怎么就敢用NodeJS写千万级别的服务后端
前言：NodeJS真的是玩具吗？真有人敢用这个玩具来写后端服务，它能支撑成一个千万级别的用户量级吗？怎么就带着我的团队稀里糊涂把这事而且做成。这篇文章将分享这次项目的并发实践经验。
一、项目背景
老板说：公司要搞战略NPS，需要一套问卷系统。要能配置问卷和回收答案就行，后端木有资源，给个机会前端搞全栈哈，先简单搞哈，早期没啥量，不用慌哈，看好你们哟。
写个问卷系统，将它分成两个部分就行。
- 问卷配置管理端：不就是一个内部系统，公司内部人用，有啥量的，问题不大。（不在本文内容讨论范围）
- 问卷服务：要给用户访问的呀，要做高并发呀。早期不是没啥量嘛，先用NodeJS写，等并发起来后，如果搞不定再让后端接锅呗，再说业务能不能起来都很难说，（反正人和代码有一个能跑就行）
难得有一个机会可以搞全栈而且还要一定的用户体量，虽然很慌，但是，还是很有干劲的呀
二、系统架构
有一个搞全栈的机会，虽然很慌，但是，还是很有干劲的呀，消化老板的大饼，是时候要开干了。
设计一个架构图，再找有经验的后端大佬们过一下。
上图黄色部分是配置问卷的管理的模块，右边绿色部分问卷对外的服务模块，在整个架构全局来看，需要支持并发的其实只有两个模块：
- GET 问卷页面渲染模块
- POST 答案上报模块
三、应对之策
按照问卷回收经验来说，大概，10个问卷页面浏览 > 才会有1答案上报 处理并发要命的是页面读接口，其次是答案上报的写接口。并发处理开干了。
3.1 页面渲染并发处理
渲染运营配置的问卷页面，并发量是整个toC流量最大的，最具有挑战难度的。 接下来通过拆解整个接口的过程，然后使用多级缓存策略和改进的CSR来解决并发难题。
3.1.1 渲染流程
渲染前，需要获取到数据库运营配置问卷的题目相关的信息
- pageData，每个问卷配置的内容不一样，运营啥时候修改问卷也不知道，需要在数据库拉去配置对应问卷ID的配置给到前端来渲染页面；（页面级别的数据，变更不可控）
- render是一个JS渲染库，所有问卷都是一样，只要不发布版就不会更新，放到CDN来扛并发即可。（应用级别的数据，变更可控）
3.1.2 页面数据缓存策略
pageData是页面数据，虽然要实时来取，但是可以做适当的缓存策略。拉去pageData读接口采用了多级缓存，流程如下：
- 首次通过远程调用取读取内部管理的问卷配置数据；
- 渲染页面完成，写入内存缓存和Redis缓存；
- 下次渲染，先按照内存 > redies缓存读取，没有再重复首次访问逻辑。
通过设置多级缓存，减少mysql的并发压力和页面加速
3.1.3 渲染模式
为了向并发妥协，没有使用服务器端渲染。
我们选择了CSR。
但是，为了页面性能更好，我们改进CSR模式，把本来要读pageData接口和html框架页面放到服务器端合并起来。
/**
* html拼接方法
* @param pageData，问卷题目配置数据
* @param resouceInfo，前端资源版本控制，由服务端控制做长缓存更新使用
*/
function render(pageData，resouceInfo){
const html = `
${pageData.title || '问卷'}
`
return html
}改进的CSR模式，在不增加服务器负载的情况下，减少了数据读取过程，将getPageData接口和html合二为一。页面在浏览器渲染，不用在请求后端接口获取pageData，首屏渲染速度更快！！！
3.2 上报接口并发处理
问卷答案上报接口，虽然量只有上面渲染接口的1/10，但是它是个写接口，从外网流量写入是内部系统服务的（恐慌.jpg）。
借助kafka解耦后，并发请求带来可以向后借时间，这就解决写入的瓶颈和系统负载。
- 通过调节kafka消息消费的速度，让内部管理的也可以应对ToC的问卷答案上报流量的写入操作。
- 解决系统负载，原本三个串行任务的耗时重计算任务放在并发处理中，改到只留数据补齐和校验任务，另位两个放到消费数据再执行，达到向后借时间目的。
四、达到效果
总算开发完成了， 老板说：给你们找到了一个业务来用，他们后天要投X千万用户，要走PUSH渠道，你们接一下。
啊！啊！啊！这？不是说早期没啥量吗？咋一上来就x千万用户呢？还是走PUSH渠道。
最后线上效果如下：
注：部署了4台8G16核的容器主机。
五、总结
这次项目用到redis、kafka、mysql完成由云平台提供，就是买买买就行，随着各种数据库和中间件上云交付，前端写后端已经完全可行。而且像小程序云这种成熟的FASS云设施普及，把后端代码也可以写到前端里去写也越来越多，前端人，已经不再是切图仔了。
关注我，带你看点不一样的