最近Twitter開發了一款分布式實時統計系統Rainbird。

用處

Rainbird可以用于實時數據的統計：

1 統計網站中每一個頁面，域名的點擊次數

2 內部系統的運行監控（統計被監控服務器的運行狀態）

3 記錄最大值和最小值

性能要求

作為大型網站的分布式應用，需要具備以下性能： ?

1 極高的寫入性能，可以達到100,000的WPS

2 非常高的讀取性能，可以達到10,000s的RPS

3 高度的可擴展性，包括讀取和存儲等等，能夠擴展到100+ TB的量級

4 讀取速度響應間隔短，絕大多數的讀取速度應該不超過100ms

系統組件

Rainbird一款基于Zookeeper, Cassandra, Scribe, Thrift的分布式實時統計系統，這些基礎組件的基本功能如下：

1 Zookeeper，Hadoop子項目中的一款分布式協調系統，用于控制分布式系統中各個組件中的一致性。

2 Cassandra，NoSQL中一款非常出色的產品，集合了Dynamo和Bigtable特性的分布式存儲系統，用于存儲需要進行統計的數據，統計數據，并且提供客戶端進行統計數據的查詢。（需要使用分布式Counter補丁CASSANDRA-1072）

3 Scribe，Facebook開源的一款分布式日志收集系統，用于在系統中將各個需要統計的數據源收集到Cassandra中。

4 Thrift，Facebook開源的一款跨語言C/S網絡通信框架，開發人員基于這個框架可以輕易地開發C/S應用。

整體設計

Rainbird的設計架構圖如下：

整個Rainbird系統中各個組件之間的協調和容災處理由ZooKeeper負責，Cassandra負責整個數據的存儲和統計。

Front End中部署了Scribe，收集需要統計的數據，然后將收集到數據實時地發生到Rainbird Aggregator中。

Rainbird Aggregator將緩存收集的數據（1M），并將緩存的數據進行一次預處理，然后再將數據一次性批量寫入到Cassandra中。這里預處理的作用類似于MapReduce框架中的combiner的作用，在Maper端做Reduce。

Rainbird Query接受用戶的查詢請求，直接到Cassandra中查詢已經統計好的數據返回給客戶端。

頁面URL統計示例

將設我們需要統計網站的頁面點擊的情況，那么如何使用Rainbird來進行統計呢？

在統計的過程中，本博客中一篇文章的URL為： http://www.cnblogs.com/gpcuster/tag/Cassandra/

我們可以將這個URL分拆為以下四個部分

com

cnblogs

www

http://www.cnblogs.com/gpcuster/tag/Cassandra/

然后以分拆后的這四個部分組合為以下Key：

com,cnblogs,www,http://www.cnblogs.com/gpcuster/tag/Cassandra/

com,cnblogs,www

com,cnblogs

com

最后將這些Key的數據寫入Cassandra中。這樣就完成了整個統計的過程。

如果需要查詢頁面http://www.cnblogs.com/gpcuster/tag/Cassandra/被訪問了多少次，只要在Cassandra中查詢Key為com,cnblogs,www,http://www.cnblogs.com/gpcuster/tag/Cassandra/的值即可。

如果需要查詢頁面http://www.cnblogs.com被訪問了多少次，只要在Cassandra中查詢Key為com,cnblogs,www的值即可。

如果要查詢頁面http://*cnblogs.com被訪問了多少次，也可以進行類似的查詢即可。

?

更多參考

如果希望了解更詳細的信息，可以參考：http://www.slideshare.net/kevinweil/rainbird-realtime-analytics-at-twitter-strata-2011

另外，想了解更多關于Cassandra的信息，可以參考：http://www.cnblogs.com/gpcuster/tag/Cassandra/

想了解更多關于ZooKeeper的信息，可以參考：http://www.cnblogs.com/gpcuster/tag/ZooKeeper/