前言

最近一段时间发现经常看到很多人，对Spring源码比较感兴趣，日常开发中，无论你做什么什么项目，大部分都离不开Spring生态的那一套东西，所以很多人对Spring底层源码实现很感兴趣，但是有些从来没有接触过源码的开发者，在看Spring源码的过程中确实及其难受的，为什么，大部分人看源码基本都是debug一点一点去看的，最后发现，越追越离谱，越追越深，到最后都追到JDK源码了，也没有明白是什么意思！

对于学习源码，我的看法是，先去完全的熟悉它的用法，想一下如果让你来实现，你会怎么实现！有了这些想法之后，再去看源码去印证你自己的观点，远比你自己去死扣源码快的多。

而且，我问过一些读者还有同事，我发现有很多人，看源码容易陷入一个误区，就是刚开始看源码就死扣着一个细节不放，非得搞懂，我并不是说这样看源码有什么不对，但是在没有对整个框架有一个全局了解的情况下，不要这样看，你应该先把它的大体框架给搞清楚，在后再分功能一步一步的了解每一个功能项！这样做，首先你对整个框架的架构有了一个模糊的认识，再扣细节的途中有时候即使你不知道这个代码在干什么，你也隐约能猜出来，再通过debug 与自己的猜测相互印证，最终达到事半功倍的效果。当然这个建议只针对刚开始看源码的同学，如果你看的源码很多了，那么你肯定又自己的一套学习方法，可以的话，可以在评论区分享一下。

为了帮助一些萌新们或者想要了解Spring源码的小伙伴，我会把Spring的一些大体逻辑分析一下，让你了解整个Spring的骨架！

CAP原则

在分布式系统要满足CAP原则，一个提供数据服务的存储系统无法同时满足：数据一致性、数据可用性、分区耐受性。

C数据一致性：所有应用程序都能访问到相同的数据。 A数据可用性：任何时候，任何应用程序都可以读写访问。 P分区耐受性：系统可以跨网络分区线性伸缩。（通俗来说就是数据的规模可扩展）在大型网站中通常都是牺牲C，选择AP。为了可能减小数据不一致带来的影响，都会采取各种手段保证数据最终一致。

数据强一致：各个副本的数据在物理存储中总是一致的。
数据用户一致：数据在物理存储的各个副本可能是不一致的，但是通过纠错和校验机制，会确定一个一致的且正确的数据返回给用户。
数据最终一致：物理存储的数据可能不一致，终端用户访问也可能不一致，但是一段时间内数据会达成一致。

一致性算法

使一组服务器在一个值上达成一致，所以活跃的特征在于最终每个服务器都可以决定一个值。
通过值的一致能够实现对同一个数据的请求会让同一个服务器来处理。
Paxos和Raft都是通过选取master来实现多节点下值的一致性，从而借助一致性hash算法来分配请求。

一致性Hash算法一致性Hash算法可以根据不同的属性参数（通常是IP和端口号），生成一串不相同的Hash值，并将Hash值转换成0-2^32-1的整数，不同范围的值由不同服务器进行处理。（B-C之间的由B处理）。

Raft算法和Paxos算法

Raft算法是在Paxos算法的基础上的进行优化。 Raft在Paxos的基础上主要做了两个方向的优化： 1.将复杂的分布式共识问题拆分成领导选举、日志复制和安全性三个问题 2.压缩状态空间：相对于Paxos施加了更合理的限制，减少了系统状态过多而产生的不确定因素。

领导选举(具体以zookeeper举例) 其基本的特性有：

zookeeper在配置集群时节点数不可小于3
节点只有获得半数以上的投票才能当选Leader
zookeeper在启动时会通过广播机制来把投票结果告诉其他的节点
zookeeper在启动时首先会给自己投票，然后与其他已启动的节点进行通信，通过比较id从而判断是否能获取其他节点的投票

zookeeper在选举过程中的角色：领导者、跟随者、观察者、竞选者

日志复制在共识算法中，所有服务器节点都会包含一个有限状态自动机，名为复制状态机（replicated state machine）。每个节点都维护着一个复制日志（replicated logs）的队列，复制状态机会按序输入并执行该队列中的请求，执行状态转换并输出结果。可见，如果能保证各个节点中日志的一致性，那么所有节点状态机的状态转换和输出也就都一致。

可见，日志由一个个按序排列的entry组成。每个entry内包含有请求的数据，还有该entry产生时的领导任期值。每个节点上的日志队列用一个数组log[]表示。

领导节点选举出来后，集群就可以开始处理客户端请求了。当客户端发来请求时，领导节点首先将其加入自己的日志队列，再并行地发送AppendEntries RPC消息给所有跟随节点。最终实现节点数据的一致性。

安全性 Raft安全保障机制有5种：

选举安全性：节点要3个以上，避免“脑裂”的方式
领导者只追加：客户端发出的请求都是插入领导者日志队列的尾部，没有修改或删除的操作。
日志匹配：每条AppendEntries都会包含最新entry之前那个entry的下标与任期值，如果跟随节点在对应下标找不到对应任期的日志，就会拒绝接受并告知领导节点。（避免追随者故障，导致数据不一致）
领导者完全性:如果有一条日志在某个任期被提交了，那么它一定会出现在所有任期更大的领导者日志里。（master会优先获取日志的更新）
状态机安全性:如果一个节点已经向其复制状态机应用了一条日志中的请求，那么对于其他节点的同一下标的日志，不能应用不同的请求。(避免master宕机时，重新选举，导致部分节点数据不一致)

Raft算法和Paxos算法在分布式中的使用

Consul vs Eureka vs Zookeeper

注： CAP: 数据一致性、数据可用性、分区耐受性 AP: 牺牲强一致性，部分节点宕机，不会影响正常工作的节点。 CP: 牺牲数据可用性,为了保证数据的一致性，当一台机器出现故障时，所有节点的数据都不能使用。

总结

阿里伤透我心，疯狂复习刷题，终于喜提offer 哈哈~好啦，不闲扯了

1、JAVA面试核心知识整理（PDF）：包含JVM，JAVA集合，JAVA多线程并发，JAVA基础，Spring原理，微服务，Netty与RPC，网络，日志，Zookeeper，Kafka，RabbitMQ，Hbase，MongoDB，Cassandra，设计模式，负载均衡，数据库，一致性哈希，JAVA算法，数据结构，加密算法，分布式缓存，Hadoop，Spark，Storm，YARN，机器学习，云计算共30个章节。