创业一年来经历的技术风雨

虽然说是技术风雨，其实不过是一种文艺范儿的描述而已，没有这么夸张，只是在创业的这一年中，整个产品研发过程给了我许多前所未有的体验和启示，所以想借助这个机会大家一起交流，分享自己的一些收获。

---

这次分享打算从三个方面开始讲解，分别是：

• 1产品的架构以及技术选型
• 2技术团队的管理
• 3研发团队总结的技术实践

1产品的架构以及技术选型

产品的架构

首先来说说产品的架构。首先声明这不是广告，我们公司产品的商业版本也还未完全成型，所以本次交流仅仅是技术上的。

整体架构

产品代号为Mort，是基于大数据平台的商业智能（BI）产品。我们的产品架构如下所示：

我们选择了Spark作为我们的大数据分析平台。基于目前的应用场景，主要使用了Spark SQL，目前使用的版本为Spark 1.5.0。会在7月推出商业版本之前同步升级到Spark的最新版本。

在研发期间，我们从Spark 1.4升级到1.5，经过性能测评的Benchmark，确实有显著的提高。1.6版本在内存管理方面有明显的改善，Execution Memory与Store Memory的比例可以动态分配，但在测试我们自己的产品时发现内存并非主要的性能瓶颈，而是CPU，故而暂时没有考虑升级1.6。

从第一次升级Spark的性能测评，以及观察这一年来Spark版本的演进，我们对Spark的未来充满信心，尤其是Tungsten项目计划，会在内存管理、代码生成以及缓存管理等多方面都会有所提高，对于我们产品而言，算是“坐享其成”了。

由于我们要分析的维度和指标是由客户指定的，这就需要数据分析的聚合操作是灵活可定制的。因此在我们产品中写了一个简单的语法Parser，用以组装Spark SQL的SQL语句，执行分析，最后将DataFrame转换为我们期待的数据结构返回给前端。

但是，这种设计方案其实牵涉到两层解析的性能损耗，一个是我们自己的语法Parser，另一个是Spark SQL提供的Parser（通过它将其解析为DataFrame的API调用）。所以在将来我们会调整方案，直接将客户定制的聚合操作解析为对DataFrame的API调用（可能会使用新版本Spark的DataSet）。

微服务架构

我们的产品需要支持多种数据源，对数据源的访问是由另外一个standalone的服务CData来完成的，通过它可以隔离这种数据源的多样性。这相当于一个简单的微服务架构，目前仅提供两个服务，一个服务用于数据分析，一个服务用于对客户数据源的处理：

在未来，产品不止限于现有的两个服务，例如我正在考虑将定期的邮件导出服务独立出来，保证该服务的独立性，避免受到其他功能执行的影响，因为这个功能一旦失败，可能会对客户的业务产生重要影响。

然而，我们还是在理智地控制服务的粒度。我们不希望因为盲目地追求微服务架构，而带来运维上的成本。

元数据架构

我们的产品需要存储元数据（Metadata），用以支持Report、Dashboard以及数据分析，主要的数据模型结果如图所示：

针对元数据的处理逻辑，我们将之分为职责清晰的三层架构。自上而下分别为REST路由层、应用服务层和元数据资源库层。

• REST路由层：将元数据视为资源，响应客户端的HTTP请求，并利用Spray Route将请求路由到对应的动词上。路由层为核心资源提供Router的trait。这些Router只负责处理客户端请求，以及服务端的响应，不应包含具体的业务逻辑。传递的消息格式为Json格式，由Spray实现消息到Json数据的序列化与反序列化。
• 应用服务层：每个应用服务对应元数据资源的操作用例。由于Mort对元数据的操作并没有非常复杂的业务逻辑，因此这些服务实际上成为了Router到Repository的中转站，目的是为了隔离REST路由层对元数据资源库的依赖。每个服务都被细分为Creator、Editor、Fetcher与Destroyer这样四个细粒度的trait，并放在对应服务的同一个scala文件中。同时，应用服务要负责保障元数据操作的数据完整性和一致性，因而引入了横切关注点（Cross Concern Points）中的事务管理。同时，对操作的验证以及权限和授权操作也会放到应用服务中。
• 元数据资源库层：每个资源库对象都是一个Scala Object，并对应着数据库中的元数据表。这些对象中的CRUD操作都是原子操作。事实上我们可以认为每个资源库对象就是元数据的访问入口。在其实现中，实际上封装了scalikejdbc的访问逻辑。

REST路由层和应用服务层需要接收和返回的消息非常相似，甚至在某些场景中，消息结构完全相同，但我们仍然定义了两套消息体系（皆被定义为Case Class）。逻辑层与消息之间的关系如下图所示：

在REST服务框架方面，我们选择使用了Spray。选择这个框架的原因：一方面它足够轻量级，是一个纯粹的Web服务端框架；另一方面是它基于AKKA的消息处理架构在并发处理方面能够满足我们的要求。

技术选型

语言的选型

相信大家已经能够猜测到我们选择的语言，那就是Scala。巧合的是，在上周三，我的前同事吴雪峰（我们都称他为“吴大师”）正好“布道”了一把Scala。我们选择Scala的一个主因确实就是因为Spark。另一个原因呢？就是因为我确实不想再写Java了。

其实有时候我觉得语言的选型是没有什么道理的。除了特殊的应用场景，几乎所有的程序设计语言都能满足如今的软件开发需求。所以语言的纷争，有时候都成了宗教的纷争一般。

在我的团队，有熟悉Java的、有熟悉JavaScript包括NodeJS的，有熟悉Clojure的，当然也有熟悉Scala的。除了NodeJS，后端开发几乎都在JVM平台下。

我对语言选型的判断标准是：实用、高效、简洁、可维护。我对Java其实没有意见，但我始终认为即使是引入了Lambda以及Method Reference的Java 8在语法方面还是太冗长了。

Scala似乎从诞生开始，一直争议很大。早在2014年1月ThoughtWorks的Tech Radar中，就讲Scala列入了Adopt圈中，但却在其中特别标注了“the good parts”：

在2016年Stack Overflow发布的开发人员调查结果中，我们也收获了一些信心。在最爱语言的调查中，Scala排在了第四名：

在引领技术趋势的调查中，我们选用的React与Spark分列冠亚军：

在Top Paying Tech调查中，在美国学习Spark和Scala所值不菲，居然并列冠军：

其实有了微服务，在不影响代码维护性的情况下，使用多语言进行开发也成为了可能。或许在将来，我们产品的可能会用clojure或者Ruby来写DSL，用NodeJS负责元数据（以避免Spray + JSON4S不太好的Json对象序列化）。坦白说，我没有强烈的语言倾向性。

数据集的选型

我们还有一个最初的技术选型后来被认为是失败的选择。

CData服务需要将客户的数据源经过简单的ETL导入到系统中，我们称之为数据集（DataSet）。最初在进行技术选型时，我先后考虑过MySQL、Cassandra、HBase。后面两种都可以认为是列式存储的NoSQL数据库。团队中没有一个人有Cassandra的经验，至于HBase，在查询方面非常高效，但对聚合运算的支持明显不足，不适合我们的场景。再加上团队中有一位成员比较熟悉MySQL，最终决定使用MySQL。

然而，我们的产品需要支持大数据，当数据量上升到一定级别时，就需要系统很好地支持水平扩展，通过增加更多机器来满足性能上的需求。评估我们的架构，后端平台可以简单划分为三个层次：Web应用服务层（Spray + Nginix）、数据分析层（MESOS + Spark）以及存储层（主要用于存储分析数据DataSet，MySQL）。就会发现MySQL正是水平伸缩的最大障碍。

还好我们醒悟得早，在项目初期就否定了这个方案，而改为采用HDFS+Parquet。Parquet文件是一种列式数据存储结构，对于主要为分析型查询方式的BI数据操作，能够提供更好的查询性能。同时，Parquet文件存储的内容以二进制形式存放，相较于文本形式容量更小，可以节省更多的存储空间。

Spark SQL提供了对访问Parquet文件很好的集成。将Parquet文件存放到HDFS中，然后再通过Spark SQL访问，可以保证在存储层与数据分析层都能很好地支持分布式处理，从而保证系统的水平伸缩。当对大规模数据集进行分析处理时，可以通过水平增加更多的节点来满足高性能的实时查询要求。

我们曾经比较了Parquet方案与MySQL方案，在同等配置下前者的性能要远远优于后者，且Spark对Parquet的支持也要远远好于MySQL。

为了更好地提升性能，我们还计划在HDFS层之上引入Tachyon，充分发挥内存的优势，减少磁盘IO带来的性能损耗。

前端的技术选型

前端的技术选型则为React + Redux。选择React的原因很简单，一方面我们认为这种component方式的前端开发，可以极大地提高UI控件的重用，另一方面，我们认为React这种虚拟DOM的方式在性能上还是有一定优势的。此外，React的学习曲线也并不高，很容易上手。我们招了3个大学还未毕业的实习生，JS基础非常薄弱，在我们的培养下，一周后就可以慢慢开始完成React Component开发的小Story了。

最初，我们唯一的一位前端选择了使用CoffeeScript来开发React，但是在项目早期，我们还是忍痛去掉了这些代码，改为使用ES 6。毕竟随着ES 6乃至ES 7的普及，JS的标准已经变得越来越合理，CoffeeScript的生存空间似乎被压缩了。

在前端技术选型方面，我们经历了好几次演变。从CoffeeScript到ES 6，从Reflux到Redux，每次变化都在一定程度上增加了工作量。我在文章《技术选型的理想与现实》中讲述的就是这一事实。

在这篇文章中，我们选择了Reflux。然而现在，我们最终还是决定采用了Redux，不过我们也是到了最近才算真正用好的Redux。在后面的技术实践中，我会在介绍Redux的使用。

结论 : 技术负责人一个非常重要的能力要求就是——善于做出好的技术决策。选择技术时，并不能一味追求新技术，也不能以自我为中心，选择“我”认为好的技术。而应该根据产品的需求场景、可能的技术风险、团队成员能力，并通过分析未来的技术发展趋势综合地判断。

技术决策不可能一成不变，而需要与时俱进。如果发现决策错误，应该及时纠正，不要迟疑，更不要担心会影响自己的技术声誉。

2技术团队的管理

下面进入第二个话题：技术团队的管理。

我曾经在我的微信公众号上写过一篇文章《我想要的研发团队》。在这篇文章中，我谈到了我理想中的研发团队特征：

• 他们是自我组织的，每个人都是具有独立人格的个体，承担任务的自治单元。
• 他们是勤于学习乐于分享的，每个人都是知识的吞吐器，是无私激情的演讲家与布道者。
• 他们是多姿百态的，每个人都有自己鲜明的个性，却又能彼此宽容，承认各人自有不凡。
• 他们是追求卓越的，每个人如此地热爱技术，将设计与编码技艺若生命般珍惜，以追求合乎情理的极致为研发目标。

拥有这样的团队是一种奢侈，我现在的技术团队远没有达到这个标准，幸运地是：有部分成员正在接近这个标准了。然而，问题也正出在这里。

对于那些追求卓越技术的团队成员而言，对于代码质量会有一种近乎偏执的追求，同时内含的Geek范儿，使得他们更乐于引入更新的技术以及更新的技术理念。于是矛盾出现：

如何权衡项目进度与代码质量之间的关系？

创业团队一个致命的问题就是要求产品研发要“快”，如果说还有另外一个要求，那就是要“更快”。像我们这样面向企业客户的产品，在竞争对手步步紧逼的情况下，出不来产品，就意味着赚不了钱，甚至于生存不下去。市场团队成员压力山大，自然就会把进度压力转移到技术负责人头上。

身为技术负责人的我，身为一位要求代码高质量的技术人的我，就需要在这二者之间权衡。我会尝试着去平衡这种矛盾，通过快速迭代、快速发布、明确划定MVP来缓解进度压力，进而为提升代码质量预留出时间与空间。换言之，在我能够承担的职责范围内，我可以放任那些具有自组织能力的Geek们放肆地玩技术！

然而，团队在对待进度与代码质量的态度上，没有发出一致的声音。于是，不幸地分成了两个阵营。不仅仅是进度的矛盾，在技术理念上也存在较大的分歧。正如各种语言粉喜欢互撕一般，在面对技术选型、代码重构等诸多方面，团队成员也开始了轻度的互撕。

为了这个，我没少费精力，直到现在没出大问题，估计还是我之前积攒的人品在发挥效果。

这就需要谈到我写的另一篇文章《团队文化的谜题》。在这篇文章我写道：

正所谓“江山易改，本性难移”，若要打造合理的团队文化，不建议去尝试改变团队成员的性格。若有人真与团队文化缺乏违和感，不如痛快地将其“踢”出团队。许多团队之所以僵化，就在于团队负责人舍不得壮士断腕，又或者对那种“食之无味弃之可惜”的鸡肋成员不能痛下“杀手”。当然，更为主动的方式是在组建团队时，挑选符合文化期望的成员。

我觉得我是未卜先知。

然而，知易行难，创业团队就这几个“宝贝”，开掉一个也不是件容易的事儿。何况任何事情没有绝对的“对”与“错”。站在管理者的角度来讲，我不是一个喜欢走极端的人。例如我们不能只追求进度，粗暴简单地把功能实现就完事儿，产品的外部质量与内部质量问题，其实都可能是“技术债”；但我们也不能太追求代码的内部质量，允许存在一些坏味道，只是为了快速实现。归根结底，还是成本与收益的考量！

这种矛盾在团队是公开的，但矛盾不是私怨，平日里大家一起吃饭，喝酒，倒也算是好哥们儿。何况， 我认为你并不能指望你的工作同事都能成为你的朋友、兄弟！只要大家认可自己正在从事的事业，还保有创业的热情即可！

为了更好地消除不必要的矛盾，并及时改进团队的氛围以提高战斗力，我们会不定期的开展“回顾会议（Retro Meeting）”。例如在上一次的回顾会议中，我们针对技术决策的纷争，总结了几条原则：

• 提出问题必须是对事不对人
• 有想法就要公开提出，然后让大家来一起讨论做决策；讨论时需要设置timebox，如果争执不休，就让技术负责人判断（背黑锅）
• 一旦做出决策，所有团队成员都必须follow这个决定

结论:

• 没有完美的人，也没有完美的团队
• 认可自己正在从事的事业，保持“初心”
• 要制定规则，而不是通过权力去干涉
• 合则留，不合则分，强扭的瓜不甜

3研发团队总结的技术实践

我们的技术实践

第三个话题是介绍我们团队总结的技术实践。与大多数团队相比，因为我们使用了小众的Scala，就可以算得上是“捞偏门”了，所以总结的技术实践未必适合大家。这些实践也是在产品研发中逐渐演化的，没有专门总结，一些实践可能非常细节，也就是说可能很low，需要大家多多担待！

关于Scala

先说说Scala。两年前我还在ThoughtWorks的时候，与同事杨云（大魔头）在一个Scala的大数据项目，利用工作之余，我结合了一些文档整理了一份Scala编码规范，放在了github上。大家可以去看看：
https://github.com/agiledon/scalacodingconvention

我们的产品后端全部由Scala进行开发。对于编写Scala代码，我的要求很低，只有两点：

• 写出来的代码尽可能有scala范儿，不要看着像Java代码
• 不要用Scala中理解太费劲儿的语法，否则不利于维护

对于Scala编程，我们还总结了几条小原则：

• 将业务尽量分布到小的trait中，然后通过object来组合
• 多用函数或偏函数对逻辑进行抽象
• 用隐式转换体现关注点分离，既保证了职责的单一性，又保证了API的流畅性
• 用getOrElse来封装需要两个分支的模式匹配
• 对于隐式参数或支持类型转换的隐式调用，应尽量让import语句离调用近一些；对于增加方法的隐式转换（相当于C#的扩展方法），则应将import放在文件头，保持调用代码的干净
• 在一个模块中，尽量将隐式转换定义放到implicits命名空间下，除非是特别情况需要放到package object中
• 在不影响可读性的情况下，且无需封装任何行为，可以考虑使用tuple，而非case class
  

关于AKKA

我们产品用的AKKA并不是太深入，仅仅使用了AKKA的基本功能。主要用于处理前端发来的数据分析消息，相当于一个dispatcher，也承担了部分消息处理的职责，例如对消息包含的元数据进行解析，生成SQL语句会，发送给Spark的SqlContext。分析的结果则以Future的方式返回给Spray。

也有几条小原则：

• actor接收的消息可以分为command和event两类。命名时，前者用动宾短语，表现为命令请求；后者则使用过去时态，体现fact的本质。
• 产品需要支持多种数据源，不同数据源的处理逻辑放到不同的模块中，我们利用actor来解耦

* 注意actor的sender不能离开当前的ActorContext * 采用类似Template Method模式的方式去扩展Actor

* 或者以类似Decorator模式扩展Actor

* 考虑建立符合项目要求的SupervisorStrategy * 尽量利用actor之间的协作来传递消息，这样就可以尽量使用tell而不是ask

关于Spark SQL

目前的产品特性还未用到更高级的Spark功能。针对一些特殊的客户，我们计划采用Spark Streaming来进行流处理，除此之外，核心的数据分析功能都是使用Spark SQL。
以下是我们的一些总结：

• 要学会使用Spark Web UI来帮助我们分析运行指标；另外，Spark本身提供了与Monitoring有关的REST接口，可以集成到自己的系统中；
• 考虑在集群环境下使用Kryo serialization；
• 让参与运算的数据与运算尽可能地近，在SparkConf中注意设置spark.locality值。注意，需要在不同的部署环境下修改不同的locality值；
• 考虑Spark SQL与性能有关的配置项，例如spark.sql.inMemoryColumnarStorage.batchSize和spark.sql.shuffle.partitions；
• Spark SQL自身对SQL执行定义了执行计划，而且从执行结果来看，对SQL执行的中间结果进行了缓存，提高了执行的性能。例如我针对相同量级的数据在相同环境下，连续执行了如下三条SQL语句：

第一次执行的SQL语句：
sql SELECT UniqueCarrier,Origin,count(distinct(Year)) AS Year FROM airline GROUP BY UniqueCarrier,Origin

第二次执行的SQL语句：
sql SELECT UniqueCarrier,Dest,count(distinct(Year)) AS Year FROM airline GROUP BY UniqueCarrier,Dest

第三次执行的SQL语句：
sql SELECT Dest , Origin , count(distinct(Year)) AS Year FROM airline GROUP BY Dest , Origin

观察执行的结果如下所示：

观察执行count操作的job，显然第一次执行SQL时的耗时最长，达到2s，而另外两个job执行的时间则不到一秒。

• 针对复杂的数据分析，要学会充分利用Spark提供的函数扩展机制：UDF（（User Defined Function）与UDAF（User Defined Aggregation Function）；

关于React + Redux

关于React + Redux的使用，我们一开始并没有用好它。不过，随着对React + Redux的逐渐熟悉，结合社区的一些实践，我们慢慢体会到了其中的一些好处，也摸索出一些好的实践。

    遵循组件设计的原则，我们将React组件分为Component与Container两种，前者为纯组件。

组件设计的原则

• 一个纯组件利用props接受所有它需要的数据，类似一个函数的入参，除此之外它不会被任何其它因素影响；
• 一个纯组件通常没有内部状态。它用来渲染的数据完全来自于输入props，使用相同的props来渲染相同的纯组件多次，
• 将得到相同的UI。不存在隐藏的内部状态导致渲染不同。
• 在React中尽可能使用extends而不是mixin；
• 对State进行范式化，不要定义嵌套的State结构，不同数据的相互引用都通过ID来查找。范式化的state可以更有效地利用Store里存储空间；
• 如果不能更改后端返回的模型，可以考虑使用normalizr；但在我们的项目中，为了满足这一要求，我们专门修改了后端的API。因为采用了之前介绍的元数据架构，这个修改主要影响到了REST路由层和应用服务层的部分代码；
• 遵循Redux的三大基本原则；

Redux的三大基本原则

• 单一数据源
• State 是只读的
• 使用纯函数来执行修改

在我们的项目中，将所有向后台发送异步请求的操作都封装到service中，action会调用这些服务。我们使用了redux-actions的createAction创建dispatch需要的消息：

在Reducer中，通过redux-actions的handleAction来处理action，避免使用丑陋的switch语句：

在Container组件中，如果Store里面的模型对象需要根据id进行filter或merge之类的操作，则交给selector对其进行封装。于是Container组件中就可以这样来调用：

• 使用eslint来检查代码是否遵循ES编写规范；为了避免团队成员编写的代码不遵守这个规范，甚至可以在git push之前将lint检查加入到hook中：

echo "npm run lint" > .git/hooks/pre-push chmod +x .git/hooks/pre-push

Spray与REST

我们的一些总结：

• 站在资源（名词）的角度去思考REST服务，并遵循REST的规范；
• 考虑GET、PUT、POST、DELETE的安全性与幂等性；
• 必须为REST服务编写API文档，并即使更新；

• 使用REST CLIENT对REST服务进行测试，而不能盲目地信任Spray提供的ScalatestRouteTest对客户端请求的模拟，因为这种模拟其实省略了对Json对象的序列化与反序列化；
• 为核心的REST服务提供健康服务检查；

• 在Spray中，尽量将自定义的HttpService定义为trait，这样更利于对它的测试；在自定义的HttpService中，采用cake pattern（使用Self Type）的方式将HttpService注入；
• 我个人不太喜欢Spray以DSL方式编写REST服务，因为它可能让函数的嵌套层次太深；如果在一个HttpService（在我们的项目中，皆命名为Router）中，提供的服务较多，建议将各个REST动作都抽取为一个返回Route对象的私有函数，然后利用RouteConcatenation的~运算符拼接起来，以便于阅读：

• Spray默认对Json序列化的支持是使用的是Json4s，为此Spray提供了Json4sSupport trait；如果需要支持更多自定义类型的Json序列化，需要重写隐式值json4sFormats；建议将这些隐式定义放到Object中，交由Router引用，而不是定义为trait去继承。因为并非Router都使用Json格式，由于trait定义的继承传递性，可能会导致未使用Json格式的Router出现错误；
• Json4s可以支持Scala的大多数类型，包括Option等，但不能很好地支持Scala枚举以及复杂的嵌套递归结构，包括多态。这时需要自定义Serializer，具体做法可以参考我在知乎专栏上的文章：https://zhuanlan.zhihu.com/p/20810315?refer=insight

---

Q&A

Q1. 为什么选择了Scala?
A1: 这个其实在分享中我已经介绍了原因。主因还是因为Spark吧。使用Spark的语言包括Java、Python、R以及Scala。我们的团队成员都不熟悉R，个别熟悉Python。Java的语法比较Scala而言，还是太冗长了。而且Spark的源码是Scala!

Q2. 您说您将来的产品要用clojure，处于什么方面考虑的？
A2: 只是随便这么一说。但是产品在将来需要提供DSL支持函数表达式。目前还没有开始设计，可选的语言包括Scala，但是现在没有确定。提到了Clojure，只是因为我们有团队成员是Clojure粉[Smile]

---

分享者简介

张逸-BigEye科技联合创始人与技术负责人，从事大数据分析的产品研发，主要研发方向为敏捷BI和基于Spark的大数据分析。之前就职于ThoughtWorks，作为Lead Consultant为客户提供架构设计、大数据分析、持续交付、代码质量、敏捷管理等咨询服务。著译作包括《软件设计精要与模式》、《WCF服务编程》、《Java设计模式》、《恰如其分的软件架构》、《人件》等。微信公众号：YiYan_OneWord

---

                                                        中生代技术群微信公众号