Springcloud核心组件

在这里总结一下所有组件：

springcloud是分布式微服务的一站式解决方案，可以说微服务是一个概念，而springcloud就是这个的实现

springcloud有五大核心组件：

注册中心

引言

由于微服务处于不同的进程，也就是说，涉及到了不同进程之间的通信，于是我们就需要在计算机网络体系的“运输层”中将进程定位，即ip+端口号。那么如果让程序员去记忆这些ip-端口数据，是非常麻烦的，我们有“服务”的概念，就是说，微服务之间，只需要知道自己要调用外部的什么服务就行了，因此我们可以考虑做一个服务与(ip:port)的映射关系，这样程序员只需要知道自己调用什么服务就可以了，不需要去记忆对应服务的(ip:port)了。

而且，既然说到了分布式，那一个服务在应对并发高的场景时基本都会搭建集群，那么集群就需要负载均衡，注册中心能很好的实现负载均衡，我们只需要在向注册中心获取对应服务的所有（ip:port），再插入一个负载均衡算法即可。

既然是注册中心，也就是说要面对所有的微服务，因此这个注册中心也应该是一个服务，可以让所有的微服务去拉取数据(拉取所有服务的ip-port信息)以及注册数据(将对应服务的ip-port存储到注册中心中)

Eureka

Eureka注册中心是springcloud最初的注册中心组件，但是现在停止更新了

Eureka 分为服务端(Eureka server)和客户端(Eureka client)

其中Eureka server就是我们上面说的面向所有微服务的注册服务，而Eureka client端，将运行在所有微服务上，Eureka client又分为两个模块，一个是生产者模块（专门向Eureka server发送注册信息，以及心跳信号等），另一个是消费者模块（向Eureka server拉取注册信息，并存储在本地，其实就是服务发现）。

Eureka的注册表是一个双字典结构的数据，服务发现的目的是标识服务和服务状态的管理，所以注册表中有服务标识、服务基本信息、服务状态信息等

为什么是双字典结构呢？我们知道，1个服务可以对应多个ip，每个服务器又需要存储多个值，即(服务标识，服务基本信息，服务状态信息)等，这就需要考虑了。

这个双字典结构用java来描述就是这样的

ConcurrentHashMap<String, Map<String, Lease<InstanceInfo>>> registry = new ConcurrentHashMap();

zookeeper

zookeeper是Eureka的替代，它也可以成为注册中心。我们知道zookeeper的一段介绍是“zookeeper是一个分布式系统的协调工具”，我们得到了关键词，分布式、协调，这就是我们想要的。我们可以利用zookeeper的路径节点特性去存储对应服务下的ip-port信息，如在父节点定义服务名称，而子节点存储该服务下的所有ip-port信息以及服务器信息，可以说，zookeeper非常适合作为注册中心来使用。而springcloud也整合了zookeeper作为注册中心的各种逻辑，可以完美取代Eureka。

Eureka 和zookeeper的对比：

对比就不得不说到分布式系统的cap理论了，c是一致性（Consistency），a是可用性（Availability）,p是分区容错性（Partition tolerance）。

可用性和一致性注定是冲突的，因为高可用意味着有其他主机宕机了，也一样可以继续提供服务，但是宕机的服务器也就无法实现数据的一致性了。

因此Eureka决定实现的是高可用和分区容错性

也就是说，当Eureka 集群中有主机宕机了，也一样接收并保存服务的注册请求，仅仅是数据不一致，实际上并不影响使用

而zookeeper实现的是数据一致性以及分区容错性

就是说，zookeeper集群中有一台宕机了，这时候zookeeper无法再处理新的注册请求，因为无法同步到所有的zookeeper主机上

Feign

其实使用注册中心以后我们微服务已经可以使用了，我们通过注册中心拉取注册表信息，得到了对应服务的ip-port，于是就可以封装http请求，然后通过RestTemplate客户端发送请求过去了，获取响应值，然后再解析并封装成为对象。

这样子其实还是挺繁琐的，因为每次请求一个服务，都要自己封装请求，自己去解析响应的信息，封装成为对应。如果是在业务代码中呢？一般也是会在service中进行调用的，这样一些与业务无关的代码就掺杂在业务代码中，使得观感不好，而且违背了单一职责的原则，封装请求头，解析响应信息这些工作不应该在业务代码中去做。

我们希望，在service层中调用服务，不需要关注怎么封装请求头，只关注解析后的结果对象。这时候，Feign就出现了，它采用了jdk动态代理，我们只管在服务消费者中定义Feign的接口，在请求进来时，动态生成该接口实例，然后通过Feign定义的invocationHandler对象进行具体的封装请求逻辑，invocationHandler对象中又涉及到获取对应服务的ip-port，封装请求头，解析响应数据。

既然是动态代理，那么代理的对象就是对应微服务，invocationHandler中保存着Feign接口方法-methodHandler的映射，这个methodHandler，也称为方法处理器。

MethodHandler 的invoke(…)方法，主要职责是完成实际远程URL请求，然后返回解码后的远程URL的响应结果。

它们需要完成以下事情：

• 获取@RequestMapping的路径，处理路径变量，拼接服务名称，生成requestTemplate
• [负载均衡]拉取注册表，获取对应服务的ip-port，拼接url信息
• 封装请求头，发送请求
• 解析响应值

请注意，它们的后三个是由feign.client去完成的

Ribbon负载均衡

微服务是运行在不同进程上的，因此它们调用其他服务时，就称为服务消费者（也就是客户端），我们实现的是客户端负载均衡，而不是服务端负载均衡。

为什么选择客户端负载均衡，而不是服务端负载均衡？

有以下原因：

1. 实现简单：客户端负载均衡只需要在客户端进行配置即可，相对于服务端负载均衡需要在服务端进行配置，客户端实现简单，适用于大规模的微服务架构。
2. 无单点故障：客户端负载均衡可以从多个服务提供者中选择响应时间最快的服务，不存在单点故障的问题，提高了系统的可用性。（单点故障，即访问代理服务器，然后负载均衡给我们转发到合适的服务器上，如果代理服务器宕机，将无法访问该服务）
3. 按需调整：客户端负载均衡可以根据不同的实际情况动态调整负载均衡策略，对网关和服务提供者具有更好的掌控能力。

ribbon需要配合服务发现一起使用，即discoveryClient，其实就是拉取注册中心的注册表缓存到本地，然后进行通过负载均衡算法去选出对应服务集群中合适的服务器(ip:port)。

在springcloud中，Feign会和ribbon一起搭配使用，具体的使用就在于feign.Client对象中。

ribbon采用了Template的模式，规范了负载均衡的三个步骤：

1、负载均衡

2、执行HttpClient

3、记录请求信息

ribbon只需要将第2步开放给请求客户端对象去做即可

Hystrix

Hystrix采用了命令模式，可以将使用了@HystrixCommand反射出来成为一个命令类，为该命令分配一个线程池，将方法的请求与执行分离开来，当我们请求执行一个command时，Hystrix，就会分出一个Hystrix线程执行该命令。由于请求和执行是分离的，因此如果外部服务出现宕机，我们就可以快速失败，而不是一直让线程等待，导致服务器线程资源来不及释放。我们还可以在失败的时候，调用一些降级策略，如记录到日志中等，然后快速返回。

当请求失败到达一定阈值（次数）的时候，Hystrix会采用信号量对这个服务进行熔断，当其他请求再次请求该外部服务时，实际的执行都不会访问外部服务（因为检测到信号量熔断了），于是快速返回失败以及调用fallback方法。这里熔断时Hystrix还会间隔一段时间让一部分请求通过，访问外部服务，去检测外部服务是否已经恢复，这个状态称熔断半开

网关

既然有了多个微服务，尽管我们可以通过微服务名称来访问这个微服务，但是对于前端来说，与它们打交道的不过是uri，映射路径罢了，于是我们采用了网关的概念，网关处理外部所有的用户请求，将匹配的路径的请求，ip:port替换成对应的服务或者对应的服务器ip:port，这个过程称之为”路由“。

网关有以下几个作用：

• 统一入口：为全部为服务提供一个唯一的入口，网关起到外部和内部隔离的作用，保障了后台服务的安全性。
• 鉴权校验：识别每个请求的权限，拒绝不符合要求的请求。（判断权限）
• 动态路由：动态的将请求路由到不同的后端集群中。（通过记录的路由表）
• 减少客户端与服务端的耦合：服务可以独立发展，通过网关层来做映射。（即客户端，也就是浏览器端无需记住要访问的微服务名称，只需要去访问zuul网关即可）

zuul

zuul网关依然采用的是springmvc，这个称之为同步阻塞，承担不了太大的并发量，因为每进来一个请求，都分出了一个线程去处理。

gateway

gateway采用了Netty通信框架，Netty底层采用了reactor模式进行响应式编程，即对数据流进行处理，是非阻塞的。比zuul效率要高得多，不会每进来一个请求，都分出一个线程去处理，而是固定线程数量，去不断的对进来的数据流进行处理。

响应式编程：就是以数据为主体，对外界的动作做出响应，这些“动作”就是一系列的“逻辑”。而平常我们开发，是以逻辑为主体，等待外界传入数据进行处理

（左边是响应式编程，右边是我们日常开发的编程逻辑）

现在请大家和我一起扭转思维。原来以逻辑代码执行作为主线，数据作为参与者。现在以数据作为主线，逻辑代码执行作为参与者。说的再白一些，原来是数据传递到逻辑代码里，现在是逻辑代码传递到数据里。

有人也许会问，逻辑代码怎么传递？哈哈，通过传递Lambda表达式呀，函数式编程来实现逻辑的传入。

 

其他组件

config分布式配置中心

由于将系统拆分成多个微服务，因此也会导致有很多配置文件，如application.yaml等，会导致我们如果要修改配置文件，就需要进入对应微服务的项目下去修改，非常不便于操作，而且，运维人员应该直接对所有的配置信息进行集中化管理，如管理服务运行的端口等。

于是，为了集中化管理配置文件，我们使用了config配置中心，config内部采用了git对配置文件进行集中化管理。config server端，本质上也是一个微服务，需要注册到注册中心中。然后在所有服务上运行对应的config client模块，config client向config server请求获取配置信息，将响应的最新配置信息应用于当前服务。

具体架构如下：

bus消息总线

 

由于系统是分布式微服务的，因此不同服务之间的通信，报文广播等，就需要使用消息总线。而bus消息总线本质上是整合了消息队列来实现的，即依靠了消息队列的发布-订阅功能。这需要所有的微服务都导入对应的bus依赖，并且于消息队列进行连接。

bus消息总线的一个典型应用就是于config配合使用，进行所有配置的动态刷新。具体架构如下