从程序员到架构师：大数据量、缓存、高并发、微服务、多团队协同等核心场景实战

序
前言

第1部分 数据持久化层场景实战
第1章 冷热分离/
1.1 业务场景：几千万数据量的工单表如何快速优化/
1.2 数据库分区，从学习到放弃/
1.3 冷热分离简介/
1.3.1 什么是冷热分离/
1.3.2 什么情况下使用冷热分离/
1.4 冷热分离一期实现思路：冷热数据都用MySQL/
1.4.1 如何判断一个数据到底是冷数据还是热数据/
1.4.2 如何触发冷热数据分离/
1.4.3 如何分离冷热数据/
1.4.4 如何使用冷热数据/
1.4.5 历史数据如何迁移/
1.4.6 整体方案/
1.5 冷热分离二期实现思路：冷数据存放到HBase/
1.5.1 冷热分离一期解决方案的不足/
1.5.2 归档工单的使用场景/
1.5.3 HBase原理介绍/
1.5.4 HBase的表结构设计/
1.5.5 二期的代码改造/
1.6 小结/
第2章 查询分离/
2.1 业务场景：千万工单表如何实现快速查询/
2.2 查询分离简介/
2.2.1 何为查询分离/
2.2.2 何种场景下使用查询分离/
2.3 查询分离实现思路/
2.3.1 如何触发查询分离/
2.3.2 如何实现查询分离/
2.3.3 查询数据如何存储/
2.3.4 查询数据如何使用/
2.3.5 历史数据迁移/
2.3.6 MQ Elasticsearch的整体方案/
2.4 Elasticsearch注意事项/
2.4.1 如何使用Elasticsearch设计表结构/
2.4.2 Elasticsearch的存储结构/
2.4.3 Elasticsearch如何修改表结构/
2.4.4 陷阱一：Elasticsearch是准实时的吗/
2.4.5 陷阱二：Elasticsearch宕机恢复后，数据丢失/
2.4.6 陷阱三：分页越深，查询效率越低/
2.5 小结/
第3章 分表分库/
3.1 业务场景：亿级订单数据如何实现快速读写/
3.2 拆分存储的技术选型/
3.2.1 MySQL的分区技术/
3.2.2 NoSQL/
3.2.3 NewSQL/
3.2.4 基于MySQL的分表分库/
3.3 分表分库实现思路/
3.3.1 使用什么字段作为分片主键/
3.3.2 分片的策略是什么/
3.3.3 业务代码如何修改/
3.3.4 历史数据如何迁移/
3.3.5 未来的扩容方案是什么/
3.4 小结/

第2部分 缓存层场景实战
第4章 读缓存/
4.1 业务场景：如何将十几秒的查询请求优化成毫秒级/
4.2 缓存中间件技术选型(Memcached,MongoDB,Redis)/
4.3 缓存何时存储数据/
4.4 如何更新缓存/
4.4.1 组合1：先更新缓存，再更新数据库/
4.4.2 组合2：先删除缓存，再更新数据库/
4.4.3 组合3：先更新数据库，再更新缓存/
4.4.4 组合4：先更新数据库，再删除缓存/
4.4.5 组合5：先删除缓存，更新数据库，再删除缓存/
4.5 缓存的高可用设计/
4.6 缓存的监控/
4.7 小结/
第5章 写缓存/
5.1 业务场景：如何以小代价解决短期高频写请求/
5.2 写缓存/
5.3 实现思路/
5.3.1 写请求与批量落库这两个操作同步还是异步/
5.3.2 如何触发批量落库/
5.3.3 缓存数据存储在哪里/
5.3.4 缓存层并发操作需要注意什么/
5.3.5 批量落库失败了怎么办/
5.3.6 Redis的高可用配置/
5.4 小结/
第6章 数据收集/
6.1 业务背景：日亿万级请求日志收集如何不影响主业务/
6.2 技术选型思路/
6.2.1 使用什么技术保存埋点数据的现场/
6.2.2 使用什么技术收集日志数据到持久化层/
6.2.3 为什么使用Kafka/
6.2.4 使用什么技术把Kafka的数据迁移到持久化层/
6.3 整体方案/
6.4 小结/
第7章 秒杀架构/
7.1 业务场景：设计秒杀架构必知必会的那些事/
7.2 整体思路/
7.2.1 浏览页面如何将请求拦截在上游/
7.2.2 下单页面如何将请求拦截在上游/
7.2.3 付款页面如何将请求拦截在上游/
7.2.4 整体服务器架构/
7.3 小结/

第3部分 基于常见组件的微服务场景实战
第8章 注册发现/
8.1 业务场景：如何对几十个后台服务进行高效管理/
8.2 传统架构会出现的问题/
8.2.1 配置烦琐，上线容易出错/
8.2.2 加机器要重启/
8.2.3 负载均衡单点/
8.2.4 管理困难/
8.3 新架构要点/
8.3.1 中心存储服务使用什么技术/
8.3.2 使用哪个分布式协调服务/
8.3.3 基于ZooKeeper需要实现哪些功能/
8.4 ZooKeeper宕机了怎么办/
8.5 小结/
第9章 全链路日志/
9.1 业务场景：这个请求到底经历了什么/
9.2 技术选型/
9.2.1 日志数据结构支持OpenTracing/
9.2.2 支持Elasticsearch作为存储系统/
9.2.3 保证日志的收集对性能无影响/
9.2.4 查询统计功能的丰富程度/
9.2.5 使用案例/
9.2.6 终选择/
9.3 注意事项/
9.3.1 SkyWalking的数据收集机制/
9.3.2 如果SkyWalking服务端宕机了，会出现什么情况/
9.3.3 流量较大时，如何控制日志的数据量/
9.3.4 日志的保存时间/
9.3.5 集群配置：如何确保高可用/
9.4 小结/
第10章 熔断/
10.1 业务场景：如何预防一个服务故障影响整个系统/
10.1.1 个问题：请求慢/
10.1.2 第二个问题：流量洪峰缓存超时/
10.2 覆盖场景/
10.3 Sentinel 和Hystrix/
10.4 Hystrix的设计思路/
10.4.1 线程隔离机制/
10.4.2 熔断机制/
10.4.3 滚动（滑动）时间窗口/
10.4.4 Hystrix调用接口的请求处理流程/
10.5 注意事项/
10.5.1 数据一致性/
10.5.2 超时降级/
10.5.3 用户体验