据半年前的数据统计，用户在 Medium 上阅读时间的总和已经达到 2600年，每月有2500万阅读者，每周有数万篇新文章发布

技术团队

团队负责人曾就职于Google，负责过 Google+、Gmail 等项目，团队成员是一帮 聪明、好奇心强、思路独特的工程师

团队以任务来驱动，不以功能模块划分，大家都有机会接触到架构中的各个技术，工程师们都很喜欢去做不同的东西，这让他们掌握了更多的技能

工作方式上，团队设定季度目标，鼓励大家小步迭代，工程师可以灵活的安排自己的工作

初期技术体系

网站部署在 Amazon 弹性云计算平台 EC2，使用Node.js 开发，数据库采用 Amazon 的DynamoDB

一个单独服务器负责图片处理，结合了强大的图片处理库 GraphicsMagick 

还有一台服务器用作后台任务队列处理

Amazon 的云存储 S3 存放静态资源，CDN服务使用 CloudFront

Nginx 做为反向代理服务器

监控和告警使用 Datadog + PagerDuty

前端使用 Closure Library（js库，在google的很多产品中使用普遍），Closure Compiler（可以让js更快的下载和运行），Handlebars.js 模板库

现在的技术体系

运营环境

部署在Amazon的虚拟私有云，系统管理工具使用Ansible

Nginx + HAProxy 作为反向代理和负载均衡

监控和告警依旧使用 Datadog + PagerDuty

通过 ELK (Elasticsearch, Logstash, Kibana) 管理日志，帮助定位产品问题

采用面向服务的架构，目前运行着数十个service

主要的服务还是使用Node.js来开发，可以方便的在server和client间共享代码，Node.js 工作得很好，但在某些时候会出现事件阻塞，导致性能问题，为解决问题，在每台服务器上运行了多个实例，分担任务的处理工作，还对V8运行环境进行分析，看哪些任务占用时间长，然后进行优化，逐渐的解决了性能问题

有一些辅助服务是用Go写的，Go非常容易编译打包和部署，提高了一致性

数据库

DynamoDB 还是主要的数据库，但由于用户的剧增，引发了热键性能问题，便在DynamoDB前面增加了 Redis cluster

也使用了 Amazon Aurora，他可以提供比DynamoDB更灵活的查询和过滤

使用图形数据库 Neo4j 存储实体间的关系，1主2从结构，图形结构中有两个重点：节点、边

节点包括：人、文章、标签等，边是动态创建，在用户执行某些操作（例如关注、推荐）时建立

有了丰富的图形数据后，可以遍历图形，做一些分析操作，例如文章的过滤和推荐等

数据平台

数据的增加突出了数据分析框架的重要，可以辅助商务和产品的决策

使用 Amazon Redshift 作为数据仓库，他提供了可扩展的数据存储和数据处理能力

有了仓库，就需要把大量的重要数据导入进去，例如用户和文章数据、文章浏览等日志信息

对于数据的操作，技术团队自己开发了一个job系统，进行任务管理、数据依赖、监控等，使用了基于断言的模式，每个任务的执行都必须是他依赖的任务已经正确完成，并分离数据生产者和消费者

Apache Spark 的使用也越来越多，他有很好的灵活性，可以很好的支持系统的增长和扩展

Protocol Buffers是一种数据描述语言，类似于XML，能够将结构化数据序列化，可用于数据存储、通信协议等方面

使用Protocol Buffers来保持整个分布式系统中各个层面schema的同步，例如移动应用、web service、数据仓库，schema中包含了很多细节的配置，例如表名、索引、字符串最大长度验证等

编译 测试 部署

采用持续集成、持续交付的方式，通过 Jenkins管理整个流程

初期使用 Make 进行系统编译，后来迁移到了Pants

测试包括单元测试和http层面的功能测试，所有commit在merge前必须经过测试，由于测试的工作量很大，使用了 ClusterRunner 来提高测试效率，他能够以并行的方式执行测试集，让测试过程更快更高效

修改的代码会被尽快部署到临时环境，测试通过后，就等待部署到正式环境

正式环境的部署采用蓝绿部署策略，先部署到金丝雀实例，然后经过一个测试和监控的过程，没有问题后再部署到全部实例，有问题的话就执行回退，采用内部DNS切换的方式进行回退