接著使用了計算與存儲分離的架構，各個Slave計算節點會負責提取數據到內存中，基于自研的SQL內存計算引擎完成計算。同時采用了數據動靜分離的架構，靜態數據全部緩存，動態數據自動提取，保證了盡可能把網絡請求開銷降低到最低。
另外，通過自研的分布式系統架構，包括數據分片和計算任務分布式執行、彈性資源調度、分布式高容錯機制、主備自動切換機制，都能保證整套系統的任意按需擴容，高性能、高可用的的運行。
下一步，咱們得來研究研究架構里左側的部分了。
二、日益膨脹的離線計算結果
其實大家會注意到，在左側還有一個MySQL，那個MySQL就是用來承載實時計算結果和離線計算結果放在里面匯總的。
終端的商家用戶就可以隨意的查詢MySQL里的數據分析結果，支撐自己的決策，他可以看當天的數據分析報告，也可以看歷史上任何一段時期內的數據分析報告。
但是那個MySQL在早期可能還好一些，因為其實存放在這個MySQL里的數據量相對要小一些，畢竟是計算后的一些結果罷了。但是到了中后期，這個MySQL可是也岌岌可危了。
給大家舉一個例子，離線計算鏈路里，如果每天增量數據是1000萬，那么每天計算完以后的結果大概只有50萬，每天50萬新增數據放入MySQL，其實還是可以接受的。
但是如果每天增量數據是10億，那么每天計算完以后的結果大致會是千萬級，你可以算他是計算結果有5000萬條數據吧，每天5000萬增量數據寫入左側的MySQL中，你覺得是啥感覺？
可以給大家說說系統當時的情況，基本上就是，單臺MySQL服務器的磁盤存儲空間很快就要接近滿掉，而且單表數據量都是幾億、甚至十億的級別。
這種量級的單表數據量，你覺得用戶查詢數據分析報告的時候，體驗能好么？基本當時一次查詢都是幾秒鐘的級別。很慢。
更有甚者，出現過用戶一次查詢要十秒的級別，甚至幾十秒，上分鐘的級別。很崩潰，用戶體驗很差，遠遠達不到付費產品的級別。
所以解決了右側的存儲和計算的問題之后，左側的查詢的問題也迫在眉睫。新一輪的重構，勢在必行！
三、分庫分表+讀寫分離
首先就是老一套，分庫分表+讀寫分離，這個基本是基于MySQL的架構中，必經之路了，畢竟實施起來難度不是特別的高，而且速度較快，效果比較顯著。
整個的思路和之前第一篇文章（《大型系統架構演進之如何支撐百億級數據的存儲與計算》）講的基本一致。
說白了，就是分庫后，每臺主庫可以承載部分寫入壓力，單庫的寫并發會降低；其次就是單個主庫的磁盤空間可以降低負載的數據量，不至于很快就滿了；
而分表之后，單個數據表的數據量可以降低到百萬級別，這個是支撐海量數據以及保證高性能的最佳實踐，基本兩三百萬的單表數據量級還是合理的。
然后讀寫分離之后，就可以將單庫的讀寫負載壓力分離到主庫和從庫多臺機器上去，主庫就承載寫負載，從庫就承載讀負載，這樣避免單庫所在機器的讀寫負載過高，導致CPU負載、IO負載、網絡負載過高，最后搞得數據庫機器宕機。
首先這么重構一下數據庫層面的架構之后，效果就好的多了。因為單表數據量降低了，那么用戶查詢的性能得到很大的提升，基本可以達到1秒以內的效果。
四、每秒10萬查詢的高并發挑戰
上面那套初步的分庫分表+讀寫分離的架構確實支撐了一段時間，但是慢慢的那套架構又暴露出來了弊端出來了，因為商家用戶都是開了數據分析頁面之后，頁面上有js腳本會每隔幾秒鐘就發送一次請求到后端來加載最新的數據分析結果。
此時就有一個問題了，漸漸的查詢MySQL的壓力越來越大，基本上可預見的范圍是朝著每秒10級別去走。
但是我們分析了一下，其實99%的查詢，都是頁面JS腳本自動發出刷新當日數據的查詢。只有1%的查詢是針對昨天以前的歷史數據，用戶手動指定查詢范圍后來查詢的。
但是現在的這個架構之下，我們是把當日實時數據計算結果（代表了熱數據）和歷史離線計算結果（代表了冷數據）都放在一起的，所以大家可以想象一下，熱數據和冷數據放在一起，然后對熱數據的高并發查詢占到了99%，那這樣的架構還合理嗎？
當然不合理，我們需要再次重構系統架構。
五、數據的冷熱分離架構
針對上述提到的問題，很明顯要做的一個架構重構就是冷熱數據分離。也就是說，將今日實時計算出來的熱數據放在一個MySQL集群里，將離線計算出來的冷數據放在另外一個MySQL集群里。
然后開發一個數據查詢平臺，封裝底層的多個MySQL集群，根據查詢條件動態路由到熱數據存儲或者是冷數據存儲。
通過這個步驟的重構，我們就可以有效的將熱數據存儲中單表的數據量降低到更少更少，有的單表數據量可能就幾十萬，因為將離線計算的大量數據結果從表里剝離出去了，放到另外一個集群里去。此時大家可想而知，效果當然是更好了。
因為熱數據的單表數據量減少了很多，當時的一個最明顯的效果，就是用戶99%的查詢都是針對熱數據存儲發起的，性能從原來的1秒左右降低到了200毫秒以內，用戶體驗提升，大家感覺更好了。
六、自研Elasticsearch+HBase+純內存的查詢引擎
架構演進到這里，看起來好像還不錯，但是其實問題還是很多。因為到了這個階段，系統遇到了另外一個較為嚴重的問題：冷數據存儲，如果完全用MySQL來承載是很不靠譜的。冷數據的數據量是日增長不斷增加，而且增速很快，每天都新增幾千萬。
因此你的MySQL服務器將會面臨不斷的需要擴容的問題，而且如果為了支撐這1%的冷數據查詢請求，不斷的擴容增加高配置的MySQL服務器，大家覺得靠譜么？
肯定是不合適的！
要知道，大量分庫分表后，MySQL大量的庫和表維護起來是相當麻煩的，修改個字段？加個索引？這都是一場麻煩事兒。
此外，因為對冷數據的查詢，一般都是針對大量數據的查詢，比如用戶會選擇過去幾個月，甚至一年的數據進行分析查詢，此時如果純用MySQL還是挺災難性的。
因為當時明顯發現，針對海量數據場景下，一下子查詢分析幾個月或者幾年的數據，性能是極差的，還是很容易搞成幾秒甚至幾十秒才出結果。
因此針對這個冷數據的存儲和查詢的問題，我們最終選擇了自研一套基于NoSQL來存儲，然后基于NoSQL+內存的SQL計算引擎。
具體來說，我們會將冷數據全部采用ES+HBase來進行存儲，ES中主要存放要對冷數據進行篩選的各種條件索引，比如日期以及各種維度的數據，然后HBase中會存放全量的數據字段。
因為ES和HBase的原生SQL支持都不太好，因此我們直接自研了另外一套SQL引擎，專門支持這種特定的場景，就是基本沒有多表關聯，就是對單個數據集進行查詢和分析，然后支持NoSQL存儲+內存計算。
這里有一個先決條件，就是如果要做到對冷數據全部是單表類的數據集查詢，必須要在冷數據進入NoSQL存儲的時候，全部基于ES和HBase的特性做到多表入庫關聯，進數據存儲就全部做成大寬表的狀態，將數據關聯全部上推到入庫時完成，而不是在查詢時進行。
對冷數據的查詢，我們自研的SQL引擎首先會根據各種where條件先走ES的分布式高性能索引查詢，ES可以針對海量數據高性能的檢索出來需要的那部分數據，這個過程用ES做是最合適的。
接著就是將檢索出來的數據對應的完整的各個數據字段，從HBase里提取出來，拼接成完成的數據。
然后就是將這份數據集放在內存里，進行復雜的函數計算、分組聚合以及排序等操作。
上述操作，全部基于自研的針對這個場景的查詢引擎完成，底層基于Elasticsearch、HBase、純內存來實現。
七、實時數據存儲引入緩存集群
好了，到此為止，冷數據的海量數據存儲、高性能查詢的問題，就解決了。接著回過頭來看看當日實時數據的查詢，其實實時數據的每日計算結果不會太多，而且寫入并發不會特別特別的高，每秒上萬也就差不多了。
因此這個背景下，就是用MySQL分庫分表來支撐數據的寫入、存儲和查詢，都沒問題。
但是有一個小問題，就是說每個商家的實時數據其實不是頻繁的變更的，在一段時間內，可能壓根兒沒變化，因此不需要高并發請求，每秒10萬級別的全部落地到數據庫層面吧？要全都落地到數據庫層面，那可能要給每個主庫掛載很多從庫來支撐高并發讀。
因此這里我們引入了一個緩存集群，實時數據每次更新后寫入的時候，都是寫數據庫集群同時還寫緩存集群的，是雙寫的方式。
然后查詢的時候是優先從緩存集群來走，此時基本上90%以上的高并發查詢都走緩存集群了，然后只有10%的查詢會落地到數據庫集群。
八、階段性總結
好了，到此為止，這個架構基本左邊也都重構完畢：
- 熱數據基于緩存集群+數據庫集群來承載高并發的每秒十萬級別的查詢
- 冷數據基于ES+HBase+內存計算的自研查詢引擎來支撐海量數據存儲以及高性能查詢。
經實踐，整個效果非常的好。用戶對熱數據的查詢基本多是幾十毫秒的響應速度，對冷數據的查詢基本都是200毫秒以內的響應速度。
九、下一階段的展望
其實架構演進到這里已經很不容易了，因為看似這么一張圖，里面涉及到無數的細節和技術方案的落地，需要一個團隊耗費至少1年的時間才能做到這個程度。
但是接下來，我們要面對的，就是高可用的問題，因為付費級的產品，我們必須要保證超高的可用性，99.99%的可用性，甚至是99.999%的可用性。
但是越是復雜的系統，越容易出現問題，對應的高可用架構就越是復雜無比