原文地址：https://alphahinex.github.io/2022/10/15/hackathon/

description: "2Core / 4GB 的总资源限制内，在容器中运行一个基于文本日志文件的统计分析程序，统计发表评论最多的前10位用户，并按顺序返回用户名、该用户的评论次数、该用户不重复的评论数量以及最近发表评论的时间。"
date: 2022.10.15 09:26
categories:
- Java
- Golang
tags: [Java, Golang]
keywords: Java, Go, Golang, hackathon, 黑客松, JNA, GOMAXPROCS

题目

2Core / 4GB 的总资源限制内，在容器中运行一个基于文本日志文件的统计分析程序，统计发表评论最多的前10位用户，并按顺序返回用户名、该用户的评论次数、该用户不重复的评论数量以及最近发表评论的时间。

按照评论次数由多到少进行排序
当用户评论次数相同时，将内容不重复的评论数量较多的用户排在前面
当“用户评论次数”与“不重复的评论次数”均相同时，以“最近发表评论的时间”排序，内容较新的用户排在前面

正式比赛的数据量级为1000万（可能会有零头，但不低于1000万，不超过1001万），数据文件体积（总和）大约在5GB左右（不低于4.5GB，不超过5.5G），切割为2~3个，最多不超过3个。

解题思路

1. 用什么语言实现

通常情况下，我们认为 I/O 操作是最昂贵的操作，所以我们先选择了几种语言，实现了一个简单的读取 2.5G 文件（4999500 条评论日志）到内存的功能，对比了一下读文件的时间。

没找到 Golang 一次性读取所有行到内存的方法，测试可能不完全公平，但也能说明一定的问题。

选择 Go 作为处理逻辑程序的其他理由：

语法简单、并发模型、运行时优化、低内存占用，JNA 调用动态链接库，充分发挥 Go 的处理性能。
搭配 channel，实现 CSP 模型。将并发单元间的数据耦合拆解开来，各司其职，这对所有纠结于内存共享、锁粒度的开发人员都是一个可期盼的解脱。

另外为了获得使用 CNAP BP 的额外加分，我们选择通过 Java 调用 GO 的方式双管齐下。

测试用例

测试环境：Macbook Pro 2019 16寸 Intel Core i9-9880H @ 2.3 GHz 、32G内存、1T固态硬盘

测试代码：

Java: 14.7s

import com.google.common.io.Files;
Files.readLines(new File("hackathon_demo4.log"), Charsets.UTF_8);

Python: 3.83s

# !/usr/bin/python
# coding=utf-8
import datetime
import time

def readFiles(fileName):
    count = 0
    with open(fileName, 'r') as f:
        for line in f.readlines():
            count +=1
    print count
    endtime  = time.time()
    print endtime-starttime
    return

readFiles("hackathon_demo4.log")

Go: 1.79s

package main

import (
   "bufio"
   "fmt"
   "io"
   "time"
   "os"
)

func main() {
   now := time.Now()
   file, _ := os.Open("hackathon_demo4.log")
   buf := bufio.NewReader(file)
   count:=0
   for {
      //遇到\n结束读取
      _, errR := buf.ReadString('\n')
      if errR == io.EOF {
         _ = file.Close()
         break
      }
      count++
   }
   fmt.Println(count)
   fmt.Println(time.Since(now))
}

2. 在限定的资源内，如何高效读取文件

单个节点读文件 vs ~~多个节点读文件~~
~~顺序读取多个文件~~ vs 并行读取多个文件
一个协程读一个文件 vs ~~多个协程分块读取一个文件~~
缓冲读文件 vs ~~内存映射文件~~
在比赛环境实测最优缓冲区大小（16mb）

3. 如何去重

串行 vs 并行

我们希望用户评论数据能够每个文件单独计算，再将多个文件的计算结果合并，得到最终结果。

布隆过滤器
Hash

Hash 算法选择：碰撞率 + 计算速度

xxHash是一种极快的Hash算法，以RAM速度限制进行处理。代码具有高度的可移植性，并在所有平台上生成相同的哈希（小端/大端）。

选择64位xxHash算法的Go实现（XXH64）

https://github.com/cespare/xxhash

input size	purego	asm
4 B	1052.65 MB/s	1278.48 MB/s
100 B	6816.82 MB/s	7881.09 MB/s
4 KB	11924.07 MB/s	17323.63 MB/s
10 MB	11205.21 MB/s	15484.85 MB/s

存储结构

HashMap
BitMap
RoaringBitMap

最终选择

结合实际的测试效果，最终选择的方案是：

通过 xxHash 计算评论特征值，并将结果存储到 HashMap 里

4. 如何利用云原生特性

但 2Core / 4GB 的总资源限制，基本打破了我们所有的幻想。。。

架构

实测数据

本地环境单消费者： 8s (8,147,371,410ns)

本地环境双消费者： 7s (7,404,084,150ns)

本地环境四消费者： 6s (6,538,006,176ns)

2.8GHz 四核 Intel Core i7 / 16G DDR3，MacBook Pro，Mid 2015

比赛环境单消费者：22s (22,061,293,165ns)

比赛环境双消费者： 31s (31,530,420,151ns)

比赛环境四消费者：46s (46,479,297,021ns)

2Core / 4GB K8s Container, NFS

核心代码

func hackathon(requestId string, teamId int) string {
    hashMap := make(map[string]Content)

    ch := make(chan []string, 1000)

    paths := strings.Split(filePaths, ",")
    go read(paths, ch)

    for content := range ch {
        commentHash := XXHash(content[2])
        // 判断用户是否存在
        if _, ok := hashMap[content[1]]; ok {
            user := hashMap[content[1]]
            commentMap := user.Comment
            date := user.CommentResult.CommentDate
            nonRepeatedCount := user.CommentResult.CommentNonRepeatedCount
            date = dateExists(date, user.CommentResult.CommentDate, content[0])
            // 判断评论是否存在
            if _, exist := commentMap[commentHash]; !exist {
                commentMap[commentHash] = struct{}{}
                nonRepeatedCount += 1
            }

            // 存在的话，评论次数+1
            hashMap[content[1]] = Content{
                Comment: commentMap,
                CommentResult: CommentResult{
                    CommentDate:             date,
                    CommentUser:             content[1],
                    CommentCount:            user.CommentResult.CommentCount + 1,
                    CommentNonRepeatedCount: nonRepeatedCount,
                },
            }
        } else {
            commentMap := make(map[uint64]struct{})
            commentMap[commentHash] = struct{}{}
            hashMap[content[1]] = Content{
                Comment: commentMap,
                CommentResult: CommentResult{
                    CommentDate:             content[0],
                    CommentUser:             content[1],
                    CommentCount:            1,
                    CommentNonRepeatedCount: 1,
                },
            }
        }
    }

    results := getResults(hashMap)
    sort.Sort(results)
    top10 := getTop10(results)

    re := Re{
        RequestId: requestId,
        TeamId:    teamId,
        Answer:    top10,
    }

    b, _ := json.Marshal(re)
    return string(b)
}

func read(filesPath []string, ch chan []string) {
    var wg sync.WaitGroup
    wg.Add(len(filesPath))
    for _, v := range filesPath {
        go func(filePath string) {
            f, _ := os.Open(filePath)

            //建立缓冲区，把文件内容放到缓冲区中
            buf := bufio.NewReaderSize(f, 16*1024*1024)

            for {
                //遇到\n结束读取
                b, errR := buf.ReadString('\n')
                if errR == io.EOF {
                    _ = f.Close()
                    wg.Done()
                    break
                }
                if strings.Index(b, "com.neusoft.oscoe.sample.data.Generator") == -1 {
                    continue
                }
                slice := strings.Split(b, "com.neusoft.oscoe.sample.data.Generator - ")
                ch <- strings.SplitN(slice[1], ",", 3)
            }
        }(v)
    }

    wg.Wait()
    close(ch)
}

One more thing...

不修改一行代码，仅为容器添加环境变量 GOMAXPROCS，并将其值设置为限制的 Core 数量：

  env:
    - name: GOMAXPROCS
      value: '2'

Round 1

22.574s => 13.489s

Round 2

双消费者：12s (12,263,480,867ns)

四消费者： 9s ( 9,679,350,378ns)

Round 3

之前实测表现不佳的其他方案，都有进一步缩短耗时的可能，感兴趣可以继续进行探索。

原因

GOMAXPROCS 在容器中引起调度性能损耗

golang 初始化 processor 数量是依赖 /proc/cpuinfo 信息的，容器内的 cpuinfo 是跟宿主机一致的，这样导致容器只能用到 2 个 cpu core，但 golang 初始化了跟物理 cpu core 相同数量的 processor。
当 processor 数量比容器实际使用的核心数量大后，上下文切换（cs）明显多起来，另外等待调度的线程也多了，runtime find runnable 时产生的损耗和线程引起的上下文切换造成的损耗，对程序性能影响巨大。
官方给出的答案是，这是当前版本的 Go 编译器还不能很智能地去发现和利用容器中多核的优势。虽然我们确实创建了多个 goroutine，并且从运行状态看这些 goroutine 也都在并行运行，但实际上所有这些 goroutine 都运行在同一个 CPU 核心上，在一个 goroutine 得到时间片执行的时候，其他 goroutine 都会处于等待状态。从这一点可以看出，虽然 goroutine 简化了我们写并行代码的过程，但实际上整体运行效率并不真正高于单线程程序。
虽然Go语言在容器中还不能很好的自动识别容器中多核心的数量，我们可以通过设置环境变量 GOMAXPROCS 的值来控制使用多少个 CPU 核心，达到多核心的性能发挥。

其他分享内容

Jenkins pipeline stash: Stash some files to be used later in the build

pipeline{
    stages {
    
        stage('go build') {
            agent { label 'go' }
            steps {
                ...
                stash( name: "libhandle", includes: "gotarget/*.*")
            }
        }
  
        stage('maven build & docker build & push') {
            agent { label 'maven' }
            steps {
                container ('maven-jdk11') {
                    script {
                        unstash "libhandle"
                    }
                    ...
                }
            }
        }
    }
}

Go pprof

为待测代码编写 Benchmark* 测试方法后，即可进行性能测试。

package main

import "testing"

func BenchmarkReceived(b *testing.B) {
    for i := 0; i < b.N; i++ {
        Received("123",  6, "/Users/alphahinex/Desktop/hackathon/test1,/Users/alphahinex/Desktop/hackathon/test2,/Users/alphahinex/Desktop/hackathon/test3")
    }
}

func TestReceived(t *testing.T) {
    Received("123",  6, "/Users/alphahinex/Desktop/hackathon/test1,/Users/alphahinex/Desktop/hackathon/test2,/Users/alphahinex/Desktop/hackathon/test3")
}

可通过 go test 输出执行性能测试，并输出对应类别二进制文件（如 cpu.prof、mem.prof），之后通过 pprof 工具可视化查看。

$ go test -bench=. -cpuprofile=cpu.prof \
-memprofile=mem.prof -blockprofile block.out \
-mutexprofile mutex.out -trace trace.out
# http://graphviz.org/download/
$ brew install graphviz
$ go tool pprof -http=:8080 cpu.prof

代码仓库

http://osscoe.neusoft.com:8000/hackathon/cloudnative/team6

黑客松云原生赛道初赛程序设计分享

题目