會影響系統(tǒng)的響應(yīng)速度。

　　本著“移動計算，而不是移動數(shù)據(jù)”的原則，我們對Redis的sort、hmget命令進(jìn)行了擴(kuò)展使其支持四則運(yùn)算，成功地將原來的兩次查詢優(yōu)化為一次。擴(kuò)展四則運(yùn)算的另外一個目的是可以“通過計算換取存儲”，例如需要將兩種類型加總成總和的類型數(shù)據(jù)，可以只存儲兩份，加總數(shù)據(jù)“通過計算換取”。

　　除了數(shù)據(jù)讀取，數(shù)據(jù)的寫入也可以進(jìn)行類似合并數(shù)據(jù)的優(yōu)化。例如，TA在寫入URL的PV、UV、VV、IP、停留時長和bounce rate這6個指標(biāo)時，需要調(diào)用6次Redis命令。而實(shí)際上這6個指標(biāo)是存儲在同一個Hash內(nèi)的，通過擴(kuò)展hmincrby命令，支持將Hash的所有field一次更改，便能將調(diào)用次數(shù)優(yōu)化至一次。上線之后也取得了良好的效果，峰值時的CPU利用率幾乎下降了一半，同時也大幅提升了上層模塊ESA的吞吐量。

　　LevelDB

　　它是Redis的有效補(bǔ)充。考慮到Redis為內(nèi)存數(shù)據(jù)庫，而使用內(nèi)存的成本要高于硬盤，因此選擇引入了基于磁盤存儲的LevelDB作為補(bǔ)充。由于LevelDB的寫性能足夠好，而讀性能也遠(yuǎn)遠(yuǎn)超過目前“在線少量讀取”的需求，所以我們選擇LevelDB存儲“固定不變數(shù)據(jù)”。

　　在數(shù)據(jù)存儲的架構(gòu)設(shè)計上，由于實(shí)時數(shù)據(jù)服務(wù)與在線系統(tǒng)，可靠性要求較高，因此我們主要采取雙寫復(fù)制+Sharding的設(shè)計方法。

　　雙寫復(fù)制。所有的數(shù)據(jù)存儲都會至少同步寫兩份，以提高在線系統(tǒng)服務(wù)的可用性。

　　數(shù)據(jù)分片(Sharding)。

　　基于域名：所有的數(shù)據(jù)以域名為單位組織分片;任何域名可以調(diào)整到任意分片中；單個域名數(shù)據(jù)原則上存儲在一個分片中。

　　動態(tài)調(diào)整(如圖所示)：只調(diào)整分片策略，不移動數(shù)據(jù);基于數(shù)據(jù)量計算分片負(fù)載。

圖6 動態(tài)調(diào)整

    此外，針對分片集群數(shù)據(jù)的查詢，我們主要做了三項(xiàng)工作(如圖所示)。

圖7 分片集群數(shù)據(jù)查詢

    Redis Protocol Stack是一個較為完整的Redis協(xié)議棧，是上層應(yīng)用的基礎(chǔ)。直接用Redis協(xié)議作為對外提供查詢的通用協(xié)議，這樣外部用戶可直接通過目前各種Redis Client實(shí)現(xiàn)來查詢訪問數(shù)據(jù)。Query Rule Engine是一個靈活的查詢引擎。能夠根據(jù)規(guī)則智能地在多個Redis、LevelDB數(shù)據(jù)源中查詢，執(zhí)行類join的操作;也簡單擴(kuò)展支持其他的異構(gòu)數(shù)據(jù)源，如MySQL、HBase等。

　　Query Compute Engine是一個實(shí)時查詢計算引擎，能根據(jù)基礎(chǔ)查詢結(jié)果實(shí)時計算。引入此部分的主要目的在于減少Redis數(shù)據(jù)空間占用。

　　未來展望

　　目前TA雖然在后臺上已經(jīng)做到數(shù)據(jù)秒級更新，但展示方式仍為傳統(tǒng)的靜態(tài)方式。后續(xù)TA會在數(shù)據(jù)的動態(tài)刷新上進(jìn)行更多嘗試，讓站長可以第一時間了解網(wǎng)站營銷效果，時刻感受網(wǎng)站心跳。

核心關(guān)注：拓步ERP系統(tǒng)平臺是覆蓋了眾多的業(yè)務(wù)領(lǐng)域、行業(yè)應(yīng)用，蘊(yùn)涵了豐富的ERP管理思想，集成了ERP軟件業(yè)務(wù)管理理念，功能涉及供應(yīng)鏈、成本、制造、CRM、HR等眾多業(yè)務(wù)領(lǐng)域的管理，全面涵蓋了企業(yè)關(guān)注ERP管理系統(tǒng)的核心領(lǐng)域，是眾多中小企業(yè)信息化建設(shè)首選的ERP管理軟件信賴品牌。

轉(zhuǎn)載請注明出處：拓步ERP資訊網(wǎng)http://www.ezxoed.cn/

本文標(biāo)題：騰訊分析系統(tǒng)架構(gòu)解析

本文網(wǎng)址：http://www.ezxoed.cn/html/support/11121516359.html