如果需要对成千上万的网络抓包数据文件，在规定的时间内进行解析，应该怎么做？
场景
- 有大量的文件
- 每个文件的处理需要花 大量的CPU时间，对IO的负载不大。
- 要在规定的时间内完成处理
思路
- 单机无法达成目标，需要使用集群
- 设计一个批量计算的调度系统
设计
- 因为该场景是重计算轻IO的，所以可以将所有的文件集中到某一个文件系统中，比如HDFS或者FTP。
- 元数据的管理，放在关系型数据库上，具体的来讲，就是放在MySQL中。因为MySQL技术相对成熟，使用的人多，能够支撑。
- 在每个计算节点，部署守护程序。每个守护程序都是独立的。守护程序通过抢占式的调度方式，来启动任务。
架构如下图所示：
实现
数据库设计
主要分3部分：
-
文件相关的表: 使用2个表来描述
bc_file_list：文件清单 bc_fs_list：文件对应的文件系统的详情 -
任务相关的表：使用3个表来描述
bc_task_list: 任务清单 bc_task_filein:输入 bc_task_fileout:输出 -
计算节点相关的表：使用1个表来描述
bc_launcher_list：有那些机器，每台机器指配给了哪个任务
守护程序设计
主要分为3个独立的程序
- launcher：负责与数据库交互 ，获取需要处理的文件信息（注意并发），监控节点健康状态
- executor：负责与文件系统交互，启动具体的任务，监控任务执行状态
- task: 具体的任务程序，比如一个网络数据的解析程序
分为3个独立程序的原因：
- 保证launcher的精简和健壮，不会任务任务的失败导致整个节点的调度挂掉
- 保证对task的监控，如果某一task失败，也需要报告其状态，达到对任务的完整跟踪。
应用
规模
1 台MySQL服务器
1 个文件系统
12 个计算节点
45350 个文件
负载
文件系统的网络带宽
MySQL的负载
结论
- 设计的系统满足了应用的要求
- 作为task的解析文件，在这个过程中经过了多次的变更，每次变更都需要重新解析整个文件。该系统可以很好的满足要求。