2019 年 8 月 31 日，OpenResty 社区联合又拍云，举办 OpenResty × Open Talk 全国巡回沙龙·成都站，原贝壳找房基础架构部工程师尹吉峰在活动上做了《使用 OpenResty 搭建高性能 Web 应用 》的分享。
OpenResty x Open Talk 全国巡回沙龙是由 OpenResty 社区、又拍云发起，邀请业内资深的 OpenResty 技术专家，分享 OpenResty 实战经验，增进 OpenResty 使用者的交流与学习，推动 OpenResty 开源项目的发展。
尹吉峰，原贝壳找房基础架构部工程师，多语言爱好者，偏向异步和函数式编程，酷爱原型搭建，先后在贝壳使用 OpenResty 搭建了 WebBeacon、图片处理等服务。
以下是分享全文：
今天和大家介绍一个 OpenResty 比较小众的使用场景，使用 OpenResty 做 Web 框架写服务，希望能给大家带来一些新的东西。
为什么要做高性能服务
首先给高性能 Web 服务一个简单定义：QPS 过万的服务是高性能 Web 服务。我认为一个好服务绝对不是优化出来的，架构决定一个服务的基准，过早优化是万恶之源。
大家都知道如果做 Web，Web 只需要水平伸缩、扩展就行，那么为什么还要高性能呢？事实上有些服务是不适合水平伸缩的，比如有状态的服务。我盘点了过去几年使用过的服务，发现有状态的数据库服务的确很多：
- 统一集中式的缓存 Redis
- 高性能的队列 Kafka
- 传统的关系型数据库 MySQL、Postgres
- 新兴的非关系型数据库 MongoDB、Elasticsearch
- Embedded 数据库，属于内嵌数据库，跟服务配置在一起的 SQLite3、H2、Boltdb
- 最新的时序数据库 InfluxDB、Prometheus 等
上面这些服务实际上都是有状态的，它的扩容、伸缩不是那么简单，一般是以 Sharding 的方式通过人工操作手动做伸缩。
而基础服务和平台服务是整个公司的服务所依赖的，一家公司的服务可能有成千上百台机器，但是基础服务应该只占很小的比例，所以我们对基础的通用服务有高性能需求，比如 Gateway 网关、Logging、Tracing等监控系统，以及公司级别的用户的 API、Session/Token校验，这类服务对性能有一定要求。
此外，水平扩展是有限度的，随着机器的增多，机器提供的容量、QPS 不是一个线性增长的过程。
高性能的好处，我认为有以下几个方面：
- 成本低，运维简单：伸缩容不敏感，一台机器可以扛多台机器的量；
- 便于流量分发：机器少可以便于流量分发，部署快意味着回滚快；面对完全不兼容，或者对极度的流量平滑迁移有需求的情况会用到红绿部署；
- 简化设计：应用内的缓存会更高效，按机器纬度可以做一些简单的 ABTest；
- “程序员的自我修养”。
如何做高性能服务
绝大部分Web 应用实际上都是 IO 密集型服务，而非 CPU 的密集型服务。对 CPU 的性能，大家可能没有一个直观感受，这里给大家举个例子：π 秒约等于一个纳世纪，说的是人在观察世界的时候是以秒级的尺度。而 CPU 的是纳秒级别的尺度。对于 CPU 来说，3.14 秒相当于人类的一个世纪这么漫长，1 秒就相当于 CPU 的“33 年”。如果是 1-2个毫秒，我们觉得很快，但对于 CPU 实际上是它的“20 天左右”。
而这仅仅是单核，实际上还有多核的加持。面对这么强的 CPU 性能，怎么充分利用呢？这就有了 2000 年以来的新型编程模式：异步模型，也叫事件驱动模型。异步编程、事件驱动，是把阻塞的、慢的 IO 操作转化成了快的 CPU 操作，用通过 CPU 完全无阻塞的事件通知机制来驱动整个应用。
我自2012 年在手机搜狐网接触 Python Tornado 异步编程以来，用过多个语言和框架做异步编程。我认为同步模型就是“线程池+频繁的上下文切换+线程之间数据同步的大锁”，这意味着如果是同步模型，需要根据当前的 loading 去做系统的调优，根据目前的各个状况，一点一滴去做，实际上调优难度是非常大的。
而异步模型相当于一个高并发的状态，因为它是EventLoop，是在不停循环的。同时有两个请求过来，它可能同时会触发，如果其中一个请求操作 CPU 没有及时让出，就会影响另一个请求。它用潜在的时延换来更高的并发。高性能就相当于“异步+缓存”，即异步解决 IO 密集、缓存解决 CPU 密集的问题。
目前市面上主流的异步语言和框架包含：
- C 和 C++，一般不会拿来写 Web 应用；
- PHP（swoole），这个生态相对来说没有那么好；
- Java，近些年借助 Spring Cloud、Gateway 又火了一把，但还是一个比较初级的状态，还是在那种 then/onError 结合子的状况下面去编程；
- NodeJS，谈异步肯定离不开 JS 和 NodeJS，JS 生态是异步的生态，它没有同步的阻塞。从开始设计到现在，经过这么多年发展，从最开始回调，逐渐演化成为 Promise 类库的加持，再到 NodeJS 的 async/await、IO 这类方便用 generate 写异步代码的状态，async/await 的模型也是当前整个业界比较认可和推崇的写异步的方式；
- Python，Python 经历了从最开始的 yield 做 generate，到 yield+send 做成协程的状态，再到 yield+from 加 generate 做流式的处理，到现在 3.x 版本的 asyncio 纳入官方库的过程；
- Rust，Rust 是种新兴语言，它基于内存模型的特殊，选择了 pull 模型做异步的执行。它是在 1.39.0 的时候即今年 9 月份，async/await 这种模式才是一个 stable 的状态，一个async/await 的 MVP 最小可用的产品，而 tokio 作为官方 de-facto 的 runtime 是在 3-6 个月稳定，所以 2020 年上半年可能可以看到一波用 Rust 去写 Web 程序的浪潮；
- Golang，是用 Goroutine 去做切换，不同于其他，它看起来是一个同步代码，实际上是在后面的 runtime 做异步调度的形式。
那为什么还要学 OpenResty 呢？这里首先是限定在 2015 年，今天要讲的实践大约是在 2015-2016 年做的，可能时间上没有这么新了。但在 2015 年，上述这些异步除了 JS，其他的成熟度没有那么高，所以 在当时 OpenResty 的确是很好的做异步的框架。
什么是 OpenResty
Nginx
Nginx 是一流的反向代理服务器，它有完善的异步开源生态，且在一线互联网公司已经成为标配，是已经引入的技术栈。因此在 OpenResty 基础上再引入一些东西是风险极低的事情，只是引进来一个 Module，就可以复用已有的学习成本。
此外，Nginx有天然的架构设计：
- Event Driving
- Master-Worker Model
- URL Router，不用再选路由库，本身在 config 里就很高效
- Processing Phases，关于对请求的处理流程这一点只有在使用 OpenResty 后才能感受到
Lua
Lua 是一个小巧灵活的编程语言，天生和 C 亲和，支持 Coroutine。除此之外它还有一个很高效的 LuaJIT 实现，提供了一个性能很好、很高的 FFI 接口，根据 Benchmark 这种方式比手写C 代码调 C 函数还要快。
OpenResty
OpenResty 是Nginx+Lua（JIT），它是两者完美的有机结合，把异步的Nginx 生态用 Lua 去驱动。Lua 本身不是一个异步生态，这里提一下春哥为什么要去做 OPM 和包管理，其实是因为 luarocks 是同步的生态，所以 OpenResty 很多包都是 lua-resty 开头的，表明它是异步的，能在 OpenResty 上使用。
OpenResty 应用实践：WebBeacon
WebBeacon 概述
Beacon 是一个埋点的服务，记录 http 请求，做后续的数据分析，从而计算出会话数量、访问时长、跳出率等一系列的数据。
dig.lianjia.com 是WebBeacon 服务的前端，它负责支持数据的搜集，不负责数据的处理和计算。它还负责接收 http 请求，返回 1×1 的 gif 图片；接收到了 http 请求后，会有一个内部的格式称作为 UAL（Universal Access Logging），这是统一全局的访问日志格式，把http 请求相关的信息落地推到 Kafka，就可以做实时或者离线的数据统计，这就是整个服务的概况。
我们接手时已经有一个版本，第一个版本是用 PHP 实现的，性能不是很好。它是 FastCGI + PHP Logging to file 直接接收到请求，PHP 写到文件里，再由 rsyslog imfile，file 的 input module 去读取日志文件，通过 Kafka 的 output module 去推到 Kafka 的一个状况。
举个例子，为什么 PHP 性能不高呢？根据 PHP 的请求模型，为了防止内存泄漏，你是不需要关注资源释放的。每个请求开始时打开日志文件，然后写入日志，请求结束时自动关闭，只要不是在 Extension 里初始化都会重复这个过程。在这个项目中，每次打开和关闭只是为了写一条日志进去，这就会使性能变得很差。
面临的挑战
- 重要程度很高，很长一段时间，整个链家网的大数据部门唯一生产资料就是源于此服务，如果没有这个服务，就没有后面所有数据统计计算和报表的输出，对于下游的依赖方，这个服务重要度相当高。
- 高吞吐状态，所有的 PC 站、M 站、安卓、iOS、小程序甚至内网服务都可以往这个服务上打，所以对吞吐有一个非常高的要求。
- 这个服务有业务，它要去到不同的地方取信息，再做一些转换，最后落地，肯定需要有一个灵活的编程的东西可以搞定它。
- 资源隔离性差，当时链家网的整个服务是一个混合部署的状态，只靠操作系统的隔离性在维持，所以会出现多个服务跑在同一台机器上的情况，对 CPU、内存、磁盘等有争用的状态。
坚持的原则
- 性能 Max，性能越高越好；
- 避免对磁盘的（硬）依赖，因为混合部署的原因，希望它能够在关键路径上甚至从头到尾能够避免对磁盘的依赖；
- 即刻响应用户，一个 WebBeacon 的服务，实际上核心是落数据，用户可以直接响应，不需要等，落数据可以放在后台做，不需要卡着用户的请求。我们希望有一个机制，能够拿到请求，直接返回一个请求，后面再做业务重的部分；
- 重构成本尽可能低，这个项目已经有第一版了，虽然是重构，但相当于重写了一版。我们希望它能在这个过程中耗时越短越好，在原有的基础上能够继承下来所有的功能点，同时有自己新的特点。
主体逻辑
上图是OpenResty 的阶段图，写过 OpenResty 程序的人都会知道它是非常重要的东西，是 OpenResty 的核心流程。通常大家在 Content generatedby？阶段会用 upstream 去做 balancer，但实际在做 Web 应用时，直接写 content_by_lua 就可以，因为是你直接来输出，同时 access 和 header 两个阶段做一些数据的搜集，通过 log_by_lua* 这个阶段把数据落地，达到我们即刻响应用户的需求。content_by_luacontent_by_lua实际上很简单，就是无脑地吐固定的内容：
如上图，声明 Content-Length=43，如果不声明则默认是Chunked 模式在我们的场景里是没有意义的；\z 是 Lua5.2 Multiline String 的一种写法，它会把当前的换行和后面的空白字符全部截取掉，然后拼回去。
access_by_lua
我们在 access_by_lua 的过程中做了几件事情：
首先是解析 cookie，要去记录和下发一些 cookie，我们使用 cloudflare/lua-resty-cookie 的包去解析 cookie。
然后生成uuid 去标识设备 ID 或者请求 ID 等一系列这种随机的状态，我们用了 openssl 的 C.RAND_bytes，随机生成了 16 个 bytes、128 bit，然后用 C.ngx_hex_dump 转化，再一点一点切成 uuid 的状态。因为我们内部大量使用 uuid 的生成，所以这块希望它的性能越高越好。
除了uuid 还有 ssid，ssid 是 session ID，session 是记录会话的数量。在 WebBeacon 里，会话是指用户在 30 分钟内连续地访问。如果一个用户在 30 分钟内持续访问我们的服务，则认为它是一个会话的状态；超 30 分钟 cookie 过期了，会重新生成一个新的 cookie，即是一个新的会话。此外，这里的统计是不跨自然天的，比如晚上 11：40 分，一个用户进来，会只给他20 分钟的 cookie，从而保证不跨自然天。
除了以上这些，我们还有一个最重的业务逻辑。
手机端浏览器每次发请求都会有成本，我们做了设定，将手机端搜集的日志打包一起上传，把多条的埋点日志汇总，当用户按 home 键退出或放到后台时触发上报流程，以 POST 的形式去上报，POST 时同时做编码，加上 GZIP，它的流量损耗会很低。这意味着我们要去解析 body，去把一条上报上来的 POST 请求拆成 N 条不一样的埋点日志再落地。为此我们做了以下的事情：
- 限定 Max body，因为不希望落磁盘，所以设置了 64K 的大小。考虑到我们有 GZip，可能之前有 400k-500k 的状态，汇总搜集后应该是足够使用了；
- 客户端编码，服务端自然要去解码。通过 zlib 去解 Gzip，然后 decode URL，再做 json_decode，终于把一个请求拆成了 N 个，一个 list 下面包含 N 个请求的状况，把每一个 list item 重新编码成埋点日志再落回去；
- 用 table new，table.new(#list,0)->table.new(0,30)/table.clear，然后做 json_encode、ngx.escape_url 等操作，最后形成单条的日志；
- 假设在这个过程中出现任何问题就会做降级，用 log_escape 把一个 raw body 落到了日志里面，这样后期还是有能力去做找回。
header(body)_filter_by_lua
还有一个逻辑是搜集、汇总字段的过程。
为什么不在 access_by_lua 的时候一起做了？原因是我们在压测时发现在高并发压力的情况下，某个操作在 access_by_lua 阶段会发生 coredump。也有可能是我们用的方式不对，本身就不应该用在 access_by_lua 段，这块儿没有深究。
所以我们把一部分过滤阶段与当前请求没有太大关系的业务挪到了header_filter_by_lua 的过程中，我们有解X-Forwarded-For 去落 IP，有解lianjia_token 去落 ucid，链家里的 ucid是一个长串的数字。Lua 里面的数字有 51 位的精度，这意味着这块数字没办法落下来，于是我们使用 FFI 去 new 一个 64 位的 URL 的 number，并做一系列的变换，再通过打印截取的方式落出来想要的 20 多位的 ucid 的长度。
log_by_lua 备选方案
下面介绍最核心的一环即 log_by_lua 落日志的过程。
- access_log 是 Nginx 原生内置的方式，这种方式不适用我们的场景，因为我们有 TB 级别的日志量，并且是混合部署，所以磁盘是争用的状态；最核心的一点是 Read 和 Write 是阻塞的操作系统调用，这会让它的性能急剧下降；
- 张德江写的 doujiang24/lua-resty-kafka 是另一个方式，这个其实我们并没有做调研，因为 kafka 的协议和特性太多太繁杂，这个方案当前特性和后续发展可能没法满足我们的需求。
- 我们最后选定了 cloudflare/lua-resty-looger-socket 的库，可以远程非阻塞地落日志。
rsyslog
落日志的工具我们选择 rsyslog，实际上并没有做太多的技术选型，直接在原来的技术选型上做了定制和优化：
- 单条日志最大长度是 8k，超长的单条日志它会截断，这是 rsyslog 里面的规范，但是在它里面也可以做定制；
- rsyslog 内部通过 Queue 传递消息，内部 Queue 用得非常重。我们选取了 Disk-Assisted Memory，它能在 Memory 爆掉时落地到磁盘做降级，保证它的可靠程度；
- Parser 没有用新版本的 RFC，而是选用老版本的 RFC3164，是很简单的一个协议，如上图， local msg="<142>"..timestamp..""..topic..":"..msg 就是 RFC3164 的规范日志；
- 我们有一条日志落多条的需求，日志和日志之间要做切割，这里其实开启了 SupportOctetCountedFraming 的参数做切割，实际上就是在当前的 message 的头上再加上 message 的长度，通过一个基础的 RFC，加上额外的功能特性完成整个日志的落地；
- 用 imptcp 去建立 unix socket 的文件句柄，没有用 TCP、UDP，因为 unix socket 的损耗会更低。值得注意的是，cloudflare/lua-resty-looger-socket 的库不支持 dgram unix socket，目前 cloudflare 已经停止维护这个库了；
- 输出用了 omkafka 的 output module，开启了两个特殊的操作 ：开启 dynaTopic 可以定制录入到制定 topic；开启 snappy 的压缩可以减轻传输流量；
- 额外开启两个 module：一个是 omfile，它接到 imptcp 传过来请求，在推 kafka 的同时落地到本地，这么做的原因是之前下游推送程序宕机导致 kafka 里的消息没有及时被拿走而造成数据的丢失，因此需要做重要数据的备份，再加上磁盘的依赖；另一个是 impstats，它是做监控，输出 Queue 容量、当前的消费状况等一系列数据。
部署方案
前面提到我们是混合部署的状况，线上会有准入的标准：tar 包+run.sh。我们预先编译好 OpenResty，把所有依赖静态地编译进去，在发布时把 OpenResty 的二进制文件拉到本地和 Lua 脚本混在一起，rsync 到固定的位置上再跑起来，使用 supervisord 或者 systemctl 做线上的daemon管理。
测试环境是自我维护的，这个项目可以分成两块，一块是 OpenResty，另一块是 rsyslog。可能你会把 OpenResty 的所有代码落到代码仓库，而忽略了实际上 rsyslog 的配置也是相当重要，所以其实应该把所有的项目相关的东西都落到代码仓库里。我们通过 Ansible 去做剩下的所有事情来管理测试环境。
性能数据
最终的性能数据如下图：
2018 年初我做了统计，QPS 峰值大概是 26000QPS，单机压测的峰值在 30000QPS，所以其实一台 OpenResty 的机器可以抗住整个埋点的流量。日志传输压缩之后大概有 30M，每天的日志落起来大概在 10 亿条左右。为了保证服务的可靠性，当时线上的服务器是三台 EC2 C3.2xlarg。
总结
- 总的来说，架构是第一位的，我们使用 OpenResty+rsyslog+Kafka 三款久经考验的组件构建出一个高性能的服务；
- 要保持边界，守住底线，比如不落磁盘，就要想尽一切办法不落磁盘，保证有极致的性能；
- 有时候你看起来很高性能，但是代码写起来还是会有很多坑，你可以通过火焰图等很多方式来避免。重要的是，你需要有意识地去把握性能的问题，从一点一滴的小事情做起。比如 NYI 的 not yet implement 方法要避免去使用；比如 table.new/table clear一次性预分配已知大小 table array 的操作，都要避免重复的、多次的动态扩充；ngx.now 的实现性能非常高，它是有缓存的，基本满足对时间精度的要求；uuid 的生成，从 libuuid 转换成一次性生成 16 字节数据；通过 shared dict 之类的减少 CPU 的操作等等，最后我们可以构建出一个高性能的 Web 服务。
以上是我今天的全部分享，谢谢大家！
分享PPT下载及现场视频：
使用 OpenResty 搭建高性能 Web 应用