DCOS应用案例-不同场景的应用上云迁移

摘要：极大地降低了平台的复杂度，更加方便企业开发人员实现各种业务应用，帮助企业轻松打造基于云计算的软件基础设施。本文将从实际案例出发，结合不同的使用场景，为各位介绍的这些特性。是未来数据中心操作系统的核心。

随着 Docker 技术的日渐火热，本就火爆的云计算行业进入了一个加速阶段。云计算最大的特点是弹性和灵活，帮助企业应对复杂的业务需求。由于云计算的IT构架和上一代的IT构架有很大不同，云原生应用（Cloud Native Application）概念应运而生。

云原生应用的优点体现在具有良好的可扩展性、伸缩性和容错性；不过想要享用云原生应用的种种良好特性并不是轻松的事，企业开发人员在开发业务应用的时候，还要考虑未来应用的可扩展性和容错性，不免增加了开发的复杂度。PaaS 的出现，正是要帮助开发人员降低云原生应用的开发复杂度，让开发人员还是专注于业务应用的开发，为开发人员屏蔽底层细节。

早器的 PaaS 平台过于复杂和笨重，没有得到广泛的应用，而基于 Docker 和 Mesos 打造的 DCOS 是下一代轻量级 PaaS 平台的典型代表。DCOS 极大地降低了 PaaS 平台的复杂度，更加方便企业开发人员实现各种业务应用，帮助企业轻松打造基于云计算的软件基础设施。

DCOS 主要带来以下几方面好处：

横向扩展，自动恢复

快速部署，高效迭代

混合部署，提高资源利用率

如果对 PaaS、DCOS 不太了解的人一一解释这些概念，不免有些晦涩。本文将从实际案例出发，结合不同的使用场景，为各位介绍 DCOS 的这些特性。

登陆爬虫

通过本案例说明，如何在DCOS上从头开始设计一个微服务架构的应用，在获得弹性扩展、高可用的特性下，如何进行服务发现

在线会议系统

通过本案例说明，如何改造原有的互联网应用上云，以及借助容器的快速部署特性，架构持续集成

文章分类与热词统计

通过本案例说明，如何在DCOS上实现大数据应用，以及借助 Mesos 实现混合部署，提高资源利用率

Mesos：Mesos是一个分布式资源管理器，支持在多种计算集群框架（frameworks）间共享服务器集群资源，提高了集群资源占用率的同事，避免了每种框架的资源冲突。为了满足复杂的资源调度方法，Mesos 通过资源提供（resource offer）实现了基于 DRF 算法的二层资源调度机制。Mesos是未来数据中心操作系统（DCOS）的核心。

Marathon：Marathon 是一个 Mesos 的框架，能够支持在集群环境中管理长运行服务，可以理解是分布式的 Init.d，它能够运行任何 Linux 二进制发布版本如 Nginx 等，并可以对应用的分布式多进程进行管理。

Chronos：Chronos 是一个具备容错特性的作业调度器， 也是一个 Mesos 的框架，支持使用 Mesos Slave 作为作业执行器，用于在分布式环境下替代 cron。

服务发现：服务发现是指，任何一个应用的实例能够以编程的方式获取当前环境的细节，而新的实例可以嵌入到现有的应用环境而不需要人工干预。简单地说，在一个集群环境下，随着应用实例的增减或迁移，服务发现保证该服务仍然可以通过服务访问地址被访问。

持续集成：持续集成（Continuous Integration）是一种实践，可以让团队在持续的基础上收到反馈并进行改进，不必等到开发周期后期才寻找和修复缺陷。通俗一点儿说，就是对于开发人员的代码提交，都自动地把代码库中的代码进行编译、测试、打包。

微服务：微服务是一种新兴的应用软件架构，它通过一组服务的方式来构建一个应用，服务独立部署在不同的进程中，不同服务通过一些轻量级交互机制来通信，例如 REST。每个服务可独立扩展伸缩，并且定义了明确的边界，不同的服务甚至可以采用不同的编程语言来实现，由独立的团队来维护。

数人云：数人云是国内第一款数据中心操作系统，基于Mesos管理容器生产环境，并集成了 Marathon、Chronos 等组件，对企业数据中心提供集群管理，容器管理，服务发现，持续集成等服务。

该系统是一套实时的登陆爬虫系统，用户输入待爬取网站的用户名和密码，系统会自动登陆账号，并爬取账号内页面数据，以报告的形式提供给用户。这套系统常用于金融征信，评级机构获得用户的登录信息，通过爬虫系统爬取该用户的信用相关信息，形成信用报告。

先了解一下微幅架构的几个主要的设计理念：

通过服务实现组件化。微服务使用服务的形式来实现各个功能组件模块，各个模块间的依赖通过服务的方式来组织，即一个模块通过远程过程调用来依赖另一个模块，每个模块是一个微服务。

企业按照业务功能来组织团队，每个团队负责一个微服务，可以做到“谁构建，谁运行”，这将极大降低运维复杂度，缩短上线周期。

微服务可以方便地做到离散化数据管理。每个微服务可以自行管理各自的数据，包括不同业务的数据、不同微服务的配置等等，更加切实匹配业务需求。

微服务构架使得持续集成和持续交付变得更加便捷。有了微服务，集成和交付的单元从大而全的整体应用变成了各个微服务，每个微服务都可以灵活地集成和交付。

这个系统在设计之初就考虑采用微服务架构，以便部署在 DCOS 环境，并享受 DCOS 所带来的各种特性。

该系统希望依照微服务架构原则进行设计，将功能模块组件化，每个模块实现一个独立的功能，可多带带部署，模块之间松散耦合。每个模块可根据业务负载灵活地增加或缩减可承载容量，同时每个模块由多个实例构成，避免整个系统由于单点故障而造成系统瘫痪。

系统的业务需求大致如下图所示。

在得到授权的情况下，用户输入所要爬取的网站的登陆用户名和密码，提交爬取任务；

模拟用户行为登陆，登陆过程中要判断用户名、密码的正确性，如果有验证码，需要让用户判断验证码图片并输入验证码信息；

成功登陆后，即开始爬取账户页面，根据报告要求，从页面中抽取出有效信息，形成报告；

由于数据是多实例并行爬取的，需要在爬取结束后进行数据整合；

异步获取结果；用户登陆成功后，会提供一个查询码，并提示一段时间后进行查询；待爬取结束并形成后，用户方可查询到数据报告；

根据这些需求，需要以下系统组成：

一个 web ui，与用户交互；

模拟登陆模块Loginer；

爬取模块 Fetcher；

信息抽取模块 Extractor；

信息整合模块 Combiner；

ETL 模块：用于清洗数据，形成最终报告；

系统设计如下图所示。

用户通过 Access portal 输入待爬网站的用户名和密码，有些网站还需要输入验证码；

Loginer 接收到用户信息后，开始模拟用户登陆；模拟登陆可以采用 Selenium 或 Http Client 两种，需要渲染页面时使用 Selenium，否则用 Http Client 就够了；

登陆成功后，Logginer 会将 cookie 和爬取任务一同写入消息队列，Fetecher 负责领取任务，进行页面爬取； 爬取过程中，Fetcher 需要携带 Cookie 访问网站页面；

Fetcher 将爬取的页面存入消息队列，由 Executor 负责从页面中抽取需要的元素信息，并将这些信息放入缓存系统；

Combiner 负责将缓存中的数据进行拼装，并判断爬取是否结束；若结束，将爬取结果存入数据库；

ETL 模块负责将爬取结果进行清洗和整理，形成最终的报告；

用户在等待一段时间后，可以查询爬取结果，下载报告。

其中，Fetcher、Extractor、Combiner 三个组件都需要了解本次抓取需要有多少 task，以及每个 task 的状态，以便判断本次任务是否结束。

由于整个系统的每一个处理环节都是多实例的，模块之间都不直接发生依赖关系，而是采用消息队列或者存储系统进行解耦。

注：为了防止被某些网站限制 IP，还需要在 Loginer 前面增加一个代理层，每次使用随机的代理服务器进行网站访问和登陆，这样就避免了被封的风险。

从上面的设计中可以看出，大部分服务之间都通过分布式消息队列或存储系统进行交互，这样做的好处使得服务之间实现了异步交互，降低了耦合性。但这种异步方式并不适应于任何场合，例如 Loginer 的设计就必须采用同步调用的方式，主要原因是：

用户在输入用户名、密码后，需要 Loginer 立刻进行模拟登陆以验证输入的正确性；

如果网站登陆页的验证码是在用户名、密码输入后才显示，则还需要将验证码图片返回给用户，由用户判别并输入验证码信息（有的验证码可通过打码服务直接获取验证码信息，但并这并不适用于所有验证码系统）后，再进行登陆操作；

Loginer 采用 Selenium 或 Http Client 进行模拟登陆，当网站登录页需要进行 JS 渲染的时候，就需要用到 Selenium；Selenium 通过浏览器 driver 打开浏览器，访问登录页，开始进行模拟操作；为了简化浏览器状态的维护，在设计时限定每个 Loginer 实例同时只能处理一个登录请求，直到本次登录完全结束，关闭浏览器，才可以处理下一个登录请求。可见，每个 Loginer 需要维持一个状态机。

正因如此，Loginer 需要部署较多的实例数；另外，由于浏览器 driver 不够稳定，时而出现调用无效的情况，Loginer 需要有重启机制；

数人云提供了一套完善的面向微服务架构的服务发现方案，如下图所示。

现有服务发现根据 marathon+zookeeper+bamboo＋haproxy 一起工作解决，具体说明如下：

应用动态变化导致 marathon 将状态信息写入 zookeeper（包括所在的主机 IP、端口等），然后把变化事件发给事件订阅用户， bamboo 作为订阅用户， marathon-leader 会将变化事件发送给 bamboo。

bamboo 拿到事件后，按照事件给定的应用标示去 zookeeper 中取对应的状态数据。

bamboo 拿到数据后按照预先设定的 haproxy 模版生成一个临时配置文件。

bamboo 将临时配置文件和现有 haproxy 配置文件进行对比。

bamboo 对比后，如果一致将直接结束任务。如果不一致，检查一下配置文件格式。

bamboo 如果配置文件格式异常，将结束任务。如果正常，将 reload haporxy 加载新配置文件。

将 Loginer 通过数人云发布，发布应用时指定应用地址，即在 haproxy 上配置一个访问端口，再有服务发现机制将请求转发到具体的应用实例，具体请见数人云用户手册。

如果某个 Loginer 实例在处理登陆任务时出现异常，只需要结束进程，该 Docker 容器会自动 stop；Marathon 监听到有应用容器停止，会重新启动一个新容器以保证服务容量。注意，新容器不一定运行在结束运行的旧容器所在的主机，可以是指定集群范围内的任何主机，而服务发现会帮助我们自动发现该容器并进行请求转发。

当然，在横向扩展时，增加 Loginer 的实例数，不仅可以做到快速地平滑扩展（业务不停），也会将新实例通过服务发现加入到转发列表中。

数人云还在 Haproxy 设置了会话保持，如果是基于 cookie 的会话，Haproxy 会将同一会话请求转发到同一容器。

至此，一套具备横向扩展能力，高可用的登陆爬虫系统就设计完了。

回头来看，整个系统就是一个数据处理的 pipeline，每个环节之间松散耦合，具备高可用，可以独自做到横向扩容或缩减，基本符合了微服务架构的特性。这样的架构也为持续集成创造了良好的基础，我们会在下一个案例介绍基于DCOS的持续集成。

注：数人云新版的服务发现功能已经修改了策略，不再需要用户选择将代理部在某几台主机上，而是由系统默认安装在集群除了 Master 之外的所有主机上，构成一个覆盖全计算资源的代理集群，确保服务发现的高可用；同时对 proxy 进行了优化，降低了运行带来的系统开销。

这是一个在线会议工具，用户可以通过微信登陆并接入系统，邀请好友开始远程会议。该应用架构复杂度中等，为典型的互联网应用。

该应用的技术架构如下图所示。

如图所示，其架构图中包括 Redis，Mysql，OSS，file-server 等存储节点，也包括 web-server，api-server，push server 等服务节点，还有前端的 nginx 反向代理等。

服务节点间存在相互依赖。

所有节点都部署在阿里云，部分存储服务使用了阿里云服务。

部署耗时：由于我们的服务较多，版本发布的时候，需要每个服务都多带带编译、打包、部署，一般要1到2个小时才能完成部署任务；迁移麻烦：如果需要部署新的机器，每个新机器还需要配置环境，很麻烦；扩展性差：现在的服务依赖都是单向直接依赖，没有做负载均衡，不能扩展。

经过对其业务流进行梳理，我们大致得到以下架构。

架构图中包括以下内容：

每个服务的端口使用；

服务间依赖关系；

服务是否有状态；

分别标注对外服务、对内服务及存储；

对应用大致做了以下改造：

服务节点 Docker 化；

服务节点无状态化，具备横向扩展能力；

抽离配置文件，解耦组件间依赖；

多实例化的服务之间进行服务发现。

上云步骤：

为每一个子项目编写 Dockerfile

安装私有 Docker Registry

部署应用

监控与测试

持续集成是一种软件开发实践，即团队开发成员经常集成它们的工作，通过每个成员每天至少集成一次，也就意味着每天可能会发生多次集成。每次集成都通过自动化的构建（包括编译，发布，自动化测试）来验证，从而尽早地发现集成错误。而Jenkins是一个自动构建服务，使用Java实现，有成百上千插件，使用他可以很方便实现持续集成。

搭建 Jenkins

对于 Jenkins 的安装和部署，这里不再累述。

值得一提的是，数人云集群使用 Apache Mesos 进行资源的统一调度，通过数人云可以快速搭建 Jenkins。把Jenkins运行到 Mesos 上，或者说利用 Mesos 向 Jenkins 提供 slave 资源，一方面通过分布式特性加快构建过程，另一方面也提高了资源利用率。通过配置 Jenkins-on-Mesos 插件，Jenkins Master 可以在作业构建时根据实际需要动态的向 Mesos 申请 slave 节点，并在构建完成的一段时间后将节点归还给 Mesos。

具体教程请见 快速搭建 Jenkins 持续集成环境加速产品迭代。

代码库创建工程

需要内部的代码库或者公共代码库为每一个组件创建一个项目。本案使用了 Github 作为代码库，Jenkins 已原生支持 Github。这里要注意的是，需要保证 Jenkins 有权限 pull/push 上面我们所创建的 git repo。另外，工程要包含 Dockerfile，以便在构建过程中生成 Docker 镜像。

镜像构建任务

在 Jenkins 里创建构建任务, 任务从 git repo 拉取代码，指定 release 的 tag，使用 repo 里的Dockerfile，构建 Docker 镜像，并推送镜像到 Registry 里。

根据不同的系统架构，可以将构建任务拆成不同的粒度。最简单的，一个任务构建所有的子项目。如果项目比较复杂的情况下，每次构建时间会比较长，造成不必要的资源浪费，那么可以将构建任务拆分到颗粒度更小的子项目。

构建触发设置，可以为每次 push 后进行构建。但一般情况下，每个子项目也是有多人协作的，而且并不是每一次代码提交都需要进行构建，因此构建触发策略设为 Tag push 触发，及每当增加 tag 时，触发构建任务。

镜像发布任务

在 Jenkins 里新建任务, 在这个任务里，通过调用数人云 Rest API 获取认证token, 发布应用到 Mesos 集群。

可以设置发布任务的自动触发，比如当一个构建任务完成后触发，或者每天晚上2点触发，要根据不同的环境需要来进行选择。

发布脚本中，通过调用数人云 Rest API 获取认证 token, 以应用的形式发布到数人云平台。这里用curl命令发布应用。也可以用 python、shell 等脚本调用 API 发布应用，我们也推荐这样做，可以更好的检查调用API的返回。

以上，实现了整套系统上云以及构建持续集成的过程。下一步便是构建从开发、集成到生产的完整运维体系。一般情况下，针对一个互联网产品，开发环境由开发进行构建和发布，可以设置为 push 触发或者前面提到的 tag push 触发；集成环境由 QA 进行构建和发布，QA 定期发布并进行集成测试，发现问题后再回退到之前版本；生产环境往往通过手动方式触发发布，在发布前需要做好客户通知、应急处理等各项准备。

值得注意的是，将多份环境进行统一发布管理，还需要配备配置服务器用于管理不同环境的配置信息，而这是另一个话题了。

重要提示：数人云新版已发布了持续集成服务，上述通过 Jenkins 部署和配置持续集成过程仍显得比较繁重，那么通过数人云管理界面，通过简单的操作就可以实现自动构建的全过程，具体请参见数人云用户手册。

这是DCOS上的大数据项目。项目来源自一个互联网媒体客户，需求是将积累的媒体文章进行分类，并找出能代表一篇文章的关键词作为文章标签，用于进行文章的分类或热词统计等数据分析，文章数量近5万余篇，且在不断增加。

项目选用 Apache Spark 作为计算框架，并通过 Spark MLlib 提供的 LDA 算法对文章进行聚类，得到“文章-主题”和“主题-关键词”矩阵，并以主题词作为文章标签，对文章进行归类。

Apache Spark 作为一个分布式大数据计算框架，与 Apache Mesos 完美结合。Mesos 作为 Spark 集群的资源调度器，可以将 Mesos 集群的资源以粗、细两种粒度分配给 Spark；在 Spark 完成计算任务后，Mesos 可以将资源回收，供其他服务使用。

从上图看出，项目一共包括数据预处理、模型训练、预测训练集三个离线计算任务，和一个提供预测、添加文章、热词查询等功能的服务模块。

Spark 计算任务需要大量计算资源，主要工作时间在凌晨时间，这些资源在白天是闲置的。该系统还需要 Nginx、MySQL 等服务组件，如果能将它们混补在同一组服务器上，则可以降低成本，提高资源利用率。

本案通过数人云管理 Mesos 集群，通过 Marathon 管理长运行的服务型应用，通过 Chronos 管理离线计算任务，同时在集群中部署了 HDFS 分布式文件系统以及私有 Docker Registry。

其中，MySQL 用于存放每天的新文章数据，以及预测后的结果数据集；Nginx 用于对外提供服务。每天晚上2点运行 Spark 计算任务，更新模型并对训练集数据重新预测。

Spark 采用 Mesos 作为资源调度器时，由 Mesos 统一调度计算资源，因此，Spark 集群无需部署，Mesos 集群即为 Spark 集群。

制作 Spark base 镜像，这部分不再累述，请参见使用数人云运行 Spark，或者也可以使用数人云开放的 Spark base 镜像：index.shurenyun.com/spark:1.5.0-hadoop2.6.0。

本案存储层选用了 HDFS。Spark 连接 HDFS 时拥有数据位置识别能力，并会从集群内距离最近的节点处读取数据，从而最大程度降低数据在网络中的传输需求。为了充分发挥 Spark 的数据位置识别能力，大家应当让 Spark 计算任务与 HDFS 节点共同部署在一个集群中。

数人云提供为主机打标签的服务。如果 HDFS 只部署在集群的部分主机上，可以为这部分主机打上标签，在部署 Spark 计算任务的时候，可以限定在该标签范围内执行。具体请参见数人云用户手册。

将 Spark 计算任务通过 Chronos 发布到集群中，Chronos 是一个具备容错特性的作业调度器，支持使用 Mesos 作为作业执行器，用来在分布式环境下替代 cron。

制作任务镜像

因为代码和配置文件变动相对频繁，因此基于 Spark base 镜像制作一个包含二进制包和配置文件的任务镜像。

Spark 项目的目录如下：

├── README.md
├── build.sbt
├── conf
├── project
├── src
└── target

其中，conf 中包含了 Spark 的配置文件：spark-env.sh，spark-defaults.conf。

任务镜像的 Dockerfile 如下：

FROM index.shurenyun.com/spark:1.5.0-hadoop2.6.0

ADD target/scala-2.10/spark_lda.jar .
ADD conf .

CMD ./run.sh

Spark 程序通过 SBT 编译，二进制包生成在 target/scala-2.10/spark_lda.jar。

根据调试或部署的需要，将 Spark 的配置目录导入并替换原文件，便于配置更新。

运行脚本run.sh是具体的 spark-submit 指令：

bin/spark-submit --class com.dataman.omega.service.Boot /opt/dist/spark/spark_lda.jar

将三个离线计算任务分别制作成镜像，然后将制作好的镜像上传到到镜像仓库。

发布任务

Chronos 是一个具备容错特性的作业调度器，支持使用 Mesos 作为作业执行器，用来在分布式环境下替代 cron。数人云已经集成 Chronos，并对外开放了发布定时任务的 REST API。为三个离线计算任务分别创建 Chronos 任务，名为preprocessJob,trainJob,predictJob。一个具体的定时任务发布指令如下：

curl -X POST https://api.shurenyun.com/api/v3/clusters/88/jobs 
      -H Content-Type: application/json 
      -H Accept: application/json 
      -H Authorization: 6d8c5051f09242408f966f762cc9b674 -d "{
        "name": "preprocessJob",
        "imageURI": "index.shurenyun.com/Spark_preprocess",
        "imageversion": "v1",
        "cpu": 4,
        "mem": 8192,
        "owner": "yma@dataman-inc.com",
        "ownerName": "yma",
        "schedule": "R/2016-03-15T02:00:00.000Z/P1D",
        "command": "",
        "parents": [
          ""
        ],
        "volumes": [
        ],
        "constraints":[["Tags", "LIKE", "HDFS"]]
      }"
 

有几个注意的地方：

schedule：R/2016-03-15T02:00:00.000Z表示任务定为晚上2点开始执行，P1D表示每隔一天执行一次；

parents：该任务执行的先决条件，不能和 schedule 字段同时使用；由于 preprocessJob 是第一个执行任务，因此设置 了 schedule，后面的任务比如 trainJob，则要设置 parents 为preprocessJob；

command：原生 Chronos API 不允许该字段为空，数人云已经修补了该 bug。

具体的 API 说明请参见数人云 API 文档。

Nginx，MySQL 这类长运行服务，通过 Marathon 发布。数人云已集成 Marathon，并提供了简洁的 UI，具体方法请参见数人云手册。

由于服务访问大部分发生在白天，而 Spark 计算只在晚上进行，因此完全可以把以上任务和服务都混合部署在同一集群内，提高了整体资源利用率。

Mesos 具有处理各种异构任务负载的特性，因而使得在同一个平台上管理大数据应用和 Web 应用成为可能。数人云集成了平台监控工具，可以方便地监控集群、主机、应用三个层面的资源使用情况以及各种应用状态，简化了运维工作。

注：HDFS 也可以通过 Mesos 部署，如果有的小伙伴觉得部署原生 HDFS 很麻烦的话，可以参考将 HDFS 搬上数人云：轻松实现集群的扩展收缩。

本文针对不用的应用场景，提供了基于数人云 DCOS 的应用上云方案，并分别说明了 DCOS 的特性；其实，只要处理得当，每一个场景都是可以受用 DCOS 的多种特性的。

由于应用的多样性和复杂性，应用上云并不止以上内容，更多内容请咨询数人云。