”简单就是美”，这句谚语在软件领域也是非常适用的。比如MapReduce框架，采用分而治之的思想，最原始的数据由各个map处理，reduce将map的结果汇合，这么简单的框架就解决了很多大数据的问题，待Apache将其开源后，引领了大数据开源社区的发展。还有些经验丰富的程序员告诉我们“负责任的工程师在离职前会删代码”也佐证了这一点，他们利用最后一段空闲时间，梳理程序的脉络，删除冗余的逻辑，让代码更加的清晰，方便接手的人维护。 接手小米流量最大的一块业务后，随着公司对数据的需求越来越大，流量也在不断的增长，后端的性能也受到了极大地挑战，经常出现实时计算以及例行任务不能按时完成的情况。在对后端代码梳理和优化后，发现了大量的冗余代码，以及不需要的过程，删除这些逻辑后，让storm程序能消耗qps高达3W的数据，并且例行任务也能按时完成了。主要有以下几点：
- storm程序优化：干掉一些无用的spout，同时减少了一些shuffle过程，让程序的性能提升了一大截，每条消息处理的延迟被大大地降低了
- 例行任务：发现一个MR有好多冗余的逻辑判断和处理。blame发现，是由好几拨人提交的。估计业务也是换了几个团队，同时团队人员也有流动。删除这些逻辑后，代码精神了不少
业务快速发展的时候，为了快速的完成任务，会有很多代码写的不是很友好，一段时间后，就很难维护了。这个时候就要采取措施，以免大规模风险爆发。在代码构建或者维护过程中，都可以参考以下几点。
抽象公共库
将常用的方法和变量，抽象到公用库中，不仅可以减少代码量，也降低了维护成本。公共库中的类，还更容易发现潜在的错误，因为该方法会被不同的人在不同场合review，增加了bug的曝光量
采用开源的库
和抽象公共库类似，只不过这些库不是自己写的，而是由公司的其他团队或者开源社区提供，如果选择合适的库，可以减少重复制造轮子，从而更加专注业务。
技术选型
针对不同的场景，会有很多技术能满足需求，但是不同的选型有着不同的开发维护成本。Spark兴起后，很多公司开始废弃MapReduce，不仅因为Spark的性能，更因为其开发效率很高，数行代码就能完成MapReduce数十行的工作。公司的科学家有时候教育我们“现在的软件都能用汇编实现，为什么不用他们编写呢”，这句话在很多时候都指导着我们。
综合本文，在编写一套软件时，在易于维护的情况下，尽量少写一些代码。
