必备，前台与后台分离的架构实践

如果你经历过创业，经历过快速迭代业务，经历过用户量不断上涨，经历过访问并发越来越大，你一定会遇到以下系统问题：

• 用户访问页面越来越慢

• 系统性能下降，数据库扛不住，连接数经常打满，最终数据库挂掉，重启后又快速挂掉

• 改了一个小地方，另外一个看似不相干的地方却挂了，严重耦合

 

如果你没有经历过，很可能是：

• 没到这一步项目就死了

• 身在所谓的大公司，用着所谓先进的架构体系

 

创业初期遇到上述痛点，很容易想到“三个分离”的架构优化方案：

• 动静分离：能够100倍以上的提升静态页面/资源的访问速度，详见《必备，动静分离架构实践》

• 读写分离：能够快速的线性扩充数据库的读性能，详见《必备，读写分离架构实践》

• 前后分离：前台与后台的数据与访问分离，也就是本文将要重点介绍的内容

 

一、业务场景介绍

虚拟一个类似于“安居客”租房买房的业务场景，这个业务的数据有两大来源：

• 用户发布的数据

• 爬虫从竞对抓取来的数据

 

这个业务对应的系统有两类使用者：

• 普通用户，浏览与发布数据，俗称“前台用户”

• 后台用户，运营与管理数据，俗称“后台用户”

 

在一个创业公司，为了快速迭代，系统架构如上：

• web层：前台web，后台web

• 任务层：抓取数据

• 数据层：存储数据

 

二、数据耦合的问题

系统两类数据源，一类是用户发布的数据，一类是爬虫抓取的数据，两类数据的特点不一样：

• 自有数据相对结构化，变化少

• 抓取数据源很多，数据结构变化快

 

如果将自有数据和抓取数据耦合在一个库里，经常出现的情况是：

• -> 抓取数据结构变化

• -> 需要修改数据结构

• -> 影响前台用户展现

• -> 经常被动修改前台用户展现逻辑，配合抓取升级

如果经历过这个过程，其中的痛不欲生，是谁都不愿意再次回忆起的。

 

优化思路：前台展现数据，后台抓取数据分离，解耦。

如上图所示：

• 前台展现的稳定数据，库独立

• 后台抓取的多变数据，库独立

• 任务层新增一个异步转换的任务

 

如此这般：

• 频繁变化的抓取程序，以及抓取的异构数据存储，解耦

• 前台数据与web都不需要被动配合升级

• 即使出现问题，前台用户的发布与展现都不影响

 

三、系统耦合的问题

上面解决了不同数据源写入的耦合问题，再来看看前台与后台用户访问的耦合问题。

 

用户侧，前台访问的特点是：

• 访问模式有限

• 访问量较大，DAU不达到百万都不好意思说是互联网C端产品

• 对访问时延敏感，用户如果访问慢，立马就流失了

• 对服务可用性要求高，系统经常用不了，用户还会再来么

• 对数据一致性的要求高，关乎用户体验的事情就是大事

 

运营侧，后台访问的特点是：

• 访问模式多种多样，运营销售各种奇形怪状的，大批量分页的，查询需求

• 用户量小，访问量小

• 访问延时不这么敏感，大批量分页，几十秒能出结果，也能接受

• 对可用性能容忍，系统挂了，10分钟之内重启能回复，也能接受

• 对一致性的要求始终，晚个30秒的数据，也能接受

 

前台和后台的模式与访问需求都不一样，但是，如果前台与后台混用同一套服务和结构化数据，会导致：

• 后台的低性能访问，对前台用户产生巨大的影响，本质还是耦合

• 随着数据量变大，为了保证前台用户的时延，质量，做一些类似与分库分表的升级，数据库一旦变化，可能很多后台的需求难以满足

 

优化思路：冗余数据，前台与后台服务与数据分离，解耦。

如上图所示：

• 前台和后台独立服务与数据，解耦

• 如果出现问题，相互不影响

• 通过不同的技术方案，在不同容忍度，业务对系统要求不同的情况下，可以使用不同的技术栈来满足各自的需求，如上图，后台使用ES或者hive在进行数据存储，用以满足“售各种奇形怪状的，大批量分页的，查询需求”

 

四、总结

创业初期，快速实施架构优化，提升性能的“三大分离”优化利器：

• 动静分离：能够100倍以上的提升静态页面/资源的访问速度

• 读写分离：能够快速的线性扩充数据库的读性能

• 前后分离：前台与后台的数据与访问分离