YouTube 数据库如何保存巨量视频文件？

本文最初发表于 scaleyourapp.com 网站，经原作者 Shivang Sarawagi 授权由 InfoQ 中文站翻译分享。

YouTube 是仅次于谷歌的第二大热门网站。在 2019 年 5 月，每分钟会有超过 500 小时的视频内容上传到该平台。

该视频共享平台有超过 20 亿的用户，每天有超过 10 亿小时的视频被播放，产生数十亿的浏览量。这些都是令人难以置信的数字。

本文会对 YouTube 使用的 数据库 和后端数据基础设施进行深入讲解，它们使得该视频平台能够存储如此巨量的数据，并能扩展至数十亿的用户。

那我们就开始吧。

YouTube 的旅程开始于 2005 年。随着这家由风险资本资助的技术初创公司不断取得成功，它于 2006 年 11 月被谷歌以 16.5 亿美元收购。

在被谷歌收购之前，它们的团队由以下人员组成：

• 两名系统管理员

• 两名可扩展性软件架构师

• 两名特性开发人员

• 两名网络工程师

• 一名 DBA

YouTube 的后端微服务是由 Python、数据库、硬件、Java（使用了 Guice 框架）和 Go 编写的。用户界面是使用 JavaScript 编写的。

主要的数据库是由 Vitess 支撑的 MySQL，Vitess 是一个数据库集群系统，用于 MySQL 的水平扩展。另外，使用 Memcache 实现缓存并使用 Zookeeper 进行节点的协调。

流行的视频通过 CDN 来提供，而一般的、较少播放的视频则从数据库中获取。

每个视频在上传的时候，都会赋予一个唯一的标识符并且会由一个批处理 job 进行处理，该 job 会运行多个自动化的过程，比如生成缩略图、元数据、视频脚本、编码、设置货币化状态等。

VP9 & H.264/MPEG-4 AVC 高级视频编码（Advanced Video Coding codecs）会用于视频压缩，它能够使用其他编码器一半的带宽来编码 HD 和 4K 质量的视频。

视频流则是使用基于 HTTP 协议的动态自适应流（Dynamic Adaptive Streaming），这是一种自适应比特率的流媒体技术，能够从传统的 HTTP Web 服务器上实现高质量的视频流。通过这种技术，内容可以按照不同的比特率提供给观众。YouTube 客户端会根据观看者的互联网连接速度自动适应视频渲染，从而尽可能减少缓冲时间。

我曾经在一篇专门的文章中讨论过 YouTube 的视频转码过程，参见“YouTube 是如何以低延迟提供高质量视频的”。

所以，这里对 平台的后端技术有一个快速的介绍。YouTube 主要使用的数据库是 MySQL。现在，我们了解一下 YouTube 的工程团队为什么觉得有必要编写 Vitess？他们在最初的 MySQL 环境中面临的问题是什么，使他们在此基础上实现了一个额外的框架？

网站最初只有一个数据库实例。随着网站的发展，为了满足日益增长的 QPS（每秒查询次数）需求，开发人员不得不对数据库进行水平扩展。

副本会添加到主数据库实例中。读取请求会被路由到主数据库和副本上，以减少主数据库的负载。添加副本有助于缓解瓶颈，增加读取的吞吐量，并增加系统的持久性。

主节点处理写入的流量，主节点和副本节点同时处理读取流量。

但是，在这种场景中，有可能会从副本中读取到陈旧的数据。如果在主节点将信息更新到副本之前，一个请求读取了副本的数据，那么观看者就会得到陈旧的数据。

此时，主节点和副本节点的数据是不一致的。在这种情况下，不一致的数据是主节点和副本节点上特定视频的观看次数。

其实，这完全没有问题。观众不会介意观看次数上略微有点不一致，对吧？更重要的是，视频能够在他们的浏览器中渲染出来。

主节点和副本节点之间的数据最终会是一致的。

因此，工程师们觉得非常开心，观众们也非常开心。随着副本的引入，事情进展顺利。

网站继续受到欢迎，QPS 继续上升。主 - 从副本策略现在很难跟上网站流量的增长了。

那现在该怎么办？

下一个策略就是对数据库进行分片（shard）。分片是除了主 - 从副本、主 - 主副本、联盟和反范式化（de-normalization） 之外，扩展关系型数据库的方式之一。

数据库分片并不是一个简单的过程。它大大增加了系统的复杂性，并使得管理更加困难。

但是，数据库必须要进行分片，以满足 QPS 的增长。在开发人员将数据库分片后，数据会被分散到多台机器上。这增加了系统写入的吞吐量。现在，不再是只有一个主实例处理写入，写入操作可以在多台分片的机器上进行。

同时，每台机器都创建了单独的副本，以实现冗余和吞吐。

该平台的受欢迎程度持续上升，大量的数据被内容创作者不断添加到数据库中。

为了防止机器故障或者外部未知事件造成的数据丢失或服务不可用，此时需要在系统中添加灾难管理的功能了。

灾难管理指的是在面临停电和自然灾害（如地震、火灾）时的应急措施。它需要进行冗余，并将用户数据备份到世界不同地理区域的数据中心。丢失用户数据或服务不可用是不允许的。

在世界范围内拥有多个数据中心也有助于 YouTube 减少系统延迟，因为用户请求会被路由到最近的数据中心，而不是路由到位于不同大陆的原始服务器。

现在，你可以想象基础设施会变得多复杂。

经常会有未经优化的全表扫描导致整个数据库瘫痪。数据库必须进行保护，防止受到不良查询的影响。所有的服务器都需要被跟踪以确保服务的高效性。

开发人员需要有一个系统来抽象系统的复杂性，能够让他们解决可扩展性的挑战，并以最小的成本管理该系统。这一切促使 YouTube 开发了 Vitess。

Vitess 是一个运行于 MySQL 之上的数据库集群系统，能够使 MySQL 进行水平扩展。它有内置的分片特性，能够让开发人员扩展数据库，而不必在应用中添加任何的分片逻辑。这类似于 NoSQL 的做法。

Vitess 架构，图片来源(https://vitess.io/docs/overview/architecture/)

Vitess 还会自动处理故障转移和备份。它能够管理服务器，通过智能重写资源密集型的查询和实现缓存来提高数据库性能。除了 YouTube，该框架还被业界的其他知名厂商使用，如 GitHub、Slack、Square、New Relic 等。

当你需要 ACID 事务和强一致性的支持，同时又希望像 NoSQL 数据库一样快速扩展关系型数据库时，Vitess 就会大显身手。

在 YouTube，每个 MySQL 连接都有 2MB 的开销。每一个连接都有可计算出来的成本，而且随着连接数量的增加，还必须增加额外的 RAM。

通过基于 Go 编程语言并发支持构建的连接池，Vitess 能够以很低的成本管理这些连接。它使用Zookeeper来管理集群，并使其保持最新状态。

Vitess 是云原生的，很适合云中部署，因为就像云的模式一样，容量是逐步添加到数据库的。它可以作为一个Kubernetes 感知（Kubernetes-aware）
的云原生分布式数据库运行。

在 YouTube，Vitess 在容器化环境中运行，并使用Kubernetes作为容器编排工具。

在如今的计算时代，每个大规模的服务都在分布式环境的云中运行。在云中运行服务 有许多好处。

Google Cloud Platform 是一套云计算服务，它的基础设施与谷歌内部的终端用户产品（如谷歌搜索和 YouTube）所用的基础设施是相同的。

每个大规模的在线服务都有一个多样化（polyglot）的持久性架构，因为某一种数据模型，无论是关系型还是 NoSQL，都无法处理服务的所有使用场景。

在为本文展开的研究中，我无法找到 YouTube 所使用的具体谷歌云数据库的清单，但我非常肯定它会使用 GCP 的特有产品，如 Google Cloud Spanner、Cloud SQL、Cloud Datastore、Memorystore 等来运行服务的不同特性。

这篇文章详细介绍了其他谷歌服务所使用的数据库，如 Google Adwords、Google Finance、Google Trends 等。(https://scaleyourapp.com/google-database-how-do-google-services-store-petabyte-exabyte-scale-data/)

YouTube 使用 谷歌的全球网络 进行低延迟、低成本的内容传输。借助全球分布的 POP 边缘点，它能够使客户能够更快地获取数据，而不必从原始服务器获取。

所以，到此为止，我已经谈到了 YouTube 使用的数据库、框架和技术。现在，该谈一谈存储问题了。

YouTube 是如何存储如此巨大的数据量的呢（每分钟上传 500 小时的视频内容）？

视频会存储在谷歌数据中心的硬盘中。这些数据由 Google File System 和 BigTable 管理。

GFS Google File System 是谷歌开发的一个分布式文件系统，用于管理分布式环境中的大规模数据。

BigTable 是一个建立在 Google File System 上的低延迟分布式数据存储系统，用于处理分布在成千上万台机器上的 PB 级别的数据。60 多个谷歌产品都使用了它。

因此，视频被存储在硬盘中。关系、元数据、用户偏好、个人资料信息、账户设置、从存储中获取视频所需的相关数据等都存储在 MySQL 中。

谷歌数据中心拥有同质化的硬件，软件则是内部构建的，管理成千上万的独立服务器集群。

谷歌部署的服务器，能够增强数据中心的存储能力，它们都是商用服务器（commodity server），也被称为商用现成的服务器（commercial off-the-shelf server）。这些服务器价格低廉，可广泛使用和大量购买，并能以最小的成本和代价替换或配置数据中心的相同硬件。

随着对额外存储需求的增加，新的商用服务器会被插入到系统中。

出现问题后，商用‍服务器 通常会被直接替换，而不是进行修理。它们不是定制的，与运行定制的服务器相比，使用它们能够使企业在很大程度上减少基础设施成本。

YouTube 每天都需要超过一个 PB 的新存储。旋转硬盘驱动器是主要的存储介质，因为其成本低，可靠性高。

SSD 固态硬盘比旋转磁盘具有更高的性能，因为它们是基于半导体的，但大规模使用固态硬盘并不划算。

它们相当昂贵，也容易随着时间的推移逐渐丢失数据。这使得它们不适合用于归档数据的存储。

另外，谷歌正在开发一个适用于大规模数据中心的新磁盘系列。

有五个关键指标可用来判断为数据存储而构建的 硬‍件 的质量：

1. 硬件应该有能力支持秒级的高速度输入输出操作。

2. 它应该符合组织规定的安全标准。

3. 与普通存储硬件相比，它应该有更高的存储容量。

4. 硬件采购成本、电力成本和维护费用应该都是可以接受的。

5. 磁盘应该是可靠的，并且延迟是稳定的。

声明：本文为InfoQ翻译，未经许可禁止转载。

点击底部阅读原文访问 InfoQ 官网，获取更多精彩内容！