专访许鹏：谈C程序员修养及大型项目源码阅读与学习

摘要：阅读源码是开源项目最好的学习方式，然而真正的执行起来却并不容易。这里我们为大家分享许鹏的源码阅读经验、C程序员的修养以及Spark和Storm源码走读博文。

对许鹏的第一印象来源于其Bolg的粗读，最早时候更准确说应该是博文的粗略统计——1年零6个月完成55篇以上的博文，基本每篇都附有代码，其中更有多篇源码解读博文。而在浏览完大量的Storm和Spark源码阅读后，笔者更认定了这是位Hadoop、Spark、Storm等相关技术从业人员。然而在与许鹏本人沟通之后才发现，其实最贴近他本人的描述正是其Blog简介——“富贵有定数，学问则无定数——求一分，便得一分。”之所以说是贴近，因为其中还少了乐于分享的部分。

关于许鹏：花名@徽沪一郎，2000年毕业于南京邮电学院，现就业于爱立信上海，在UDM部门从事相关产品研发，个人关注于Linux内核及实时计算框架如Storm、Spark等。

正如简介中的描述，许鹏当下从事基于Linux的C&C++开发，正如他所说的“老套、漂亮的不突出的技术”。言归正传，在对许鹏有了简单的了解之后，我们一起走进本次的主题——C程序员的修养、大型项目的源码学习，以及Spark和Storm的源码走读。

免费订阅“CSDN云计算”微信公众号，实时掌握第一手云中消息！

CSDN作为国内最专业的云计算服务平台，提供云计算、大数据、虚拟化、数据中心、OpenStack、CloudStack、Hadoop、Spark、机器学习、智能算法等相关云计算观点，云计算技术，云计算平台，云计算实践，云计算产业资讯等服务。

以下是采访原文：

CSDN：请介绍一下目前您正在从事的研究和工作内容？

许鹏： 目前在公司UDM（User Data Management）部门，从事AAA相关的东西，用于用户Wi-Fi接入认证。由于产品需要迁移到Linux Cluster，所以对IP Load Balance及OpenSAF都有比较深入的研究和理解。

开发是Linux平台上的C&C++编程，常常遇到进程Crash和内存泄露之类的问题，于是就对GDB和Linux内核中的Memory Management有了比较深入的学习。

OpenSAF主要解决高可用和扩展问题。Linux内核显然难度很大，加上实际项目中并没有需求，所以理解起来特别吃力。经过相当长的时间消化理解之后，终于弄明白了内核自举，Memory Management和Network Stack这几个模块。Linux内核是我从实际工作到业余研究的一个关键连结点。内核代码阅读尽管让个人在考虑问题的时候有了一定的长进，但毕竟无法与实际工作相关联，所以热度渐渐降低，其实就是没能因为懂内核而找一份高薪工作啦。然而，Linux内核源码阅读却给我带来了一个非常大的收获——学会了“自我设问，自我解答”。

于是开始搜寻新的热点，从2013年初开始，发觉实时数据分析很热门，看到许多网络大拿在吹捧Storm，于是就开始看Storm的源码。Storm源码的学习过程中主要难点是Clojure语言，这个过程得到了Clojure Programming一书中文译者徐明明的大力帮助，所以渐渐理解了Storm的框架和实现机理，Storm学习的时间持续了大概半年的时间。之所以转到Spark的研究上来，是因为听说Apache Spark也支持Streaming的处理，我很好奇，于是就开始了Spark的源码研究，这中间一方面是看网上的资料，另一方面是自己看源码和做小型的实验来验证猜测，可以说网络让自己的学习大大的缩短。Spark的学习中大量借鉴了酆晓杰（fxjwind）和张包峰的博客，目前，我和他们都建立了良好的互动。

CSDN：多年C和C++项目开发及管理，有什么经验可以分享给这个领域的工作者？在程序员修养方面，他们又应该注意什么，多学些什么，多看些什么？

许鹏：尽管从事C和C++开发多年，我还是不敢说自己非常精通。有的只是一点点的感悟和体会，如果是进行Linux平台下的C语言开发，最好还是就下面几个问题多做一些试验，多读一些相关的书。

1. 程序的运行和加载，推荐程序员的自我修养一书。

2. 内存分配，推荐阅读Ptmalloc源码分析，无论是C还是C++程序员，这一部分是最容易踩雷的，多读一点基础的东西，会在解决实际问题的时候，不至于手足无措。以这些为基础，再结合Valgrind或Purify，相信效果会更好。

3. 多读一点C和C++开发的成功产品，如Apache Http Server和Nginx，这样就容易搞清楚在设计一个系统的时候需要有哪些关注点。

是单进程还是多进程，是单进程多线程还是多线程单进程
进程间通信采用什么方式
消息的encoding/decoding以及message passing，每次都要自己写一次，不累吗，有没有好的开源实现，如Protobuffer、Thrift
对于一个Network Server来说，基本构架大体上还是相同的，acceptor→dispatcher→worker

4. 《深入理解计算机系统》真的是一本非常不错的书，为什么要这么说，软件的设计还是要以物理设备支持的特性为基础的，这本书让我们在CPU的级别来进一步思考程序设计。

若干年前，金庸群侠传这个游戏很流行，里头有一种武功初练稀松平常，但只要练到第10级，那就比降龙十八掌还厉害。学用C和C++也是如此吧，无它，唯勤而已。

CSDN：您谈到了因为产品迁移到Linux Cluster所以深入的研究了IP Load Balance及OpenSAF，在这两个方面有可分享给读者的么？

许鹏： IP Load Balance这一块主要是对ipvs和nat的升级协议rsip作了一些研究。有关这方面的资料网上很多，也不敢乱加评论，如果想作细致深入学习的话，以lvs ipvs作为关键字搜一下就可以了。熟悉ipvs最好的方式还是试验加源码阅读，其源码已经在Linux内核之中，在network目录下。

OpenSAF是SAF的开源实现，主要目的是为了解决HA和Scalability的问题，对于电信产品来说，高可靠性始终是一个硬性的指标。SAF制定了一套齐备的标准，在开源实现方面情况变得有意思起来。OpenSAF基本上跟随了SAF标准，而其它一些则认为标准过于庞杂，而只选取其中一部分加以深化实施，如corosync和pacemaker。

CSDN：您花了大量的时间阅读Spark和Storm源码，并进行测试，对这两个计算框架您有做过比较吗？有什么结论可以为大家分享？

许鹏： 这是一个经常会被提及的问题，之所以如此就是因为两个产品都很优秀。Storm是专注于实时流计算的框架，在Twitter有大量成功的应用，其整体架构是非常易于理解的。Spark则更为通用一些，不仅支持实时流计算，也支持批处理，图及机器学习方面的应用。所以要对两者进行比较的话，我们还是将目标缩小到流处理这一块。

从应用的广泛程度上来说，Storm可能拥有更多的用户基础。
从处理速度上而言，似乎Spark更胜一筹。
从当前整个项目的活跃度而言，Spark更为活跃。
Spark可以与Hadoop的新一代资源管理框架Yarn更为紧密的结合。
Spark有Cloudera的大力支撑，而Hortonwork则是Storm的最大推手，两家都是大数据处理领域的翘楚，一场龙争虎斗很值得期待。
Spark目前还缺少Storm所支持rebalance功能，不能动态利用新增加的节点。
Spark和Storm在支持“exactly-once”的处理上，有不同的实现，Spark是依赖于Spark，而Storm则是利用Trident来解决，TridentTopology对storm中基础的bolt和spout做了封装，让上层应用的开发更加关注于业务本身。
二者有一个共同的缺点或毛病，就是对资源在较细粒度的调配方面，支持得还不够

CSDN：大量开源项目使用和学习经验，您对开源运动怎么看？如何才能更好的学习一个开源项目？开源项目使用时又该注意些什么？

许鹏： 开源项目离不开大家的广泛参与和支持，要让一个开源项目取得成功，有多个方面的因素。

产品本身的创新功能
在实际项目中的应用和推广，业界大佬企业的积极参与
教育培训市场的积极跟进，也是一个开源项目最终能够长久生存下来的必备因素

CSDN：能否分享一些您对当下大数据的看法？

许鹏： 大数据要解决的两大基本问题是“数据存储”和“数据分析”，在数据存储领域，开源实现方面似乎大家都已经首肯HDFS的方式，不再怀疑。

而在数据分析的计算框架方面，目前还有大量的竞争或博弈出现。Spark就是一例，分析领域除了基于传统关系型数据库的分析方式，还有图计算相关和机器学习为代表的数据挖掘。显然机器学习是一个大热门，这一方面个人所知甚少，不敢胡说八道，但门槛似乎很高，数学底子一定要好，决不是简简单单的调用几个API就完事了的。

云计算是大数据的支撑，虽然脱胎于虚拟化，不乏商业宣传的味道，但是大量机器的安装部署，如果全部使用物理机一台台去装，肯定会让人发疯，云计算让大规模部署和产品迁移变的更为简单。

CSDN：对于阅读源码您有着丰富的经验，对想阅读源码又不知道如何下手的同学可否做一些分享？

许鹏： 源码阅读其实是一个逆向的工程，这期间必须会遇到种种问题。一般来说，我会遵循这样一个思维范式——Problem domain→model→architecture&implementation→improvement→best practice。

1. 首先搞清楚要分析的产品解决的问题是什么，这个问题在哪个大的范畴里，也就是要搞清楚problem domain。一个著名的开源产品必定在Wikipedia上有相应的条目，所以一开始去看wikipedia是破题的一种极好方式。

2. 清楚要分析产品的大体框架和关键性的概念，也就是理解清楚architecture和key concept。

3. 将分析的产品实实在在的运行起来，我一般选择debian或archlinux作为工作平台，它们提供了丰富的软件包，可以很快的将东西安装并运行。熟悉Linux本身对于开源项目的源码阅读还是大有裨益的。

4. 修改日志级别，得到丰富的日志信息。有了这个为基础，再来开始真正的源码阅读和分析。

5. 源码分析的时候，要始终问这几个问题。