使用 Akka、Kafka 和 ElasticSearch 等构建分析引擎

本文翻译自 Building Analytics Engine Using Akka, Kafka & ElasticSearch ，已获得原作者 Satendra Kumar 和网站授权。

在这篇文章里，我将和大家分享一下我用 Scala、Akka、Play、Kafka 和 ElasticSearch 等构建大型分布式、容错、可扩展的分析引擎的经验。

我的分析引擎主要是用于文本分析的。输入有结构化的、非结构化的和半结构化的数据，我们会用分析引擎对数据进行大量处理。如下图所示为第一代架构，分析引擎可以用 REST 客户端或 Web 客户端（引擎内置）访问。

(点击放大图像)

简单描述一下用到的技术：

• Play 框架做 REST 服务器和 WEB 应用。Play 是个基于轻量级、无状态和 WEB 友好的 MVC 框架。
• Akka 集群作处理引擎。Akka 是个工具集，用于在 JVM 上简化编写高并发、分布式、和有弹性的消息驱动应用。
• ClusterClient 用于与 Akka 集群通信。它运行在 REST 服务器上，将任务发给 Akka 集群。使用 ClusterClient 是一个非常错误的决定，因为它并不会维持与 Akka 集群的长连接，因而会经常报连接错误，而且重新建立连接时还要把那个 Client 所在的 JVM 也一起重启。
• ElasticSearch 用作查询引擎和数据存储，包括原始数据和分析结果。
• Kibana 用作可视化平台。Kibana 是有弹性的分析和可视化平台。
• Akka Actor 用作 ElasticSearch 的数据导入导出服务。它的表现非常好，服务从来没出过故障。
• S3 用作集中化文件存储。
• Elastic Load Balance 用作节点之间的负载均衡。
• MySQL 用于元数据存储。

我们从 Akka 2.2.x 版开始用起，也碰到了一些严重问题，主要表现为：

• ClusterClient 与 Akka 集群之间连接断开：在负载大 CPU 使用率高时，ClusterClient 常常莫名其妙的与 Akka 集群断开连接。因为它是个第三方库，所以我们只好把 JVM 重启来让它继续工作，有的时候还要半夜爬起来处理问题。
• 资源利用率：我们发现 REST 服务器上 CPU 使用率只有 2-5%，这样太浪费资源了，Amazon EC2 服务器可不便宜。
• 延迟问题：REST 服务器运行在不同的服务器上。这样就造成了延迟问题，因为对于每一条 Client 发过来的请求，它都要把请求反序列化，再序列化然后才能发到 Akka 集群。从 Akka 集群发来的响应消息也是一样，要先反序列化再序列化，然后才能发给请求方。这样的序列化和反序列化过程常常导致超时问题。而且，我们只是把 Play 用作 REST 后台而不是完整的 WEB 框架，我承认这是我们的设计问题。

为了解决这些问题我们设计了第二代架构，主要变化有：

• 去掉 Akka ClusterClient。
• 用 Spray 替换掉 Play 架构，因为把 Play 用作 REST 服务不是个正确的决定。Spray 是个轻量级 HTTP 服务器。
• 为了减少端到端的延迟，我们把 REST 服务运行在 Akka 集群节点所在的 JVM 上，而不是单独的节点上。

新架构是这样的：

(点击放大图像)

太棒了，这样的系统工作得非常好。生活又变得非常美好，团队也得到了很多表扬。

三个月后，来了个要增加Datasift 做为数据源的新需求，提供流数据和历史数据。这个需求好满足，只要增加一个新服务，从 Datasift 中拉取数据并发送到分析集群上即可。

(点击放大图像)

增加新服务很简单，但却导致了新问题：

• 上述架构本质上来说是个推送模型，每当有大量的流或历史数据被推送过来时，集群就会处理不过来。
• 我们决定把集群由 4 个节点扩展为 8 个节点。这样峰值情况下还可以，但正常情况下大多数节点都处于非常空闲的状态。我们用的是 Amazon EC2 4x.Large 节点，非常贵，所以就引发出了基础设施的费用问题。
• 我们决定使用 Amazon 的自动扩容服务。在集群上负载增加时它的确是自动扩容了，可是负载降下来时它却没有缩容。Amazon 自动扩容服务对我们的业务情况处理得不够好。
• 另一个问题是 Akka 集群的内部节点通信在 CPU 使用率超过 90% 时常常出问题，原因可能是因为我们经验不够不会配 Akka 集群，也有可能是 Akka 集群那时候不象现在这么成熟。
• 如果有节点崩溃的话，那整个处理过程就会停止。

当我们在努力为这个问题找解决方案时，又收到需求要再增加一种数据源！

在经过很多次头脑风暴之后，我们明白了现有架构的问题，于是做出了一个简单、可扩展和容错的第三代架构：

(点击放大图像)

在这个新架构里，我们去掉了Akka 集群，重写了分析引擎。它完全是基于Akka Actor 的，REST 服务也是运行在相同的JVM 上。REST 服务只是简单的从客户端接收请求，做认证和鉴权，然后创建一条待处理消息发送到Kafka 队列中去。分析引擎的每个节点都会从Kafka 队列中拉取数据，处理完毕再拉取下一批。这样它就永远不会忙不过来。

受益于Kafka 的内部机制，不管哪个节点死掉了，Kafka 都会自动的把要处理的消息发送到另一个正常节点上，所以不会有任何消息丢失。

在这个架构下我们就不必继续租用以前的Amazon EC2 4X large 服务器了，只要用Amazon EC2 2X large 就可以支持任何负载，节省了很多钱。（此处应有掌声。:) ）

这完全是个基于拉取模式的架构。所有的请求和浪涌 都通过Kafka 集群处理。它永远不会忙不过来，因为所有操作都是基于拉取模式的。整个系统部署在 26 台 EC2 节点上，已经快两年了，生产系统一次故障都没出过。

我们也用 Kafka 保存了各种服务日志来分析性能、安全和用户行为。Kafka 生产者会把日志发送到 Kafka 服务器中。因为我们已经有了 ElasticSearch 的导入导出服务，我们可以仍然用它们来推送 ElasticSearch 的日志。我们也可以轻松地用 Kibana 将用户行为可视化。

结论

• Akka Actors 非常适合于打造高并发、分布式、有弹性的应用程序。
• Spray 非常适合作轻量级 HTTP 服务器。现在它已改名为 Akka-HTTP 。
• Play 框架非常适合于构建高并发、可扩展的 WEB 应用，它底层是 Akka。
• ElasticSearch 是个非常好的搜索引擎，它底层是 Lucene，可以提供全文检索功能。尽管我们也把它当成数据存储来用，但数据持久化并不是它的强项（比如与 Cassandra 相比）。
• Kafka 非常适合于流处理和日志汇聚。它的架构设计就已经支持可扩展、分布式、容错等功能。

请耐心等待我改进第四版架构之后再更新这篇文章吧……快乐编程，不断创新！