從我看過的各種資料，還有與各式人等的交談中，可以得出Facebook現在的架構是這樣的：

• Web前端用PHP語言編寫，然后用HipHop Compiler[1]轉換為C++語言，再用g++編譯器編寫，從而提供高性能的模板與web邏輯執行層。
• 完全依賴靜態編譯所造成的限制，讓Facebook開始啟用HipHop Interpreter [2]及HipHop虛擬機，將PHP代碼轉譯為HipHop ByteCode[3]。
• 其業務邏輯以服務形式存在，使用Thrift框架[4]。其中一些服務根據具體需求，在實現時使用了PHP、C++或者Java語言（可能還用到了一些其他語言）。
• 使用Java實現的服務并未使用任何常規的企業應用服務，而是使用Facebook的定制應用服務器。一開始這些都被視為重復工作，不過隨著這些服務僅（或大多）使用Thrift框架，Tomcat甚至Jetty都顯得開銷過大、值不符實了。
• 用MySQL、Memcached[5]、Hadoop’s HBase[6]實現持久化；用Memcached作為MySQL緩存與通用緩存。
• 用Hadoop和Hive實現離線處理。
• 類似日志、鏈接與feed之類的數據傳輸用Scribe[7]實現；用Scribe-HDFS [8]來完成HDFS的聚合存儲工作；從而可以用MapReduce進行深入擴展分析。
• BigPipe[9]是他們的定制技術，用流水線邏輯加快頁面呈現。
• 用Varnish Cache[10]實現HTTP代理，這套軟件因其性能與效率較高而受到青睞[11]。
• Facebook用戶所發布的照片數以億計，其存儲由Haystack這個ad-hoc存儲解決方案（由Facebook開發）來處理——包括對其進行低級別優化與只擴展寫入方式[12]。
• Facebook Message使用了自身架構——眾所周知是基于分區與動態集群管理的架構。業務邏輯與持久化被封裝到所謂的“Cell”中。每個Cell處理一部分用戶的請求；隨著用戶數增加再擴展新的Cell[13]。使用HBase實現持久化[14]。
• Facebook Message的搜索引擎建立在反向索引之上，存儲于HBase之中[15]。
• Facebook搜索引擎的實現細節尚不得而知。
• 預輸入搜索（typeahead search）使用定制化存儲與檢索邏輯[16]。
• 聊天服務建立在Epoll服務器之上，由Erlang開發，用Thrift[17]訪問。
• Facebook還構建了一個自動化系統，負責啟動適當的修復工作流來管理應對警報，并在故障無法解決時通知人類管理員[18]。

已知信息中，各個組件的配置資源、一些信息還有數字如下：

• Facebook擁有超過6萬臺服務器 [18]。最近發布的數據中心位于俄勒岡州普賴恩維爾市，硬件完全自行設計[19] ，并被歸為Open Compute Project[20]。
• Memcached所存儲與處理的數據多達300TB[21]。
• 其Hadoop與Hive集群由3000臺8核、32G內存、12TB空間的服務器組成，總計達到2.4萬核、96TB內存、36PB空間[22]。
• 在2010年7月份就已達到每天1000億的點擊量，500億張圖片，3萬億個緩存對象，130TB的日志[22]。
• 備注：Cassandra已經不再使用。Facebook的實時分析系統是基于記錄所有輸入的鏈接（來自用戶頁面的like和comment請求）。將其記錄在HDFS中，而不是用Puma將其拽出再分批存儲到HBase中。

相關資料與可參考文章還包括：
Facebook近期發布了一篇博文，詳細描述了將會在Altoona數據中心試用的下一代網絡架構。這種處理大流量的方式非常新穎，優于傳統方式與協議。 Facebook發布了下一代網絡

還有就是近期宣布強化搜索功能，以大數據分析與數據管理基礎作為支持。Facebook大數據分析增強搜索功能

另外可參考的文章還有：

• Facebook的數據倉儲與架構分析
• Apache Hadoop在Facebook的應用（更多信息可參考Dhruba Borthakur的博客）
• 用jemalloc實現Scalable Memory Allocation（以及這篇問答）
• Tornado（web框架）
• Facebook的搜索速度為什么那么快
• Malte Schwarzkopf：Facebook堆棧
• Facebook的代碼設計進化史

參考資料包括：
[1] HipHop for PHP
[2] Making HPHPi Faster
[3] The HipHop Virtual Machine
[4] Thrift
[5] Memcached
[6] HBase
[7] Scribe
[8] Scribe-HDFS
[9] BigPipe
[10] Varnish Cache
[11] Facebook goes for Varnish
[12] Needle in a haystack: efficient storage of billions of photos
[13] Scaling the Messages Application Back End
[14] The Underlying Technology of Messages
[15] The Underlying Technology of Messages Tech Talk
[16] Facebook’s typeahead search architecture
[17] Facebook Chat
[18] Who has the most Web Servers?
[19] Building Efficient Data Centers with the Open Compute Project
[20] Open Compute Project
[21] Facebook’s architecture presentation at Devoxx 2010
[22] Scaling Facebook to 500 millions users and beyond

原文鏈接：What is Facebook’s architecture?（譯者/Vera 責編/錢曙光）