Instagram 被 Facebook 以10亿美金收购。团队规模：13 人。而在被Facebook收购前的一个月，整个团队才7名员工。

2010年： 2位工程师

2011年： 3 位工程师

2012年： 5 位工程师

    制胜法宝：

广泛的单元测试和功能测试

坚持DRY(Don’t Repeat Yourself)原则

使用通知/信号机制实现解耦

我们大部分工作使用Python来完成，只有逼不得已的时候，才会用C

频繁的代码复查，尽量保持“智慧共享”。(frequent code reviews, pull requests to keep things in the ‘shared brain’)

广泛的系统监控

    Instagram的两个创始人

Mike Kriegerr：之前是一个颇为低调的工程师和用户体验设计师，他在一家名叫Meebo的创业公司工作了1年半。analytics & python @ meebo(在Meebo做分析，使用python )；

Kevin Systrom：毕业后在Google的收购部门工作了一年，今年28岁，随后去到了一家从事旅行业务的创业公司Nextstop，没有计算机学位，没有接受过正式培训， 但他下班后坚持自学编程，在这家创业公司被Facebook以人才收购的方式收购后，Systrom又去早期的Twitter实习了一段时间。

    下面一起来看下这个奇迹是怎样搭建的？Instagram的技术实现是什么？以下内容来自翻译。

    当我们与其他工程师偶遇和交流的时候，有一个问题经常被问及，“你们的技术架构(technology stack)是怎么样的”？我们觉得从较高的层次来描述Instagram的所有构成系统是一件有趣的事情；未来你可能期待更深入的描述这些系统。这就是我们的系统，仅仅1年时间，并且我们活了下来，其中有一部分我们一直在修改。一个小型团队的初创公司，可以在一年多一点时间发展到1400多万用户规模。

    Instagram 开发团队奉行的三个核心原则：

Keep it very simple (极简主义)

Don’t re-invent the wheel (不重复发明轮子)

Go with proven and solid technologies when you can(能用就用靠谱的技术)

    操作系统/主机

    我们在Amazon EC2上跑Ubuntu Linux 11.04 (“Natty Narwhal”)，这个版本经过验证在 EC2 上够稳定。我们发现之前的版本在EC2上高流量的时候都会出现各种不可预测的问题( freezing episodes)。因为只有3名工程师，我们的需求依然在不断的变化中，因此自托管主机不是我们的选择，也许未来当用户量空前增长的时候，我们会考虑。

    负载均衡

     每一个对Instagram 服务器的访问都会通过负载均衡服务器；我们使用2台nginx机器做DNS轮询。这种方案的缺点是当其中一台退役时，需要花时间更新DNS。最近，我们转而使用Amazon的ELB(Elastic Load Balancer)负载均衡器，使用3个NGINX 实例可以实现调入调出(and are automatically taken out of rotation if they fail a health check)；我们同时在 ELB 层停掉了 SSL , 以缓解nginx的 CPU 压力。我们使用Amazon的Route53服务作为DNS服务，他们最近在AWS控制台上增加了一套很好的GUI工具。

    应用服务器

    接下来是应用服务器用来处理我们的请求。我们在Amazon的High-CPU Extra-Large机器上运行了Django ，随着用户的增长，我们已经在上面跑了25个Django实例了(幸运地，因为是无状态的，所以非常便于水平扩展)。我们发现我们的个别工作负载是属于计算密集型而非IO密集型，因此High-CPU Extra-Large类型的实例刚好提供了合适的比重(CPU和内存)。

    使用 Gunicorn 作为 WSGI 服务器。过去曾用过 Apache 下的 mod_wsgi 模块，不过发现 Gunicorn 更容易配置并且节省 CPU 资源。使用 Fabric 加速部署。Fabric最近增加了并行模式，因此部署只需要花费几秒钟。

    数据存储

    我们大部分数据(用户信息，照片的元数据、标签等)存储在PostgreSQL中；我们 之前已经说了关于如何基于不同的Postgres 实例进行切分的。我们的主要分片集群包含12个四倍超大内存云主机(且12个副本在不同的区域)；

    我们发现亚马逊的网络磁盘系统(EBS)每秒的寻道能力不够，因此，将我们所有工作放到内存中就变得尤为重要。为了获得合理的性能，创建了软 RAID 以提升 IO 能力，使用的 Mdadm 工具进行 RAID 管理；

    顺便提一下，我们发现vmtouch用来管理内存数据是个极好的工具，尤其是在故障转移时，从一台机器到另一台机器，甚至没有活动的内存概要文件的情况。这里是脚本，用来解析运行于一台机器上的vmtouch 输出并打印出相应vmtouch命令，在另一台机器上执行，用于匹配他当前的内存状态；

    我们所有的PostgreSQL实例都是运行于主-备模式(Master-Replica)，基于流复制，并且我们使用EBS快照经常备份我们的系统。为了保证我们的快照的一致性(原始灵感来源于ec2-consistent-snapshot)我们使用XFS作为我们的文件系统，通过XFS，当进行快照时，我们可以冻结&解冻RAID阵列。为了进行流复制，我们最爱的工具是repmgr 。

    对于从我们的应用服务器连接到数据，我们很早就使用了Pgbouncer做连接池，此举对性能有巨大的影响。我们发现Christophe Pettus的博客 有大量的关于Django、PostgreSQL 和Pgbouncer 秘诀的资源。

    照片直接存储在亚马逊的S3，当前已经存储了几T的照片数据。我们使用亚马逊的CloudFront作为我们的CDN，这加快了全世界用户的照片加载时间(像日本，我们第二最受欢迎的国家)

    我们也广泛的使用了Redis ； 我们的main feed、activity feed、sessions系统(这里是我们的Django session backend)，和其他 相关系统 都使用了Redis。因为所有的Redis数据都需要放在内存中，因此我们最后使用了几个四倍超大内存云主机用于跑Redis。我们的Redis也是运行于主-备模式(Master-Replica)，并且经常将DB保存到磁盘，最后使用EBS快照备份这些数据(我们发现在主机上进行导出太费劲了)。由于Redis 允许写入备份，使得在线故障转移非常方便，转移到一台新的Redis 机器，而不需要停机。

    为了我们的geo-search API，我们一直使用PostgreSQL了很多个月，不过后来迁移到了Apache Solr.他有一套简单的JSON接口，这样我们的应用程序相关的，只是另一套API而已。

    最后，和任何现代Web服务一样，我们使用了Memcached 做缓存，并且当前已经使用了6个Memcached 实例，我们使用pylibmc & libmemcached进行连接。Amzon最近启用了一个灵活的缓存服务(Elastic Cache service)，但是它并不比运行我们自己的实例便宜，因此我们并没有切换上去；

    任务队列&推送通知

    当一个用户决定分享一张Instagram 的照片到Twitter 或Facebook，或者是当我们需要通知一个 实时订阅者有一张新的照片贴出，我们将这个任务推到 Gearman，一个任务队列系统能够写于Danga。这样做的任务队列异步通过意味着媒体上传可以尽快完成,而“重担”可以在后台运行。我们大概有200个工作实例(都用Python写的)在给定的时间内对队列中的任务进行消费，并分发给不同的服务。我们的feed feed fan-out也使用了Gearman，这样posting就会响应新用户，因为他有很多followers。

    对于消息推送，我们找到的最划算的方案是https://github.com/samuraisam/pyapns，一个开源的Twisted 服务，已经为我们处理了超过10亿条通知，并且绝对可靠。

    监控

    对于100多个实例，监控变得非常重要。我们使用Munin进行图形化度量。我们基于 Python-Munin,也写了很多Munin 插件。用于图形化度量非系统级的东西(例如，每秒的签入人数，每条照片发布数等)我们使用Pingdom作为外部监控服务，PagerDuty 用于事件通知。

    Python错误报告，我们使用Sentry，一个Disqus的工程师写的令人敬畏的开源的Django app。在任何时间，我们可以开始工作，并实时的查看我们的系统发生了什么错误。

    以上内容翻译自：http://instagram-engineering.tumblr.com/post/13649370142/what-powers-instagram-hundreds-of-instances-dozens-of

    Instagram的技术变迁

    创业初期：

初存储采用CouchDB(Apache CouchDB 是一个面向文档的数据库管理系统)

最初只有一台服务器(在洛杉矶)，比一台比MacBook Pro强不到哪里去。

    技术更新

    

    一、数据库扩展

    早期使用django ORM+postgresql，因为PostGIS，选择了postgresql。(PostGIS在对象关系型数据库PostgreSQL上增加了存储管理空间数据的能力，相当于Oracle的spatial部分)并且数据库部署在独立服务器上。

    因为EC2机器的最大内存为68G，随着照片存储量的增加，进行垂直分区(vertical partitioning)；使用django db routers，做垂直分区变得很容易；如下：照片则映射到photodb

def db_for_read(self, model):
    if app_label == 'photos':
        return 'photodb'

    当照片存储量大于60G的时候，采用水平分区(也就是所谓的“分片”sharding)

    sharding带来的问题：

    1、数据的检索，hard to know what your primary access patterns will be w/out any usage in most cases, user ID

    2、当有分片变得太大的时候怎么办？

    基于范围的分片策略(就像MongoDB那样)

    

    3、性能有下降趋势，尤其在EC2上，原因：disk IO，解决方法：预先切分(pre-split)，即预先切分上千个逻辑切片，将它们映射到较少的物理分区节点中去。

    关于相关内容，更详细的可以参看这里。

    二、选择合适工具

    进行缓存/反规范化数据设计

    用户上传图片时：

用户上传带有标题信息和地理位置信息(可选)的照片；

同步写到这个用户对应的数据库(分片)中；

进行队列化处理

a、如果带有地理位置信息，通过异步的POST请求，将这个图片的信息送到Solr(Instagram 用于geo-search API的全文检索服务器)。

b、跟随者的信息分发(follower delivery)，即告诉我的follower ，我发布了新的照片。如何来实现的呢？每个用户都有一个follower 列表，新照片上传时会把照片ID发送给列表中的每一个用户，用Redis 来处理这一业务简直太棒了，快速插入，快速子集化(rapid subsets，什么意思？是指获取部分数据吗？

c、when time to render a feed,we take small # of IDs, go look up info in memcached(当需要生成feed的时候，我们通过ID+#的格式，直接在memcached中查找信息)

    Redis适合什么样的场景？

数据结构相对有限；

对频繁GET的地方，对复杂对象进行缓存；

    不要将自己绑定在非得以内存数据库为主要存储策略的方案上(don’t tie yourself to a solution where your in-memory DB is your main data store

    参考链接：http://www.cnblogs.com/xiekeli/archive/2012/05/28/2520770.html

建议继续学习：

1. 作为新星，就应该是这个样子！    (阅读：1735)