這篇文章聊一個話題：什么是分布式計算系統？

一、從一個新聞門戶網站案例引入

現在很多同學經常會看到一些名詞，比如分布式服務框架，分布式系統，分布式存儲系統，分布式消息系統。

但是有些經驗尚淺的同學，可能都很容易被這些名詞給搞暈。所以這篇文章就對“分布式計算系統”這個概念做一個科普類的分析。

如果你要理解啥是分布式計算，就必須先得理解啥是分布式存儲，現在我們從一個小例子來引入。

比如說現在你有一個網站，咱們假設是一個新聞門戶網站好了。每天是不是會有可能上千萬用戶會涌入進來看你的新聞？

好的，那么他們會怎么看新聞呢？

其實很簡單，首先他們會點擊一些板塊，比如“體育板塊”，“娛樂板塊”。

然后，點擊一些新聞標題，比如“20年來最刺激的一場比賽即將拉開帷幕”，接著還可能會發表一些評論，或者點擊對某個好的新聞進行收藏。

那么你的這些用戶干的這些事兒有一個專業的名詞，叫做“用戶行為”。

因為在你的網站或者APP上，用戶一定會進行各種操作，點擊各種按鈕，發表一些信息，這些都是各種行為，統稱為“用戶行為”。

好了，現在假如說新聞門戶網站的boss說想要做一個功能，在網站里每天做一個排行榜，統計出來每天每個版塊被點擊的次數，包括最熱門的一些新聞。

然后呢，在網站后臺系統里需要有一些報表，要讓他看到不同的編輯產出的文章的點擊量匯總，做一個編輯的績效排名，還有很多類似的事情。

這些事情叫什么呢？你可以認為是基于用戶行為數據進行分析和統計，產出各種各樣的數據統計分析報表和結果，供網站的用戶、管理人員來查看。

這也有一個專業的名詞，叫做“用戶行為分析”。

二、推算一下你需要分析多少條數據？

好，咱么繼續。如果你要對用戶行為進行分析，那你是不是首先需要收集這些用戶行為的數據？

比如說有個哥兒們現在點了一下“體育”板塊，你需要在網頁前端或者是APP上立馬發送一條日志到后臺，記錄清楚“id為117的用戶點擊了一下id位003的板塊”。

同樣，這個東西也有一個專業的名詞，叫做“用戶行為日志”。

那你可以來計算一下，這些用戶行為如果采用日志的方式收集，每天大概會產生多少條數據？

假設每天1000萬人訪問你的新聞網站，平均每個人做出30個點擊、評論以及收藏等行為，那么就是3億條用戶行為日志。

假設每條用戶行為日志的大小是100個字節，因為可能包含了很多很多的字段，比如他是在網頁點擊的，還是在手機APP上點擊的，手機APP是用的什么操作系統，android還是IOS，類似這樣的字段是很多的。

那么你就有每天大概28GB左右的數據，這里一共包含3億條。

假如對這3億條數據，你就自己寫個Java程序，從一個超大的28GB的大日志文件里，一條一條讀取日志來統計分析和計算，一直到把3億條數據都計算完畢，你覺得會花費多少時間？

不可想象，根據你的計算邏輯復雜度來說，搞不好要花費幾十個小時的時間。

所以你覺得這種大數據場景下的分析，這么玩兒靠譜么？不靠譜。

三、黃金搭檔：分布式存儲+分布式計算

所以這個時候，你就可以首先采用分布式存儲的方式，把那3億條數據分散存放在比如30臺機器上，每臺機器大概就放1000萬條數據，大概就1GB的數據量。

大家看看下面的圖：

接著你就可以上分布式計算了，你可以把統計分析數據的計算任務，拆分成30個計算任務，每個計算任務都分發到一臺機器上去運行。

也就是說，就專門針對機器本地的1GB數據，那1000萬條數據進行分析和計算。

這樣的好處就是可以依托30臺機器的資源并行的進行數據的統計和分析，這也就是所謂的分布式計算了。

每臺機器的計算結果出來之后，就可以進行綜合性的匯總，然后就可以拿到最終的一個分析結果，大家看下圖。

假設之前你的3億條數據都在一個30GB的大文件里，然后你一個Java程序一條一條慢慢讀慢慢計算，需要耗費30小時。

那么現在把計算任務并行到了30臺機器上去，就可以提升30倍的計算速度，是不是就只需要1小時就可以完成計算了？

所以這個就是所謂的分布式計算，他一般是針對超大數據集，也就是現在很流行的大數據進行計算的。

首先需要將超大數據集拆分成很多數據塊分散在多臺機器上，然后把計算任務分發到各個機器上去，利用多臺機器的CPU、內存等計算資源來進行計算。

這種分布式計算的方式，對于超大數據集的計算可以提升幾十倍甚至幾百倍的效率，其實這個理論和概念，也是大數據技術的基礎。

比如現在最流行的大數據技術棧里，Hadoop HDFS就是用做分布式存儲的，他可以把一個超大文件拆分為很多小的數據塊放在很多機器上。

而像Spark就是分布式計算系統，他可以把計算任務分發到各個機器上，對各個數據塊進行并行計算。

以上就是用大白話+畫圖，給小白同學們科普了一下分布式計算系統的相關知識，相信大家看了之后，對分布式計算系統，應該有一個初步的認識了。