淘寶網線上應用的傳統軟件棧結構為 Nginx + Velocity + Java,即:
在這個體系中,Nginx 將請求轉發給 Java 應用,後者處理完事務,再將數據用 Velocity 模板渲染成最終的頁面。
引入 Node.js 之後,我們勢必要面臨以下幾個問題:
技術棧的拓撲結構該如何設計,部署方式該如何選擇,才算是科學合理?項目完成後,該如何切分流量,對運維來說才算是方便快捷?遇到線上的問題,如何最快地解除險情,避免更大的損失?如何確保應用的健康情況,在負載均衡調度的層面加以管理?承系統拓撲
按照我們在前後端分離的思考與實踐(二)- 基於前後端分離的模版探索一文中的思路,Velocity 需要被 Node.js 取代,從而讓這個結構變成:
這當然是最理想的目標。然而,在傳統棧中首次引入 Node.js 這一層畢竟是個新嘗試。為了穩妥起見,我們決定只在收藏夾的寶貝收藏頁面(shoucang.taobao.com/item_collect.htm)啟用新的技術,其它頁面沿用傳統方案。即,由 Nginx 判斷請求的頁面類型,決定這個請求究竟是要轉發給 Node.js 還是 Java。於是,最後的結構成了:
部署方案
上面的結構看起來沒什麼問題了,但其實新問題還等在前面。在傳統結構中,Nginx 與 Java 是部署在同一台服務器上的,Nginx 監聽 80 端口,與監聽高位 7001 端口的 Java 通信。現在引入了 Node.js ,需要新跑一個監聽端口的進程,到底是將 Node.js 與 Nginx + Java 部署在同一台機器,還是將 Node.js 部署在單獨的集群呢?
我們來比較一下兩種方式各自特點:
淘寶網收藏夾是一個擁有千萬級日均 PV 的應用,對穩定性的要求性極高(事實上任何產品的線上不穩定都是不能接受的)。如果采用同集群部署方案,只需要一次文件分發,兩次應用重啟即可完成發布,萬一需要回滾,也只需要操作一次基線包。性能上來說,同集群部署也有一些理論優勢(雖然內網的交換機帶寬與延時都是非常樂觀的)。至於一對多或者多對一的關系,理論上可能做到服務器更加充分的利用,但相比穩定性上的要求,這一點並不那麼急迫需要去解決。所以在收藏夾的改造中,我們選擇了同集群部署方案。
灰度方式
為了保證最大程度的穩定,這次改造並沒有直接將 Velocity 代碼完全去掉。應用集群中有將近 100 台服務器,我們以服務器為粒度,逐漸引入流量。也就是說,雖然所有的服務器上都跑著 Java + Node.js 的進程,但 Nginx 上有沒有相應的轉發規則,決定了獲取這台服務器上請求寶貝收藏的請求是否會經過 Node.js 來處理。其中 Nginx 的配置為:
location = "/item_collect.htm" { proxy_pass http://127.0.0.1:6001; # Node.js 進程監聽的端口 }
只有添加了這條 Nginx 規則的服務器,才會讓 Node.js 來處理相應請求。通過 Nginx 配置,可以非常方便快捷地進行灰度流量的增加與減少,成本很低。如果遇到問題,可以直接將 Nginx 配置進行回滾,瞬間回到傳統技術棧結構,解除險情。
第一次發布時,我們只有兩台服務器上啟用了這條規則,也就是說大致有不到 2% 的線上流量是走 Node.js 處理的,其余的流量的請求仍然由 Velocity 渲染。以後視情況逐步增加流量,最後在第三周,全部服務器都啟用了。至此,生產環境 100% 流量的商品收藏頁面都是經 Node.js 渲染出來的(可以查看源代碼搜索 Node.js 關鍵字)。
轉
灰度過程並不是一帆風順的。在全量切流量之前,遇到了一些或大或小的問題。大部分與具體業務有關,值得借鑒的是一個技術細節相關的陷阱。
健康檢查
在傳統的架構中,負載均衡調度系統每隔一秒鐘會對每台服務器 80 端口的特定 URL 發起一次 get
請求,根據返回的 HTTP Status Code 是否為 200
來判斷該服務器是否正常工作。如果請求 1s 後超時或者 HTTP Status Code 不為 200
,則不將任何流量引入該服務器,避免線上問題。
這個請求的路徑是 Nginx -> Java -> Nginx,這意味著,只要返回了 200
,那這台服務器的 Nginx 與 Java 都處於健康狀態。引入 Node.js 後,這個路徑變成了 Nginx -> Node.js -> Java -> Node.js -> Nginx。相應的代碼為:
var http = require('http'); app.get('/status.taobao', function(req, res) { http.get({ host: '127.1', port: 7001, path: '/status.taobao' }, function(res) { res.send(res.statusCode); }).on('error', function(err) { logger.error(err); res.send(404); }); });
但是在測試過程中,發現 Node.js 在轉發這類請求的時候,每六七次就有一次會耗時幾秒甚至十幾秒才能得到 Java 端的返回。這樣會導致負載均衡調度系統認為該服務器發生異常,隨即切斷流量,但實際上這台服務器是能夠正常工作的。這顯然是一個不小的問題。
排查一番發現,默認情況下, Node.js 會使用 HTTP Agent
這個類來創建 HTTP 連接,這個類實現了 socket 連接池,每個主機+端口對的連接數默認上限是 5。同時 HTTP Agent
類發起的請求中默認帶上了 Connection: Keep-Alive
,導致已返回的連接沒有及時釋放,後面發起的請求只能排隊。
最後的解決辦法有三種:
禁用 HTTP Agent
,即在在調用 get
方法時額外添加參數 agent: false
,最後的代碼為:
var http = require('http'); app.get('/status.taobao', function(req, res) { http.get({ host: '127.1', port: 7001, agent: false, path: '/status.taobao' }, function(res) { res.send(res.statusCode); }).on('error', function(err) { logger.error(err); res.send(404); }); });
設置 http
對象的全局 socket 數量上限:
http.globalAgent.maxSockets = 1000;
在請求返回的時候及時主動斷開連接:
http.get(options, function(res) { }).on("socket", function (socket) { socket.emit("agentRemove"); // 監聽 socket 事件,在回調中派發 agentRemove 事件 });
實踐上我們選擇第一種方法。這麼調整之後,健康檢查就沒有再發現其它問題了。
合
Node.js 與傳統業務場景結合的實踐才剛剛起步,仍然有大量值得深入挖掘的優化點。比比如,讓 Java 應用徹底中心化後,是否可以考分集群部署,以提高服務器利用率。或者,發布與回滾的方式是否能更加靈活可控。等等細節,都值得再進一步研究。