百萬級訪問量

❶ 如何對百萬級的數據進行數據分析

1.可視化分析
大數據分析的使用者有大數據分析專家，同時還有普通用戶，但是他們二者對於大數據分析最基本的要求就是可視化分析，因為可視化分析能夠直觀的呈現大數據特點，同時能夠非常容易被讀者所接受，就如同看圖說話一樣簡單明了。
2. 數據挖掘演算法

大數據分析的理論核心就是數據挖掘演算法，各種數據挖掘的演算法基於不同的數據類型和格式才能更加科學的呈現出數據本身具備的特點，也正是因為這些被全世界統
計
學家所公認的各種統計方法（可以稱之為真理）才能深入數據內部，挖掘出公認的價值。另外一個方面也是因為有這些數據挖掘的演算法才能更快速的處理大數據，如
果一個演算法得花上好幾年才能得出結論，那大數據的價值也就無從說起了。
3. 預測性分析
大數據分析最終要的應用領域之一就是預測性分析，從大數據中挖掘出特點，通過科學的建立模型，之後便可以通過模型帶入新的數據，從而預測未來的數據。
4. 語義引擎
非結構化數據的多元化給數據分析帶來新的挑戰，我們需要一套工具系統的去分析，提煉數據。語義引擎需要設計到有足夠的人工智慧以足以從數據中主動地提取信息。
5.數據質量和數據管理。 大數據分析離不開數據質量和數據管理，高質量的數據和有效的數據管理，無論是在學術研究還是在商業應用領域，都能夠保證分析結果的真實和有價值。
大數據分析的基礎就是以上五個方面，當然更加深入大數據分析的話，還有很多很多更加有特點的、更加深入的、更加專業的大數據分析方法。

大數據的技術
數據採集： ETL工具負責將分布的、異構數據源中的數據如關系數據、平面數據文件等抽取到臨時中間層後進行清洗、轉換、集成，最後載入到數據倉庫或數據集市中，成為聯機分析處理、數據挖掘的基礎。
數據存取： 關系資料庫、NOsql、SQL等。
基礎架構： 雲存儲、分布式文件存儲等。
數
據處理： 自然語言處理(NLP，Natural Language
Processing)是研究人與計算機交互的語言問題的一門學科。處理自然語言的關鍵是要讓計算機」理解」自然語言，所以自然語言處理又叫做自然語言理
解也稱為計算語言學。一方面它是語言信息處理的一個分支，另一方面它是人工智慧的核心課題之一。
統計分析：
假設檢驗、顯著性檢驗、差異分析、相關分析、T檢驗、 方差分析 、
卡方分析、偏相關分析、距離分析、回歸分析、簡單回歸分析、多元回歸分析、逐步回歸、回歸預測與殘差分析、嶺回歸、logistic回歸分析、曲線估計、
因子分析、聚類分析、主成分分析、因子分析、快速聚類法與聚類法、判別分析、對應分析、多元對應分析（最優尺度分析）、bootstrap技術等等。
數
據挖掘： 分類
（Classification）、估計（Estimation）、預測（Prediction）、相關性分組或關聯規則（Affinity
grouping or association rules）、聚類（Clustering）、描述和可視化、Description and
Visualization）、復雜數據類型挖掘(Text, Web ,圖形圖像，視頻，音頻等)
模型預測 ：預測模型、機器學習、建模模擬。
結果呈現： 雲計算、標簽雲、關系圖等。

大數據的處理
1. 大數據處理之一：採集
大
數據的採集是指利用多個資料庫來接收發自客戶端（Web、App或者感測器形式等）的
數據，並且用戶可以通過這些資料庫來進行簡單的查詢和處理工作。比如，電商會使用傳統的關系型資料庫MySQL和Oracle等來存儲每一筆事務數據，除
此之外，Redis和MongoDB這樣的NoSQL資料庫也常用於數據的採集。
在大數據的採集過程中，其主要特點和挑戰是並發數高，因為同時
有可能會有成千上萬的用戶
來進行訪問和操作，比如火車票售票網站和淘寶，它們並發的訪問量在峰值時達到上百萬，所以需要在採集端部署大量資料庫才能支撐。並且如何在這些資料庫之間
進行負載均衡和分片的確是需要深入的思考和設計。
2. 大數據處理之二：導入/預處理
雖然採集端本身會有很多資料庫，但是如果要對這些
海量數據進行有效的分析，還是應該將這
些來自前端的數據導入到一個集中的大型分布式資料庫，或者分布式存儲集群，並且可以在導入基礎上做一些簡單的清洗和預處理工作。也有一些用戶會在導入時使
用來自Twitter的Storm來對數據進行流式計算，來滿足部分業務的實時計算需求。
導入與預處理過程的特點和挑戰主要是導入的數據量大，每秒鍾的導入量經常會達到百兆，甚至千兆級別。
3. 大數據處理之三：統計/分析
統
計與分析主要利用分布式資料庫，或者分布式計算集群來對存儲於其內的海量數據進行普通
的分析和分類匯總等，以滿足大多數常見的分析需求，在這方面，一些實時性需求會用到EMC的GreenPlum、Oracle的Exadata，以及基於
MySQL的列式存儲Infobright等，而一些批處理，或者基於半結構化數據的需求可以使用Hadoop。
統計與分析這部分的主要特點和挑戰是分析涉及的數據量大，其對系統資源，特別是I/O會有極大的佔用。
4. 大數據處理之四：挖掘
與
前面統計和分析過程不同的是，數據挖掘一般沒有什麼預先設定好的主題，主要是在現有數
據上面進行基於各種演算法的計算，從而起到預測（Predict）的效果，從而實現一些高級別數據分析的需求。比較典型演算法有用於聚類的Kmeans、用於

統計學習的SVM和用於分類的NaiveBayes，主要使用的工具有Hadoop的Mahout等。該過程的特點和挑戰主要是用於挖掘的演算法很復雜，並
且計算涉及的數據量和計算量都很大，常用數據挖掘演算法都以單線程為主。

整個大數據處理的普遍流程至少應該滿足這四個方面的步驟，才能算得上是一個比較完整的大數據處理。

❷ 一個用戶量在十萬、百萬和千萬級別的 SNS 網站，硬體方面的運營成本分別為多少

如果按照一個SNS網站從零到大的這么一個過程來講的話，隨著訪問量的上升，按照我的經驗，硬體容易出現瓶頸和順序如下：
1.先是IO的瓶頸，當動態請求增加，IO的瓶頸是最先出現的。這個問題可以通過讀寫分離，加cache來解決。或者直接升級硬體，或者通過負載均衡，在水平層面上增加機器。
2.然後是資料庫的瓶頸，這個時候就要靠業務層表的拆分啊，或者mysql這樣的分發復制機制，達到多台資料庫server同時提供讀的服務的要求，來跨越這個瓶頸，當然也可以通過增加cache和升級資料庫server的方法。
3.然後是存儲空間的問題，內容增加，包括圖片等靜態文件和數據。這需要增加存儲容量或者存儲伺服器，可以用上各種分布式文件系統，有錢的話可以直接上cache。
4.到達這個層面，就是機櫃空間的問題了，你的伺服器多了，機櫃可能裝不下，到了這時，你應該不差錢了，IDC的建設也應該提上日程。

還有對所有大公司來說，cdn，網路帶寬和中國特色的雙網互聯的情況也是很大的一筆投入，像阿里為了聯通和電信的雙網聯通，投了很多錢做一條專線。

同樣技術水平也是很重要的一點，如果有能力做優化，硬體的成本就能降下來，舉個例子，人人網的邵軍輝在volocity上的分享我聽過，他們用c++重寫了整個web層，原來用40台java server扛住的流量用6台C++ server就解決了。

總體上的硬體運維上的問題就是這些，不包括一些故障，2A備份還有網路帶寬的成本的問題，希望能滿足你的提問。

❸ 什麼是網站架構

網站架構，一般認為是根據客戶需求分析的結果，准確定位網站目標群體，設定網站整體架構，規劃、設計網站欄目及其內容，制定網站開發流程及順序，以最大限度地進行高效資源分配與管理的設計。其內容有程序架構，呈現架構，和信息架構三種表現。而步驟主要分為硬架構和軟架構兩步程序。網路架構是現代網路學習和發展的一個必須的基礎技術。
中文名
網站架構
一般認為
根據客戶需求分析的結果
制定
網站開發流程及順序
內容
程序架構，呈現架構
快速
導航
軟架構八個方案
硬架構
機房的選擇
在選擇機房的時候，根據網站用戶的地域分布，可以選擇網通或電信機房，但更多時候，可能雙線機房才是合適的。越大的城市，機房價格越貴，從成本的角度看可以在一些中小城市託管伺服器，比如說北京的公司可以考慮把伺服器託管在天津，廊坊等地，不是特別遠，但是價格會便宜很多。
帶寬的大小
通常老闆花錢請我們架構網站的時候，會給我們提出一些目標，諸如網站每天要能承受100萬PV的訪問量等等。這時我們要預算一下大概需要多大的帶寬，計算帶寬大小主要涉及兩個指標（峰值流量和頁面大小），我們不妨在計算前先做出必要的假設：
第一：假設峰值流量是平均流量的5倍。
第二：假設每次訪問平均的頁面大小是100K位元組左右。
如果100萬PV的訪問量在一天內平均分布的話，摺合到每秒大約12次訪問，如果按平均每次訪問頁面的大小是100K位元組左右計算的話，這12次訪問總計大約就是1200K位元組，位元組的單位是Byte，而帶寬的單位是bit，它們之間的關系是1Byte = 8bit，所以1200K Byte大致就相當於9600K bit，也就是9Mbps的樣子，實際情況中，我們的網站必須能在峰值流量時保持正常訪問，所以按照假設的峰值流量算，真實帶寬的需求應該在45Mbps 左右。
當然，這個結論是建立在前面提到的兩點假設的基礎上，如果你的實際情況和這兩點假設有出入，那麼結果也會有差別。
伺服器的劃分
先看我們都需要哪些伺服器：圖片伺服器，頁面伺服器，資料庫伺服器，應用伺服器，日誌伺服器等等。
對於訪問量大點的網站而言，分離單獨的圖片伺服器和頁面伺服器相當必要，我們可以用lighttpd來跑圖片伺服器，用apache來跑頁面伺服器，當然也可以選擇別的，甚至，我們可以擴展成很多台圖片伺服器和很多台頁面伺服器，並設置相關域名，如img.domain和 www.domain，頁面里的圖片路徑都使用絕對路徑，如<img src="http://img.domain/abc.gif" />，然後設置DNS輪循，達到最初級的負載均衡。當然，伺服器多了就不可避免的涉及一個同步的問題，這個可以使用rsync軟體來搞定。
資料庫伺服器是重中之重，因為網站的瓶頸問題十有八九是出在資料庫身上。一般的中小網站多使用MySQL資料庫，不過它的集群功能似乎還沒有達到stable的階段，所以這里不做評價。一般而言，使用MySQL資料庫的時候，我們應該搞一個主從（一主多從）結構，主資料庫伺服器使用innodb表結構，從數據伺服器使用myisam表結構，充分發揮它們各自的優勢，而且這樣的主從結構分離了讀寫操作，降低了讀操作的壓力，甚至我們還可以設定一個專門的從伺服器做備份伺服器，方便備份。不然如果你只有一台主伺服器，在大數據量的情況下，mysqlmp基本就沒戲了，直接拷貝數據文件的話，還得先停止資料庫服務再拷貝，否則備份文件會出錯。但對於很多網站而言，即使資料庫服務僅停止了一秒也是不可接受的。如果你有了一台從資料庫伺服器，在備份數據的時候，可以先停止服務（slave stop）再備份，再啟動服務（slave start）後從伺服器會自動從主伺服器同步數據，一切都沒有影響。但是主從結構也是有致命缺點的，那就是主從結構只是降低了讀操作的壓力，卻不能降低寫操作的壓力。
為了適應更大的規模，可能只剩下最後這招了：橫向/縱向分割資料庫。所謂橫向分割資料庫，就是把不同的表保存到不同的資料庫伺服器上，比如說 用戶表保存在A資料庫伺服器上，文章表保存在B資料庫伺服器上，當然這樣的分割是有代價的，最基本的就是你沒法進行LEFT JOIN之類的操作了。所謂縱向分割資料庫，一般是指按照用戶標識（user_id）等來劃分數據存儲的伺服器，比如說：我們有5台資料庫伺服器，那麼 「user_id % 5 + 1」等於1的就保存到1號伺服器，等於2的就保存到2號伺服器，以此類推，縱向分隔的原則有很多種，可以視情況選擇。不過和橫向分割資料庫一樣，縱向分割資料庫也是有代價的，最基本的就是我們在進行如COUNT, SUM等匯總操作的時候會麻煩很多。綜上所述，資料庫伺服器的解決方案一般視情況往往是一個混合的方案，以其發揮各種方案的優勢，有時候還需要藉助memcached之類的第三方軟體，以便適應更大訪問量的要求。
如果有專門的應用伺服器來跑php腳本是最合適不過的了，那樣我們的頁面伺服器只保存靜態頁面就可以了，可以給應用伺服器設置一些諸如app.domain之類的域名來和頁面伺服器加以區別。對於應用伺服器，我還是更傾向於使用prefork模式的apache，配上必要的xcache之類的PHP緩存軟體，載入模塊要越少越好，除了mod_rewrite等必要的模塊，不必要的東西統統舍棄，盡量減少httpd進程的內存消耗，而那些圖片伺服器，頁面伺服器等靜態內容就可以使用lighttpd或者tux來搞，充分發揮各種伺服器的特點。
如果條件允許，獨立的日誌伺服器也是必要的，一般小網站的做法都是把頁面伺服器和日誌伺服器合二為一了，在凌晨訪問量不大的時候cron運行前一天的日誌計算，不過如果你使用awstats之類的日誌分析軟體，對於百萬級訪問量而言，即使按天歸檔，也會消耗很多時間和伺服器資源去計算，所以分離單獨的日誌伺服器還是有好處的，這樣不會影響正式伺服器的工作狀態。
軟架構
框架的選擇
PHP框架有很多選擇，比如：CakePHP，Symfony，Zend Framework等等，至於應該使用哪一個並沒有唯一的答案，要根據Team里團隊成員對各個框架的了解程度而定。很多時候，即使沒有使用框架，一樣能 寫出好的程序來，比如Flickr據說就是用Pear+Smarty這樣的類庫寫出來的，所以，是否用框架，用什麼框架，一般不是最重要的，重要的是我們 的編程思想里要有框架的意識。
邏輯的分層

❹ linux課程以及Linux主要學習哪些內容

對於Linux的學習，可以分為四個階段，Linux初級入門階段→Linux中級進階→Linux高級進階→Linux資深方向細化階段
第一階段：初級階段
初級階段需要把linux學習路線搞清楚，任何學習都是循序漸進的，所以學linux也是需要有一定的路線。
1. Linux基礎知識、基本命令；
2. Linux用戶及許可權基礎；
3. Linux系統進程管理進階；
4. linux高效文本、文件處理命令；
5. shell腳本入門
第二階段:中級進階
中級進階需要在充分了解linux原理和基礎知識之後，對上層的應用和服務進行深入學習，其中說到服務肯定涉及到網路的相關知識，是需要花時間學習的。
1. TCP/IP網路基礎；
2. Linux企業常用服務；
3. Linux企業級安全原理和防範技巧；
4. 加密/解密原理及數據安全、系統服務訪問控制及服務安全基礎；
5. iptables安全策略構建；
6. shell腳本進階；
7. MySQL應用原理及管理入門
第三階段：Linux高級進階
1. http服務代理緩存加速；
2. 企業級負載集群；
3. 企業級高可用集群；
4. 運維監控zabbix詳解；
5. 運維自動化學習；
第四階段：Linux資深方向細化
1. 大數據方向；
2. 雲計算方向；
3. 運維開發；
4. 自動化運維；
5. 運維架構師

❺ 承受每天百萬級訪問量的網站需要多少台伺服器

伺服器的構成與微機基本相似，有處理器、硬碟、內存、系統匯流排等，它們是針對具體的網路應用特別制定的，因而伺服器與微機在處理能力、穩定性、可靠性、安全性、可擴展性、可管理性等方面存在差異很大。

一台獨立伺服器同時承受4到5萬訪客在線,差不多還能保證不影響速度,算下來20到30台伺服器,就是一個小機房。

❻ 承受每天百萬級訪問量的網站需要多少台伺服器

一台獨立伺服器同時承受4到5萬訪客在線,差不多還能保證不影響速度,算下來20到30台伺服器,就是一個小機房

❼ 搭建一個日點擊量百萬以上的 電子商務網站，它的硬體設備投資大概會是多少

百萬級訪問量網站的技術准備工作
當今從純網站技術上來說，因為開源模式的發展，現在建一個小網站已經很簡單也很便宜，所以很多人都把創業方向定位在互聯網應用。這些人里大多數不是很懂技術，或者不是那麼精通，而網站開發維護方面的知識又很分散，學習成本太高，所以這篇文章將這些知識點結合起來，系統的來說，一個從日幾千訪問的小小網站，到日訪問一兩百萬的小網站，中間可能會產生什麼問題，以及怎麼才能在一開始做足工作盡量避免這些問題。

你的網站因為努力經營，訪問量逐漸升高，在升高的過程中，問題也可能開始顯現了。因為帶寬的增加、硬體的擴展、人員的擴張所帶來的成本提高是顯而易見的，而還有相當大的一部分成本是因為代碼重構、架構重構，甚至底層開發語言更換引起的，最壞的情況就是數據丟失，所有努力付之一炬。這類成本支出大多數在一開始就可以避免，先打好基礎，往後可以省很多精力，少操很多心。

對於不同的初期投資成本，技術路線的選擇是不同的。這里假設網站剛剛只是一個構想，計劃第一年伺服器硬體帶寬投入5萬左右。對於這個資金額度，有很多種方案可選擇，例如租用虛擬主機、租用單獨伺服器，或者流行的私有雲，或者託管伺服器。前兩種選擇，網站發展到一定規模時需遷移，那時再重做規劃顯然影響更大。伺服器託管因為配置自主、能完全掌握控制權，所以有一定規模的網站基本都是這種模式。採用自己託管伺服器的網站，一開始要注意以下幾點——

一、開發語言
一般來說，技術人員（程序員）都是根據自己技術背景選擇自己最熟悉的語言，不過不可能永遠是一個人寫程序，所以在語言的選擇上還要是要費些心思。首先明確一點，無論用什麼語言，最終代碼質量是看管理，因此我們從前期開發成本分析。現在國內流行的適用於網站的語言，大概有java、php、.net、 python、ruby這五大陣營。python和ruby因為在國內流行的比較晚，現在人員還是相對難招一些。.net平台的人相對多，但是到後期需要解決性能問題時，對人員技能的要求比較高。剩餘的java、php用人可以說是最多的。java和php無法從語言層面做比較，但對於初期，應用幾乎都是靠前端支撐的網站來說，php入門簡單、編寫快速，優勢相對大一點。至於後端例如行為分析、銀行介面、非同步消息處理等，等真正需要時，就要根據不同業務需求來選擇不同語言了。

二、代碼版本管理
稍微有點規模的網站就需要使用代碼版本管理了。代碼版本管理兩點最大的好處，一是方便協同工作，二是有歷史記錄可查詢比較。代碼版本管理軟體有很多，vss/cvs/svn/hg等，目前國內都比較流行，其中svn的普及度還是很高的。

假設選了svn，那麼有幾點考慮。一是採用什麼樹結構。初期可能只有一條主幹，往後就需要建立分支，例如一條開發分支，一條上線分支，再往後，可能要每個小組一個分支。建議一開始人少時選擇兩條分支，開發和線上，每個功能本地測試無誤後提交到開發分支，最後統一測試，可以上線時合並到上線分支。如果每人都建自己的分支，合並時會浪費很大精力，對於幾乎每天都要修改幾次的WEB應用來說，所費時間太多。

向伺服器部署代碼，可以手工部署也可以自動部署。手工部署相對簡單，一般可直接在伺服器上svn update，或者找個新目錄svn checkout，再把web root給ln -s過去。應用越復雜，部署越復雜，沒有什麼統一標准，只是別再用ftp上傳那種形式，一是上傳時文件引用不一致錯誤率增加，二是很容易出現開發人員的版本跟線上版本不一致，導致本來想改個錯字結果變成回滾。如果有多台伺服器還是建議自動部署，更換代碼的機器從當前服務池中臨時撤出，更新完畢後再重新加入。

三、伺服器硬體
在各個機房裡，靠一台伺服器孤獨支撐的網站數不清，但如果資金稍微充足，建議至少三台的標准配置，分別用作web處理、資料庫、備份。web伺服器至少要8G內存，雙sata raid1，如果經濟稍微寬松，或靜態文件或圖片多，則15k sas raid10。資料庫至少16G內存，15k sas raid 10。備份伺服器最好跟資料庫伺服器同等配置。硬體可以上整套品牌，也可以兼容機，也可以半品牌半組裝，取決於經濟能力。當然，這是典型的搭配，有些類型應用的性能瓶頸首先出現在web上，那種情況就要單獨分析了。

web伺服器可以既跑程序又當內存緩存，資料庫伺服器則只跑主資料庫（假如是MySQL的話），備份伺服器所承擔就相對多一些，web配置、緩存配置、資料庫配置都要跟前兩台一致，這樣WEB和資料庫任意一台出問題，很容易就可以將備份伺服器切換過去臨時頂替，直到解決完問題。要注意，硬體是隨時可能壞掉的，特別是硬碟，所以寧可WEB伺服器跟資料庫伺服器放在一起，也一定不能省掉備份，備份一定要異機，並且有非同步，電力故障、誤操作都可能導致一台機器上的所有數據丟失。很多的開源備份方案可選擇，最簡單的就是rsync，寫crontab里，定時同步。備份和切換，建議多做測試，選最安全最適合業務的，並且盡可能異地備份。

四、機房
三種機房盡量不要選：聯通訪問特別慢的電信機房、電信訪問特別慢的聯通機房、電信聯通訪問特別慢的移動或鐵通機房。機房要盡可能多的實地參觀，多測試，找個網路質量好，管理嚴格的機房。機房可以說是非常重要，直接關繫到網站訪問速度，網站訪問速度直接關繫到用戶體驗，訪問速度很慢的網站，很難獲得用戶青睞。

五、架構
在大方向上，被熟知的架構是web負載均衡+資料庫主從+緩存+分布式存儲+隊列。在一開始，按照可擴展的原則設計和編程就可以。只是要多考慮緩存失效時的雪崩效應、主從同步的數據一致性和時間差、隊列的穩定性和失敗後的重試策略、文件存儲的效率和備份方式等等意外情況。緩存失效、資料庫復制中斷、隊列寫入錯誤、電源損壞，在實際運維中經常發生，如果不注意這些，出現問題時恢復期可能會超出預期很長時間。

六、伺服器軟體
操作系統Linux很流行。在沒有專業運維人員的情況下，應傾向於擇使用的人多、社區活躍、配置方便、升級方便的發行版，例如RH系列、 debian、ubuntu server等，硬體和操作系統要一起選擇，看是否有適合的驅動，如果確定用某種商業軟體或解決方案，也要提前知曉其對哪種操作系統支持最佳。web伺服器方面，apache、nginx、lighttpd三大系列中，apache佔有量還是最大，但是想把性能調教好還是需要很專業的，nginx和 lighttpd在不需要太多調整的情況下可以達到一個比較不錯的性能。無論選擇什麼軟體，除非改過這些軟體或你的程序真的不兼容新版本，否則盡量版本越新越好，版本新，意味著新特性增多、BUG減少、性能增加。一個典型的php網站，基本上大多數人都沒改過任何伺服器軟體源代碼，絕大多數情況是能平穩的升級到新版本的。類似於jdk5到 jdk6，python2到python3這類變動比較大的升級還是比較少見的。看看ChangeLog，看看升級說明，結合自己情況評估測試一下，越早升級越好，升級的越晚，所花費的成本越高。對於軟體包，盡量使用發行版內置的包管理工具，沒有特殊要求時不建議自己編譯，那樣對將來運維不利。

七、資料庫
幾乎所有操作最後都要落到資料庫身上，它又最難擴展（存儲也挺難）。資料庫常見的擴展方法有復制、分片，設計時要考慮到每種應用的數據如何復制、分片，當然這種考慮一般會推遲到技術設計時期。在初期進行資料庫結構設計時，要根據不同的業務類型和增長量預期來考慮是否要分庫、分區，並且盡量不要使用聯合查詢、不使用自增ID以方便分片。復制延時問題、主從資料庫數據一致性問題，可以自己寫或者用已有的運維工具進行檢測。

用存儲過程是比較難擴展的，這種情形多發生於傳統C/S，特別是OA系統轉換過來的開發人員。低成本網站不是一兩台小型機跑一個資料庫處理所有業務的模式，是機海作戰。方便水平擴展比那點預分析時間和網路傳輸流量要重要的多的多。

另外，現在流行一種概念叫NoSQL，可以理解為非傳統關系型資料庫。實際應用中，網站有著越來越多的密集寫操作、上億的簡單關系數據讀取、熱備等，這都不是傳統關系資料庫所擅長的，於是就產生了很多非關系型資料庫，比如Redis/TC&TT/MongoDB/Memcachedb等，在測試中，這些幾乎都達到了每秒至少一萬次的寫操作，內存型的甚至5萬以上。在設計時，可根據業務特點和性能要求來選擇是否使用這類資料庫。例如 MongoDB，幾句配置就可以組建一個復制+自動分片+failover的環境，文檔化的存儲也簡化了傳統設計庫結構再開發的模式。但是當你決定採用一項技術時，一定要真正了解其優劣，例如可能你所選擇的技術並不能支持你所需要的事務和數據一致性要求。

八、文件存儲
存儲的分布幾乎跟資料庫擴展一樣困難，不過只有百萬的PV的情況下，磁碟IO方面一般不會成大問題，一兩台採用SATA做條帶RAID的機器可以應付，反而是自己做非同步備份比較復雜，因為小文件多。如果只有一台機器做存儲，可以做簡單的優化，例如放最小縮略圖的分區和放中等縮略圖的分區，根據平均大小調整一下塊大小。存儲要規劃好目錄結構，否則文件增多後維護起來復雜，也不利於擴展。同時還要考慮將來擴容，例如採用LVM，或者把文件根據不同規則散列到不同機器。磁碟IO繁重的情況下更容易出現故障，所以要做好備份，若發現有盤壞掉，要馬上行動更換，很多人的硬碟都是壞了一塊之後，接二連三的壞下去。

為了將來圖片走cdn做准備，一開始最好就將圖片的域名分開，且不用主域名。因為很多網站都將cookie設置到了.domain.ltd，如果圖片也在這個域名下，很可能因為cookie而造成緩存失效，並且佔多餘流量，還可能因為瀏覽器並發線程限製造成訪問緩慢。

九、程序
一定硬體條件下，應用能承載多少訪問量，很大一部分也取決於程序如何寫。程序寫的不好，可能一萬的訪問都承載不了，寫的好，可能一兩台機器就能承擔幾百萬PV。越是復雜、數據實時性要求越高的應用，優化起來越難，但對普通網站有一個統一的思路，就是盡量向前端優化、減少資料庫操作、減少磁碟IO。向前端優化指的是，在不影響功能和體驗的情況下，能在瀏覽器執行的不要在服務端執行，能在緩存伺服器上直接返回的不要到應用伺服器，程序能直接取得的結果不要到外部取得，本機內能取得的數據不要到遠程取，內存能取到的不要到磁碟取，緩存中有的不要去資料庫查詢。減少資料庫操作指減少更新次數、緩存結果減少查詢次數、將資料庫執行的操作盡可能的讓你的程序完成（例如join查詢），減少磁碟IO指盡量不使用文件系統作為緩存、減少讀寫文件次數等。程序優化永遠要優化慢的部分，換語法是無法「優化」的。

然而編程時不應該把重點放在優化上，應該關注擴展性。當今的WEB應用，需求變化非常之快，適應多種需求的架構是不存在的，我們的擴展性就要把要點放在跟底層交互的架構上，例如持久化數據的存取規則、緩存的存取規則等，還有一些共用服務，例如用戶信息等。先把不變的部分做完善，剩下的部分就很容易將精力放在業務邏輯上面了。

❽ 承受每天百萬級訪問量的網站需要多少台伺服器

一般情況下,一台至強高配置的伺服器一天能承載十幾到二十萬左右的訪問量.如果有達到上百萬的訪問量.可以通過多台伺服器來做負載均衡解決這個問題.比如說把網站的前端頁面和資料庫分開,用10台機器.其中一台高配置的放資料庫.另外9台機器放前端頁面.然後利用DNSPOD智能解析,把一個域名解析指向9台機器的IP.DNSPOD本身有智能分配的功能.當一台伺服器的資源不足以滿足用戶的訪問需求時會自動切換到其他機器上面訪問.