京东到家电脑版(京东到家电脑版怎么设置提示音)

 

本文根据张磊老师在〖deeplus直播第267期〗线上分享演讲内容整理而成。（文末有获取本期回放的方式，不要错过）

今天的内容分享将主要包含以下四个方面：

介绍京东到家的订单履约业务背景在业务背景的基础上说明订单的底层存储方案基于存储方案的数据异构设计与实践面向复杂度的架构设计方法论

简单来看，面向复杂度的架构设计方法论与上面3个部分没有直接关系，把这部分内容放到文章中来讲，主要是因为数据异构本质上也是解决了软件的写入复杂度问题。在这个基础上，我们向上抽象一层，来讨论一下面向复杂度的架构设计方法论。

一、京东到家订单履约业务背景

从用户提交订单到服务履约系统，我们大致经历了支付、下发商家、商家确认、订单打印、拣货、下发物流、配送、妥投等环节。这是一个基本的新零售履约流程。这里，我标蓝了一些流程。比如：下发商家、订单打印等环节。主要是因为这些环节是我们要和商家交互的功能点，当我们把订单下发给商家时，首当其冲的环节是商家要确认这个订单，并且开始履约流程。但是，在我们的实际业务中，商家在大促期间往往会出现履约瓶颈，忙到看不到我们下发的订单，甚至不忙的时候也会看不到我们的订单已经下发到他们的系统中，商家需要一个提示功能。这也就是我们的提示音需求。

提示音需求需要不断的查询底层存储ES，并提示给商家有订单到达了，需要他们去履约，如果商家没有看到，就不断查询，不断提示。就是这样的一个循环查询量级，在大促期间，订单量级增大，查询量级增大。基本上每次大促都会把我们的ES查到CPU飙高，甚至出现不可用的情况。为了保护履约系统，我们做的临时方案是做一个功能开关，在大促期间对提示音功能降级。可是这样的降级并不是我们想要的。因为最终商家还是收不到提示。导致履约质量下降。于是我们就面临一个问题存储组件无法支撑大促时提示音业务的查询请求量。

二、底层数据源的职责分工

要解决我们面临的查询量级问题，就必须首先分析一下底层的存储方案。以上，是我对到家订单履约系统底层存储的一个整体概括。

1.Redis

Redis在履约系统中主要承载的一个职责是worker跑批任务的存储和查询。因我们在系统中大量运用了跑批任务来实现最终一致性的一个设计，而Redis的Zset结构正好满足了这样的需求，将时间作为分值，不断的提供近期任务的查询是Redis充当的根本职能。这里解释一下Redis为什么没有承载过多的查询职能。Redis虽然性能更好一些，但是，在数据量和查询复杂度上，没有ES支持的好，关键点是我们的查询条件复杂度是比较高的，所以，Redis没有承载过多的查询职能。

2.MySQL

MySQL在履约系统存储中的职能是持久化存储订单数据，这里主要还是使用其强大的事务机制，以保障我们的数据是正确写入的。这是其他的两个组件所不支持的。

从履约流程上来看，我们将数据做了冷热分离，热点数据是我们在履约中的订单(也就是未完成的订单)，而完成的订单，由于其使用率不会太高，所以，我们称之为冷数据。这样的一个拆分也就是上图中对应的业务库和历史库。业务库是热库，而历史库则是冷库。这样的一个冷热分离思想，使我们的单库单表数据量级维持在千万级别。从而避免了对应的分库分表复杂度。

从部署架构上看，我们对业务库进行了大量的主从分割。其中biz slave是我们的业务库从库，它也会承载一些履约中的订单查询职能。接下来的big data slave集群则是大数据抽数据用做统计分析。最后的delay slave设置延迟一定时间消费binlog则是为了防止master被误操作而兜底的。比如有人错误执行了删除db的命令，这样的一个延迟消费的机制就可以利用binlog进行兜底回滚。

3.Elasticsearch

ES在数据存储中承担了几乎所有的查询职责，这主要取决于它支持复杂查询，并有天然分布式的特点。在数据量复杂度解决方案上，避免了MySQL分库分表的复杂度。这里我们一共有3个ES集群。其中HOT ES和Full ES也是进行了冷热分离，这样对我们的查询流量进行拆分。有助于保证履约系统的稳定性。

而第三套集群Remind Elastic Cluster则是为了解决我们上述提示音的问题。在有提示音集群之前，我们所有的提示音查询流量都是打到热集群的。也正是这样的一个访问量需求，导致了我们的热集群时有发生CPU飙高，接口响应缓慢，卡顿业务线程。所以，我们对热集群进行了进一步的拆分，于是就正式提出了提示音单独集群的方案。

三、写入复杂度问题

当确定冗余一套提示音集群以后，我们面临的问题就是上述这样的一个写入复杂度问题，从图上来看，我们在拆分这套集群之前，订单中心每次操作一次订单写入。面临的是3个数据源的写入工作，这对研发人员是非常不友好的，维护难度过大。于是，我们就开始考虑用异构中间件的方式来去写入这套ES数据。

异构中间件的优势是屏蔽了数据同步的复杂度，但是随之而来的是数据写入链路可靠性、及时性等问题。而且，数据传输本身一般都具有高可用的需求，之前高可用在业务应用上，因为业务应用的集群方式本身是计算高可用的。但异构中间件则要在这高可用、可靠性、及时性三个维度上满足我们的要求。

四、数据异构产品选型

在上述分析之后，我们也陆续调研了一些异构产品，在数据类型支撑上没有太大差别，常用的存储组件，这些异构中间件都是支持的。所以，我们更在意以上3个指标。社区活跃度代表了后续的维护性以及开源产品快速的问题响应，可用性方面的需求是非常强烈的，最终采用Canal的根本原因还是在学习成本和熟练度上。

五、Canal简介

这里简单说一下我对于Canal的理解，以便于后续有意向应用Canal的同学有一个简单的了解。

Step1 Load&Store：Connection从Zookeeper 获取到当前消费的binlog filename和position信息。随后将该信息附带到dump协议里，mysql master开始推送binlog数据。Binlog经过Parser解析投递到Sink，Sink则承载了过滤消息的作用，过滤掉没有订阅的binlog事件，最终把消息存储到Store中。

Step2：Send&Ack：用任务worker的方式，不断扫描store，最终将store中的数据发送到目的地，目的地可以是具体的存储，也可以是mq产品。图中，我用了kafka也主要是因为我们的实践方案。投递消息完成之后将消息ACK给Store组件。

Step3：Update MetaInfo：这个时候数据虽然发送了。但是，我们的元信息binlog的filename和position仍然没有更新，在这个操作上，Canal仍然采取了异步的方式去同步该信息。

Canal这种异步通信的设计要求你的系统必须具备可回溯、重试、幂等、延迟特点。

以上，是我对整个Canal的一个理解，图中的两个HA，后续将会和大家说到。这里，我讲Canal的工作的角色、运作规则都是从一个4R视角来说明的，这是为了后续来讲复杂度方法论的时候大家也好理解一些。

六、提示音功能基于Canal数据异构实践

提示音异构生产部署方式如上图。我们部署了两台Deployer用于数据传输的高可用。同时把消息投递到了kafka，利用adapter的集群部署进行批量消费，插入到提示音集群的ES中。

在顺序性保障上采用了订单id hash的策略，保证在partition上是有序的。这样也就保证了在业务操作上是整体有序的。

在链路上采用kafka来传输，主要还是应对大促期间binlog数据量级的特点，保证插入到ES之前有缓冲buffer的一个作用。这也是直连方式的弱点，直连方式在大数据量短时间写入时，对目的地存储组件有可能会造成瞬间的大量插入，从而损耗目的地存储组件的资源，可能影响到业务使用。但是，长链路也有数据延迟的缺点，如果对数据时效要求比较高的业务。还是建议用直连方式来搭建对应的异构方案。

在META Manager上使用Zookeeper来存储，与Deployer的HA形成有效配合。

问题一：（网络环境问题）kafka不可用

在实践中，我们遇到第一个比较有代表性的问题是kafka集群不可用，直接导致ES数据断层，从而影响到商家的履约体验。

首先，kafka集群所在的网络环境和机器主机发生问题，deployer的store数据存满，直接导致delay了8个小时。提示音没有提示，也会有电脑端的管理系统同步订单，但是需要人工刷新，所以，过了很久我们才发现这样一个问题。紧急把访问切到之前的ES热集群，之后，我们重新把kafka服务部署到可用状态，数据虽然慢慢追上了，但是原来在kafka中没有被adapter消费的一部分数据却丢掉了，这主要还是因为设置的kafka落盘频率问题。

丢数据在数据异构的需求中是不可容忍的事情，索性这次事故基本上锁定了丢数据的原因，所以，我们将Zookeeper中的jouralName和position设置到对应的事故之前的位置，将数据重新跑到ES中，至此问题解决。

家电小常识：工业交换机的全称为工业以太网交换机，简单来说也就是应用在工业控制领域的以太网交换机设备，因为这种产品使用的网络标准具有开放性良好应用性广泛的特点。

总结一 总结二

至此，总结以上两点，数据异构的实践在问题监控、报警、及时降级方面是非常重要的。希望这样的总结经验能够让大家少走弯路。

问题二：Deployer故障，自动HA

Deployer机器发生故障，系统自动HA到备机，任务得以继续消费。总起来说，问题二并没有给我们的业务带来任何的损耗，但是，还是比较经典的一个案例。这主要反应出来，对于数据异构这样一个需求。它的链路上所有环节，基本上都是有高可用的要求的。

Canal一共提供两种HA，其中Deployer的HA是靠Zookeeper的临时节点和重试机制实现的，而Mysql的HA则是靠一个单独的线程不断的Detect来实现的。

但是MySQL的HA，只能用GTID的模式，这是因为Mysql master和slave的binlogfile name、position是不一样的。如果用master的binlogfilename和position去slave发送dump协议，这会出现无法匹配的问题。但是GTID是全局有序的，这也就保证了Mysql的HA只在GTID模式下才可用。

家电小常识：手机为什么需要单色镜头？徕卡的黑白镜头LeicaLeitzPhone1具备一英寸感光元件，采用极具质感的雾银边框，外观也能够看到极具识别度的徕卡红色商标。

谈到高可用，提出上述总结。这里我与大家互动了一个问题：单机器部署两台Canal实例是否算是高可用？答案是：不算高可用，原因是单机部署了两台Deployer，但是机器如果故障，两台Deployer均不可用。

问题比较有代表性，也有一些同学掉进了坑里。这里我与大家一起回顾一下高可用的范围：多机器、多机房、多地区、多国家。范围越大，高可用自然越是稳定。但是带来的成本和数据传输要求也越高，一般都是根据业务量级和重要程序进行取舍的。

总结三

以上就是我在数据异构中的一些经验教训。下面我们将问题向上抽象，聊一聊面向复杂度的架构设计方法论。

七、面向复杂度的架构设计方法论

1.4R模型

大家是否发现，我在和大家聊Canal或是到家的数据异构方案时，更多的都是以角色、关系、规则这种描述方法。相信大家也不是第一次碰到这种描述方式，在很多的架构中，都是这样的一种描述方法。就像上图中，说到的Parser、Sink、Store。这些角色的职责是什么？他们是如何配合完成Canal这样的一个产品功能的呢？

4R模型本质上就是一个视角，它是Rank、Role、Relation、Rule这4个单词的首字母构成，它强调了描述方法、也强调了我们要用这样的视角来看待我们的系统。这样整体来看，系统会更加清晰和简洁。

2.区分复杂度

如上图，将复杂度问题分为技术方向和业务方向两个部分，其中灰色的部分，一般都有一些开源软件来帮我们解决，比如Dubbo、Spring、Canal等。而红色的部门正是我们日常工作中所不能避免的复杂度。

这些复杂度问题，如果平时不加以重视，忽视掉的复杂度问题最终则会演变成为不可维护的技术债务，最终打掉系统的可维护性，只能重新推倒重来了。很多重构行为都是因为复杂度的忽视累积而成的后果。所以，学会如何区分复杂度就是比较重要的点了。比如这次Canal的数据异构，同时面临了数量级复杂度和写入复杂度两个。

3.复杂度的架构设计环

同样，面向复杂度的架构设计方法论，最终会归结到业务实现上。下面描述一下具体的步骤含义：

1-需求：产品同学提出需求描述，或一句话需求、或完善的PRD文档2-判断：对需求进行判断，需要什么样的数据量，什么样的峰值，是否要高可用等等，如果不能理解清楚，则找对应的需求人员不断澄清，直到清晰为止3-复杂度识别：将需求精确化以后，对需求的复杂度问题进行识别，比如业务复杂度问题、数据量复杂度问题4-拆解到备选架构：针对识别出来的复杂度设计出多个具体的架构方案。比如采用ES存储数据屏蔽分库分表的数据量复杂度、采用数据异构的方式写入数据，从而屏蔽数据写入的复杂度。5-取舍：对备选架构进行取舍，任何的架构方案都有好的一面和坏的一面。在不同的时间都有不同的选择，这里建议大家从简单、合适、演进三个架构原则来进行方案取舍,选择最适合自己的那一套方案。6-架构方案4R：用4R视角来设计系统分层、角色、关系、规则。以这种视角设计出来一套抽象模型7-实现需求：将4R架构模型实践即可。

同样，将本需求的一个架构设计环案例呈现给大家。(由于部分设计有保密性，4R此处用Canal4R代替)

以上，就是我和大家分享的全部内容啦，谢谢大家!

>>>>

Q&A

Q1：订单表中，如果有一些商品id，那么同步到ES中也是id吗，不会关联出name打成宽表存到ES吗?

A1：具体的映射字段需要在Adapter中配置映射即可，存入到ES中的情况也与配置的映射是直接且唯一关系。是否宽表要在实际应用中把控字段的个数。

Q2：Canal部署deploy主从和canal-adapter有没有遇到官方的bug？有，改动了哪些？

A2：遇到过Column not match的异常.具体看Canal的TSDB来解决。

Q3：这套复杂度方法论如何落地到实际应用？

A3：需要对系统进行4R视角拆分、识别复杂度类型并按照架构设计环的方式来评定需求。

Q4：平时的Canal有消息延迟吗？

A4：有一定延迟的，binlog的数量、网络等因素，都会造成一定的延迟，所以，建议异构还是要建立在业务数据可延迟的基础上的。

Q5：我主要用canal-adapter读取Kafka中的binlog日志然后写到数据库中，Kafka中有多个表的日志，我rdb目录下的yml文件只配置了一个表的为什么其他的表也会同步？

A5:Yml的作用是配置映射关系，具体的过滤职能在Deployer的Sink配置。

Q6：异构数据是直接同步原表吗，还是做了关联？

A6:做了关联，直接在Adapter中配置对应映射关系即可。

Q7：请问为什么不直接增加热集群的节点和分片，而是重新建一套ES集群呢?

A7:这里主要还是一个数据拆分的思想，如果通过提高配置来解决访问量问题，那么，随着业务量级增加，流量混在一起，对应的ES集群流程会呈现不可评估的情况。本质上还是一个数据存储职责的问题。

Q8：如何保证Zookeeper的高可用？

A8:Zookeeper本身就是高可用的，如果想在机房或异地方面做高可用，建议做主备同步、多集群部署等手段。

Q9：新集群的查询请求峰值是多少?

A9:大约2000-4000 QPS。

Q10：怎么把握冗余尺度呢？

A10:冗余的维度在机器、机房、地区、国家是不断增加的。维度越大，对应的高可用方案越可靠，但是，对应的费用以及实现复杂度也会变高。因为这种冗余方案肯定会有数据copy。

↓点这里可回看本期直播

京东到家多数据源同步的架构设计与实践

关注公众号【dbaplus社群】，获取更多原创技术文章和精选工具下载

Gdevops广州站：解答2021运维、数据库、金融科技亟待抉择的三大问题

家电小常识：冰箱机械控温和电脑控温哪个好，相对而言电脑控温的要好些，机械控温机械控温是指由机械方式调节冰箱制冷的一种温控方式，系统较为简单，能保证食品不变质，但温度不稳定，不能全面满足保鲜需要。