目录：
- 拷贝构造函数的基础知识
- 拷贝构造函数的使用
- 拷贝构造函数的行为
1.拷贝构造函数的基础知识
拷贝构造函数(copy constructor)是构造函数，是拷贝已经存在的对象来创建一个新的对象。此方法的声明形式：object(const object&)。
例如：
class Object { Object(const Object &); };
注意：参数的传递是引用传递的。因为如果在此处使用值传递，会造成递归引用。
2.拷贝构造函数的使用
拷贝构造函数在什么时候被使用，有助于我们了解拷贝构造函数的用途。一般而言，拷贝构造函数会在以下三种情况下被使用：
- 当构造一个新的对象时
- 使用值传递来传递函数参数
- 函数的返回值
2.1.当构造一个新的对象时，例如：
1 class Object{…}; 2 Object a; 3 Object b = a;// 此函数调用的是拷贝构造函数 4 Object c; 5 c = a; // 此处调用的是"operator = “
2.2.使用值传递来传递函数参数，例如：
1 class Object{…}; 2 int Function_A(Ojbect param); 3 Object a; 4 Function_A(a);//在调用Function_A的时候，在函数内部使用a的拷贝构造函数来获取a的副本来进行函数的处理。
2.3.函数的返回值，例如：
1 class Object{…}; 2 3 Object GetObject() 4 { 5 Object a; 6 return a; 7 }
3.拷贝构造函数的行为
拷贝构造函数分为默认构造函数和用户自定义函数，在此主要由这两方面来说明：
a. 默认构造函数：
如果对象没有提供显式的拷贝构造函数，编译器在发现需要使用拷贝构造函数函数的时候，会生成一个来使用，而生成的拷贝构造函数会有trival和nontrival之分，区别在于对象是否应该被按位拷贝(bitwise copy semantics)。
首先说下按位拷贝，首先来看下下面的代码:
1 #incluude “word.h” 2 3 Word d(“abcd”); 4 5 void fun() 6 { 7 Word verb = d; 8 }
我们得知，verb是根据d来初始化的，但是如果无法看到Word的定义，我们无法知道Word的默认构造函数的行为。如果Word中的成员变量都是内建类型的，例如，Word的定义如下：
1 Class Word 2 { 3 public: 4 Word(const char *); 5 ~Word(){delete []m_pData;} 6 // … 7 private: 8 char *m_pData; 9 int m_iSize; 10 };
那么，Word的定义呈现了“default copy semantics”，verb的初始化直接按位拷贝，编译器不用生成默认构造函数。但是，如果Word的成员变量中有成员变量声明了显式的拷贝构造函数，那么编译器就需要合成构造函数来完成verb的初始化操作，例如：
1 #include<string> 2 Class Word 3 { 4 public: 5 Word(const char*); 6 ~Word(){delete []m_pData} 7 //… 8 private: 9 std::string m_strData; 10 int m_iSize; 11 };
在此情况下，我们知道string声明有显式的拷贝构造函数，编译器在初始化verb的时候，就需要合成一个拷贝构造函数来调用string的拷贝构造函数。在合成的拷贝构造函数中，整型，指针等nonclass member也都会被拷贝。
需要注意的是，在以下的四种情况是不需要进行按位拷贝的：
-
- class内部的成员变量声明有显式的拷贝构造函数(不论是定义者声明(例如string)还是编译器合成的(例如包含string的Word定义))。
- class的基类有显式的拷贝构造函数(无论是被声明的还是被合成的)。
- class中有虚函数，因为编译器需要为对象设置虚函数表，所以无法按位拷贝。
- class继承虚基类。
b.用户自定义拷贝构造函数
顾名思义，是用户自己定义的拷贝构造函数，编译器发现由用户定义的拷贝构造函数的时候，是不会生成拷贝构造函数的。即使用户声明的构造函数有错误。但是在使用自定义构造函数的时候需要注意几点：
1.注意深拷贝和浅拷贝，在前面的例子中不含string的Word的定义中，有一个char *的指针，如果不考虑深拷贝，直接按位赋值的话，会造成隐含的bug。
2.在构造函数中不要调用虚函数，因为在此时对象没有创建完成，不能保证调用到正确的函数，同时，也会引起其他的错误(例如，类内部的成员变量没有初始化完毕就是用)。
3.在拷贝构造函数中需要考虑异常的发生。
以上就是拷贝构造函数的总结。其中第2，3节的示例来自《深入了解C++对象模型》。
如果有不对的地方，请大家指正，谢谢。
yetuweiba
分布式追踪系统dapper
最近看了google的分布式追踪系统dapper的论文：http://static.googleusercontent.com/external_content/untrusted_dlcp/research.google.com/zh-CN//pubs/archive/36356.pdf，结合自己的理解描述下。
一、引子：
用户输入关键字后只要敲个回车键就能返回搜索结果（图1a），这样一个简单的过程可能涉及到上千个服务，可能需要上千个服务器协作完成。如图1b所示，user发了RequestX请求到达A，A通过rpc（远程过程调用，如thrift）调用B以及C，而C又需要通过rpc调用D以及E等等。
对user的一次请求，他迟迟未收到响应ReplyX，或者响应时间很慢，我们需要确认性能到底消耗在哪个环节，这个时候我们该怎么办呢？自然是分析我们的日志。
我们每个服务都会有请求日志，请求日志记录着一次调用所花费的时间，比如对A来说，记录着调用B所花费的时间以及调用C所花费的时间，同理C的请求日志记录着调用D以及E所花费的时间。对于互联网应用来说，各个服务比如B，同一时刻可能有成百上千次请求记录。
这种日志有个致命缺点---没有将这些记录与特定的请求关联一起。对于user的一条特定的请求RequestX，我们不知道B日志中哪条记录与之对应，也不知道C日志中哪条记录与之对应。。。总而言之，我们不能很具体的分析user的一次请求响应缓慢到底消耗在哪个环节。
二、 如何将各个服务日志的每一条记录与特定的请求关联在一起呢？
当前学术界和工业界有两种方法：
1）黑盒方法（black box）
日志还是一样的记录，只是通过机器学习的方法来关联记录与特定的请求。以一条特定请求RequestX为变量，通过黑盒（也就是机器学习的模型，比如回归分析）从A的日志中找出一条记录与之对应，同理可以找出B、C、D、E等等的相关记录。
黑盒方法的优势就是不需要改变现有日志记录方法，但是缺点很明显，机器学习的精度往往不高，实际使用中效果不好。
2）基于注释的方案
利用应用程序或中间件给每条记录一个全局标志符，借此将一串请求关联起来。比如对RequestX来说，赋予一个标志符1000，后续相关各个服务都会将标识符1000与记录一起打在日志里。这种方法的优势就是比较精确，目前google、twitter、淘宝等都采用这种方式。下面介绍google的分布式追踪系统解决方案---dapper。
三、dapper的设计目标：
1）低消耗
dapper本质是用来发现性能消耗问题，如果dapper本身很消耗性能，没人愿意使用，因此低消耗是必须的，dapper使用一系列创新方法确保低消耗，比如使用采样方法。
2）应用级透明
应用级透明的意思是程序员可以不需要在自己的代码中嵌入dapper相关的代码就能达到分布式追踪日志记录的目的。每一个工程师都希望自己的代码是纯粹的，如果需要嵌入dapper相关代码，那么既影响代码维护，又影响bug定位。
3）扩展性好
对于一个快速发展的互联网公司而言，用户规模快速增长导致着服务以及机器数量越来越多，因此dapper需要适应相应的发展，扩展性要好。
四、dapper的几个关键点：
1）dapper日志记录的格式是怎样的呢？
dapper用span来表示一个服务调用开始和结束的时间，也就是时间区间(图2对应着图1b的调用图)。dapper记录了span的名称以及每个span的ID和父ID，如果一个span没有父ID被称之为root span。所有的span都挂在一个特定得追踪上，共用一个跟踪ID，这些ID用全局64位整数标示，也就是图2的traceID。
2）如何实现应用级透明？
在google的环境中，所有的应用程序使用相同的线程模型、控制流和RPC系统，既然不能让工程师写代码记录日志，那么就只能让这些线程模型、控制流和RPC系统来自动帮助工程师记录日志了。
举个例子，几乎所有的google进程间通信是建立在一个用C++和JAVA开发的RPC框架上，dapper把跟踪植入这个框架，span的ID和跟踪的ID会从客户端发送到服务端，这样工程师也就不需要关心。
3）dapper跟踪收集的流程
如图3所示，分为3个阶段：a）各个服务将span数据写到本机日志上；b）dapper守护进程进行拉取，将数据读到dapper收集器里；c）dapper收集器将结果写到bigtable中，一次跟踪被记录为一行。
4）如何尽可能降低开销？
作为一个分布式追踪系统，dapper希望尽可能降低性能开销。如果对每一次的请求都进行追踪收集，开销还是有点大的。一个比较好的方式是通过统计采样的方法，抽样追踪一些请求，从而达到性能开销与精度的折中。
dapper的第一个版本设置了一个统一的采样率1/1024，也就是1024个请求才追踪一次。后来发现对一些高吞吐的服务来说是可以的，比如每秒几十万的请求，但是对一些低吞吐量的服务，比如每秒几十个请求的服务，如果采样率设置为1/1024，很多性能问题可能不会被追踪到。因此在第二版本dapper提供了自适应的采样率，在低吞吐量时候提高采样率，在高吞吐量时降低采样率。
上面的采样是在第一个阶段，此外在收集器将span数据写到bigtable时，还可以使用第二次采样，即不一定都将数据写入到bigtable中。
五、dapper的使用
1）监测新服务部署性能情况
对一个新服务，往往需要经过一段时间的观察，这时候可以使用dapper进行监测，从而发现存在的性能的问题；
2）推断服务间的依存关系
通过使用dapper，可以很清晰的表明一个服务依赖了哪些服务，以及一个服务影响到哪些服务，这样能促使我们在上线的时候能及时通知下游服务监控者重点观察。
...）
六、dapper的不足
1）某些时候缓冲一些请求，然后一次性操作会比较高效，比如I/O请求等。各个请求都有traceID，但是聚集之后只有一个请求，因此只能选择一个traceID用于传递到聚集请求，这时追踪会中断。
2）dapper可能找出某个环节慢了，但不一定能找出根源。比如一个请求慢可能不是它自身慢，而可能它在消息队列中比较靠后。
...）