学习Raft算法时，意外发现这个网站，可以亲手模拟Raft协议的执行步骤：http://thesecretlivesofdata.com/raft/
1.概述
MongoDB就使用的Raft算法。在一个分布式系统中，因为各种意外的因素，有的服务器可能会崩溃或变得不可靠，它就不能和其他服务器达成一致状态。因而这样就需要一种Consensus协议，来确保服务器的容错性，也就是说即使系统中有一两个服务器节点Crash，也不会影响其处理过程。为了让容错方式达成一致，我们不可能要求所有的服务器节点100%都达成Consensus状态，只要超过半数的大多数服务器节点Consensus即可，假设有N台服务器节点，(N/2)+1 就超过半数，即可代表大多数了。那么，今天笔者给大家分享的就是Raft分布式选举算法。
2.内容
Raft为了实现Consensus这个目标，这个过程如果选举一样，参选者需要说服大多数服务器节点投票给他，一旦选定后就跟随其操作。在Raft中，任何时候一个服务器节点可以扮演下面角色之一：
- Leader：处理所有客户端交互，日志复制等操作，一般一次只有一个Leader。
- Follower：类似选民，处于被动状态。
- Candidate：类似Proposer，可以被选为一个新的Leader。
Raft阶段分为两个，首先是选举过程，然后在选举出来的Leader带领下进行相关正常的操作，比如复制等。下面有相关示意图来展示该过程：
2.1 选举请求
任何一个服务器节点都可以成为一个Candidate，它向其他服务器节点Follower发出要求选举自己的请求，如下图所示：
2.2 应答
其他服务器应答同意，发出OK。如下图所示：
需要注意的是，如果在这个过程当中，有一个FollowerCrash掉，没有收到请求选举的要求，因此候选者可以自己选举自己，只要达到 (N/2)+1 的大多数票，候选人还是可以成为Leader的。
2.3 发送指令
在候选者成为Leader后，它可以向其他Follower节点发送指令，比如进行日志复制，如下图所示：
2.4 Heartbeats
之后，通过心跳进行日志复制等通知，如下所示：
2.5 Crash
在运行的过程当中，一旦该集群的Leader当场Crash了，那么Follower中有一个成为候选者，发出投票选举邀请，如下图所示：
2.6 New Leader
在Follower同意后，其成为Leader，继续承担日志复制等操作动作，如下图所示：
这里需要注意的是，在整个选举过程当中是有一个时间限制的，如下图所示：
出现在Split Note的情况，是因为如果同时有两个候选人向其他节点发出投票邀请，这时通过类似的加时赛来解决，两个候选者在一段Timeout，比如100ms互相不服气的等待后，因为双方得到的票数是一样的，一半对一半，那么在100ms后，再由这两个候选者发出投票邀请，这时同时的概率大大降低，那么首先发出邀请投票的候选者得到大多数同意票后，成为Leader，而另外的一个候选者后来发出投票邀请，那些Follower选民已经投票给了第一个候选者，此时不能再投票给它，它就成为落选者了，最后这个落选者也就成为一名普通的Follower了。
3.日志复制案例
下面通过以日志复制为例子来说明Raft分布式选举算法，假设这里Leader已经选出，这时候客户端发出一个新增的请求，比如日志内容是"smartloli"，如下所图所示：
3.1 Append
在Leader发送的指令下，Follower需要遵循它的指令，都将这个新的日志内容追加到他们各自的日志中：
3.2 Commit
大多数Follower服务器节点日志写入磁盘文件后，确认追加成功，发出Commited OK，如下图所示：
再下一个心跳Heartbeats中，Leader会通知所有的Follower更新Commited。对于每个新的日志记录，重复上述操作过程。如果在这个过程当中，发生了网络通信故障，使得Leader不能访问大多数Followers了，那么Leader只能正常更新它能访问的那些Follower服务器节点，而大多数的服务器Follower因为没有了Leader，他们重新选择一个候选者作为Leader，然后这个新的Leader作为代表与外界进行交互，如果外界发送新的请求操作，比如添加新的日志，这个新的Leader就按照上述步骤通知大多数Followers服务器节点，如果这时网络故障修复了，那么原先的Leader就要降级成为Follower，在失联阶段这个老Leader的任何更新都不能算Commit，都要Roll Back，接受新的Leader的新的更新操作。
4.总结
目前，几乎所有的语言都已经支持Raft分布式选举算法的库了。这里我们通过对分布式选举算法的学习与分析，可以对分布式系统底层选举机制有更好的理解。大家可以去阅读一下Raft算法作者写的论文。另外，Raft的作者有将论文进行整理成了大纲，阅读地址：《Raft论文大纲》