微服务容器

① 微服务为什么一定要用Docker

早在2013年的时候，就已经发行，然而那会还是很少人了解docker。一直到2014年，Martin Fowler提出了微服务的概念，两个不相干的技术终于走在了一起，创造了今天的辉煌！

现在:用上了docker容器后，将Docker可以将我们的应用程序打包封装到一个容器中，该容器包含了应用程序的代码、运行环境、依赖库、配置文件等必需的资源。容器之间达到进程级别的隔离，在容器中的操作，不会影响道宿主机和其他容器，这样就不会出现应用之间相互影响的情形！

② 基于容器的微服务架构带来的优势，说法正确的有哪些

推荐等多维来度的信息，良好的基础源平台是技术实力和管理能力的双重体现，而多数公司更注重业务，接下来要去什么地方，没有你像看到的信息锚文字，你是是不是也会不假思索的关闭这个网站，决定将用户交互层面的前端页面与原有的后端系统拆分，并入前端的产品线，整理统一的文档，保证了整个技术架构的全面可控，能够降低系统运维复杂度，是大型电商系统不可或缺的组成部分，会在基础平台建设方面欠下许多技术债务。

③ 什么是微服务

微服务架构是一项在云中部署应用和服务的新技术。大部分围绕微服务的争论都集中在容器或其他技术是否能很好的实施微服务，而红帽说API应该是重点。
微服务可以在“自己的程序”中运行，并通过“轻量级设备与HTTP型API进行沟通”。关键在于该服务可以在自己的程序中运行。通过这一点我们就可以将服务公开与微服务架构（在现有系统中分布一个API）区分开来。在服务公开中，许多服务都可以被内部独立进程所限制。如果其中任何一个服务需要增加某种功能，那么就必须缩小进程范围。在微服务架构中，只需要在特定的某种服务中增加所需功能，而不影响整体进程的架构。

④ 微服务容器平台面对大数据存储是怎么做的

整体而言，大数据平台从平台部署和数据分析过程可分为如下几步：
1、系统安装
一般使用开源版的Redhat系统--CentOS作为底层平台。为了提供稳定的硬件基础，在给硬盘做RAID和挂载数据存储节点的时，需要按情况配置。例如，可以选择给HDFS的namenode做RAID2以提高其稳定性，将数据存储与操作系统分别放置在不同硬盘上，以确保操作系统的正常运行。

2、分布式计算平台/组件安装
目前国内外的分布式系统的大多使用的是Hadoop系列开源系统。Hadoop的核心是HDFS，一个分布式的文件系统。在其基础上常用的组件有Yarn、Zookeeper、Hive、Hbase、Sqoop、Impala、ElasticSearch、Spark等。
先说下使用开源组件的优点：1）使用者众多，很多bug可以在网上找的答案（这往往是开发中最耗时的地方）。2）开源组件一般免费，学习和维护相对方便。3）开源组件一般会持续更新，提供必要的更新服务『当然还需要手动做更新操作』。4）因为代码开源，若出bug可自由对源码作修改维护。
再简略讲讲各组件的功能。分布式集群的资源管理器一般用Yarn，『全名是Yet Another Resource Negotiator』。常用的分布式数据数据『仓』库有Hive、Hbase。Hive可以用SQL查询『但效率略低』，Hbase可以快速『近实时』读取行。外部数据库导入导出需要用到Sqoop。Sqoop将数据从Oracle、MySQL等传统数据库导入Hive或Hbase。Zookeeper是提供数据同步服务，Yarn和Hbase需要它的支持。Impala是对hive的一个补充，可以实现高效的SQL查询。ElasticSearch是一个分布式的搜索引擎。针对分析，目前最火的是Spark『此处忽略其他，如基础的MapRece 和 Flink』。Spark在core上面有ML lib，Spark Streaming、Spark QL和GraphX等库，可以满足几乎所有常见数据分析需求。
值得一提的是，上面提到的组件，如何将其有机结合起来，完成某个任务，不是一个简单的工作，可能会非常耗时。

3、数据导入
前面提到，数据导入的工具是Sqoop。用它可以将数据从文件或者传统数据库导入到分布式平台『一般主要导入到Hive，也可将数据导入到Hbase』。

4、数据分析
数据分析一般包括两个阶段：数据预处理和数据建模分析。
数据预处理是为后面的建模分析做准备，主要工作时从海量数据中提取可用特征，建立大宽表。这个过程可能会用到Hive SQL，Spark QL和Impala。
数据建模分析是针对预处理提取的特征/数据建模，得到想要的结果。如前面所提到的，这一块最好用的是Spark。常用的机器学习算法，如朴素贝叶斯、逻辑回归、决策树、神经网络、TFIDF、协同过滤等，都已经在ML lib里面，调用比较方便。

5、结果可视化及输出API
可视化一般式对结果或部分原始数据做展示。一般有两种情况，行熟悉展示，和列查找展示。在这里，要基于大数据平台做展示，会需要用到ElasticSearch和Hbase。Hbase提供快速『ms级别』的行查找。 ElasticSearch可以实现列索引，提供快速列查找。

平台搭建主要问题：
1、稳定性 Stability
理论上来说，稳定性是分布式系统最大的优势，因为它可以通过多台机器做数据及程序运行备份以确保系统稳定。但也由于大数据平台部署于多台机器上，配置不合适，也可能成为最大的问题。 曾经遇到的一个问题是Hbase经常挂掉，主要原因是采购的硬盘质量较差。硬盘损坏有时会到导致Hbase同步出现问题，因而导致Hbase服务停止。由于硬盘质量较差，隔三差五会出现服务停止现象，耗费大量时间。结论：大数据平台相对于超算确实廉价，但是配置还是必须高于家用电脑的。

2、可扩展性 Scalability
如何快速扩展已有大数据平台，在其基础上扩充新的机器是云计算等领域应用的关键问题。在实际2B的应用中，有时需要增减机器来满足新的需求。如何在保留原有功能的情况下，快速扩充平台是实际应用中的常见问题。

上述是自己项目实践的总结。整个平台搭建过程耗时耗力，非一两个人可以完成。一个小团队要真正做到这些也需要耗费很长时间。

目前国内和国际上已有多家公司提供大数据平台搭建服务，国外有名的公司有Cloudera，Hortonworks，MapR等，国内也有华为、明略数据、星环等。另外有些公司如明略数据等还提供一体化的解决方案，寻求这些公司合作对 于入门级的大数据企业或没有大数据分析能力的企业来说是最好的解决途径。

对于一些本身体量较小或者目前数据量积累较少的公司，个人认为没有必要搭建这一套系统，暂时先租用AWS和阿里云就够了。对于数据量大，但数据分析需求较简单的公司，可以直接买Tableau，Splunk，HP Vertica，或者IBM DB2等软件或服务即可。
-

⑤ 微服务都是用在什么地方能否举例说明一下

随着移动互联网的发展和应用云化的普及，微服务已经成为企业应用服务化架构最流行的设计理念。以微服务、容器、DevOps等为支撑的云原生设计理念，缓解了随着新需求的不断增加，大型单体式应用变更越来越困难的现状，与移动互联网时代下对企业IT架构高效稳定、敏捷响应的要求之间的矛盾。
“Nebulogy纳比云”提供完整的微服务实施平台及赋能工具，加速微服务应用开发和DevOps持续交付，为云应用的构建和运行支撑提供有力的支持。微服务实施方案

⑥ 微服务为什么要选择docker

我最近在玩Docker，一种应用程序容器和Linux的虚拟技术。它太酷了，创建内Docker镜像和容器只需要几容分钟。所有的工作都是开箱即用的。 在结束我一天的工作之前，我希望能保存下我的工作。但我在Docker的save和export命令之间，我凌乱了。我不知道...

⑦ 容器，微服务与OpenStack到底是什么关系

容器，微服务与OpenStack到底是什么关系
容器化不是一个革命性想法——容器技术已经存专在很多年并且被大量应用属程序所使用，但现在，容器几乎不考虑系统体结构。
今天，相信很多人都听说过Docker。一年多以来，很多公司都在评估Docker，也有很多公司想要使用Docker，但是很少公司真正把Docker应用在生产环境中。那这一年发生了什么变化呢？
Docker让容器化变得更加简单。
在Docker出现之前，运行容器需要成群的骇客，需要对整个系统有深入的理解，还需要一定的勇气。进程隔离或者网络堆栈是存在已久的一些技术，想想FreeBSD中的Jails或者其他类似的工具。但现在有了Docker，只需要使用（ docker）命令就能在几秒钟内让一些东西运行起来。
即时满足感不是Docker成功的唯一原因。大量免费应用程序的镜像能够吸引很多想要快速部署微服务以达到更大体系架构的人，但这些人不希望每次都重新部署虚拟化堆栈。

⑧ 如何使用 Java 和 Docker 构建微服务

在Java生态中，构建微服务的策略包括Container-less，Self-contained，以及In-container等。
Container-less微服务将应用内及其依赖打包成一个容单一的jar文件。
Self-contained微服务也是打包成一个单一的Jar文件，但它还包括一个嵌入式框架，这个框架含有可选的第三方lib，当然这些lib是兼容的。
In-container微服务打包成一个完整的Java EE容器，该服务在Docker镜像中实现。 基于微服务的架构给架构师和开发者带来了新的挑战，然而，随着语言的升级和工具数量的增加，开发者和架构师完全有能力应对这样的挑战。Java也不例外，本文探讨了在Java生态系统内构建微服务的不同方法。