基于日志的同步数据一致性和实时抽取
宜信技术研发中心架构师
- 目前就职于宜信技术研发中心，任架构师，负责流式计算和大数据业务产品解决方案。
- 曾任职于Naver china（韩国最大搜索引擎公司）中国研发中心资深工程师，多年从事CUBRID分布式数据库集群开发和CUBRID数据库引擎开发http://www.cubrid.org/blog/news/cubrid-cluster-introduction/
主题简介：
- DWS的背景介绍
- dbus+wormhole总体架构和技术实现方案
- DWS的实际运用案例
大家好，我是王东，来自宜信技术研发中心，这是我来社群的第一次分享，如果有什么不足，请大家多多指正、包涵。
本次分享的主题是《基于日志的DWS平台实现和应用》，主要是分享一下目前我们在宜信做的一些事情。这个主题里面包含到2个团队很多兄弟姐妹的努力的结果（我们团队和山巍团队的成果）。这次就由我代为执笔，尽我努力给大家介绍一下。
其实整个实现从原理上来说是比较简单的，当然也涉及到不少技术。我会尝试用尽量简单的方式来表达，让大家了解这个事情的原理和意义。在过程中，大家有问题可以随时提出，我会尽力去解答。
DWS是一个简称，是由3个子项目组成，我稍后做解释。
事情是从公司前段时间的需求说起，大家知道宜信是一个互联网金融企业，我们的很多数据与标准互联网企业不同，大致来说就是：
玩数据的人都知道数据是非常有价值的，然后这些数据是保存在各个系统的数据库中，如何让需要数据的使用方得到一致性、实时的数据呢？
- DBA开放各个系统的备库，在业务低峰期（比如夜间），使用方各自抽取所需数据。由于抽取时间不同，各个数据使用方数据不一致，数据发生冲突，而且重复抽取，相信不少DBA很头疼这个事情。
- 公司统一的大数据平台，通过Sqoop 在业务低峰期到各个系统统一抽取数据， 并保存到Hive表中, 然后为其他数据使用方提供数据服务。这种做法解决了一致性问题，但时效性差，基本是T+1的时效。
- 基于trigger的方式获取增量变更，主要问题是业务方侵入性大，而且trigger也带来性能损失。
这些方案都不算完美。我们在了解和考虑了不同实现方式后，最后借鉴了 linkedin的思想，认为要想同时解决数据一致性和实时性，比较合理的方法应该是来自于log。
（此图来自：https://www.confluent.io/blog/using-logs-to-build-a-solid-data-infrastructure-or-why-dual-writes-are-a-bad-idea/）
把增量的Log作为一切系统的基础。后续的数据使用方，通过订阅kafka来消费log。
比如：
- 大数据的使用方可以将数据保存到Hive表或者Parquet文件给Hive或Spark查询；
- 提供搜索服务的使用方可以保存到Elasticsearch或HBase 中；
- 提供缓存服务的使用方可以将日志缓存到Redis或alluxio中；
- 数据同步的使用方可以将数据保存到自己的数据库中；
- 由于kafka的日志是可以重复消费的，并且缓存一段时间，各个使用方可以通过消费kafka的日志来达到既能保持与数据库的一致性，也能保证实时性；
为什么使用log和kafka作为基础，而不使用Sqoop进行抽取呢？ 因为：
为什么不使用dual write（双写）呢？，请参考https://www.confluent.io/blog/using-logs-to-build-a-solid-data-infrastructure-or-why-dual-writes-are-a-bad-idea/
我这里就不多做解释了。
于是我们提出了构建一个基于log的公司级的平台的想法。
下面解释一下DWS平台， DWS平台是有3个子项目组成：
- Dbus（数据总线）：负责实时将数据从源端实时抽出，并转换为约定的自带schema的json格式数据(UMS 数据)，放入kafka中；
- Wormhole（数据交换平台）：负责从kafka读出数据 将数据写入到目标中；
- Swifts（实时计算平台）：负责从kafka中读出数据，实时计算，并将数据写回kafka中。
图中：
- Log extractor和dbus共同完成数据抽取和数据转换，抽取包括全量和增量抽取。
- Wormhole可以将所有日志数据保存到HDFS中； 还可以将数据落地到所有支持jdbc的数据库，落地到HBash，Elasticsearch，Cassandra等；
- Swifts支持以配置和SQL的方式实现对进行流式计算，包括支持流式join，look up，filter，window aggregation等功能；
- Dbus web是dbus的配置管理端，rider除了配置管理以外，还包括对Wormhole和Swifts运行时管理，数据质量校验等。
由于时间关系，我今天主要介绍DWS中的Dbus和Wormhole，在需要的时候附带介绍一下Swifts。
如前面所说，Dbus主要解决的是将日志从源端实时的抽出。 这里我们以MySQL为例子，简单说明如何实现。
我们知道，虽然MySQL InnoDB有自己的log，MySQL主备同步是通过binlog来实现的。如下图：
图片来自：https://github.com/alibaba/canal
而binlog有三种模式：
- Row 模式：日志中会记录成每一行数据被修改的形式，然后在slave端再对相同的数据进行修改。
- Statement 模式: 每一条会修改数据的sql都会记录到 master的bin-log中。slave在复制的时候SQL进程会解析成和原来master端执行过的相同的SQL来再次执行。
- Mixed模式： MySQL会根据执行的每一条具体的sql语句来区分对待记录的日志形式，也就是在Statement和Row之间选择一种。
他们各自的优缺点如下：
此处来自：http://www.jquerycn.cn/a_13625
由于statement 模式的缺点，在与我们的DBA沟通过程中了解到，实际生产过程中都使用row 模式进行复制。这使得读取全量日志成为可能。
通常我们的MySQL布局是采用 2个master主库（vip）+ 1个slave从库 + 1个backup容灾库 的解决方案，由于容灾库通常是用于异地容灾，实时性不高也不便于部署。
为了最小化对源端产生影响，显然我们读取binlog日志应该从slave从库读取。
读取binlog的方案比较多，github上不少，参考https://github.com/search?utf8=%E2%9C%93&q=binlog。最终我们选用了阿里的canal做位日志抽取方。
Canal最早被用于阿里中美机房同步， canal原理相对比较简单：
- Canal模拟MySQL Slave的交互协议，伪装自己为MySQL Slave，向MySQL Slave发送dump协议
- MySQL master收到dump请求，开始推送binary log给Slave(也就是canal)
- Canal解析binary log对象(原始为byte流)
图片来自：https://github.com/alibaba/canal
Dbus 的MySQL版主要解决方案如下：
对于增量的log，通过订阅Canal Server的方式，我们得到了MySQL的增量日志：
- 按照Canal的输出，日志是protobuf格式，开发增量Storm程序，将数据实时转换为我们定义的UMS格式(json格式,稍后我会介绍），并保存到kafka中；
- 增量Storm程序还负责捕获schema变化，以控制版本号；
- 增量Storm的配置信息保存在Zookeeper中，以满足高可用需求。
- Kafka既作为输出结果也作为处理过程中的缓冲器和消息解构区。
在考虑使用Storm作为解决方案的时候，我们主要是认为Storm有以下优点：
- 技术相对成熟，比较稳定，与kafka搭配也算标准组合；
- 实时性比较高，能够满足实时性需求；
- 满足高可用需求；
- 通过配置Storm并发度，可以活动性能扩展的能力；
对于流水表，有增量部分就够了，但是许多表需要知道最初（已存在）的信息。这时候我们需要initial load（第一次加载）。
对于initial load（第一次加载），同样开发了全量抽取Storm程序通过jdbc连接的方式，从源端数据库的备库进行拉取。initial load是拉全部数据，所以我们推荐在业务低峰期进行。好在只做一次，不需要每天都做。
全量抽取，我们借鉴了Sqoop的思想。将全量抽取Storm分为了2 个部分：
- 数据分片
- 实际抽取
数据分片需要考虑分片列，按照配置和自动选择列将数据按照范围来分片，并将分片信息保存到kafka中。
下面是具体的分片策略：
全量抽取的Storm程序是读取kafka的分片信息，采用多个并发度并行连接数据库备库进行拉取。因为抽取的时间可能很长。抽取过程中将实时状态写到Zookeeper中，便于心跳程序监控。
无论是增量还是全量，最终输出到kafka中的消息都是我们约定的一个统一消息格式,称为UMS(unified message schema)格式。
如下图所示：
消息中schema部分，定义了namespace 是由 类型+数据源名+schema名+表名+版本号+分库号+分表号 能够描述整个公司的所有表，通过一个namespace就能唯一定位。
- _ums_op_ 表明数据的类型是I（insert），U（update），D（删除）；
- _ums_ts_ 发生增删改的事件的时间戳，显然新的数据发生的时间戳更新；
- _ums_id_ 消息的唯一id，保证消息是唯一的，但这里我们保证了消息的先后顺序（稍后解释）；
payload是指具体的数据，一个json包里面可以包含1条至多条数据，提高数据的有效载荷。
UMS中支持的数据类型，参考了Hive类型并进行简化，基本上包含了所有数据类型。
在整个数据传输中，为了尽量的保证日志消息的顺序性，kafka我们使用的是1个partition的方式。在一般情况下，基本上是顺序的和唯一的。
但是我们知道写kafka会失败，有可能重写，Storm也用重做机制，因此，我们并不严格保证exactly once和完全的顺序性，但保证的是at least once。
因此_ums_id_变得尤为重要。
对于全量抽取，_ums_id_是唯一的，从zk中每个并发度分别取不同的id片区，保证了唯一性和性能，填写负数，不会与增量数据冲突，也保证他们是早于增量消息的。
对于增量抽取，我们使用的是MySQL的日志文件号 + 日志偏移量作为唯一id。Id作为64位的long整数，高7位用于日志文件号，低12位作为日志偏移量。
例如：000103000012345678。 103 是日志文件号，12345678 是日志偏移量。
这样，从日志层面保证了物理唯一性（即便重做也这个id号也不变），同时也保证了顺序性（还能定位日志）。通过比较_ums_id_ 消费日志就能通过比较_ums_id_知道哪条消息更新。
其实_ums_ts_与_ums_id_意图是类似的，只不过有时候_ums_ts_可能会重复,即在1毫秒中发生了多个操作，这样就得靠比较_ums_id_了。
整个系统涉及到数据库的主备同步，Canal Server，多个并发度Storm进程等各个环节。
因此对流程的监控和预警就尤为重要。
通过心跳模块，例如每分钟（可配置）对每个被抽取的表插入一条心态数据并保存发送时间，这个心跳表也被抽取，跟随着整个流程下来，与被同步表在实际上走相同的逻辑（因为多个并发的的Storm可能有不同的分支），当收到心跳包的时候，即便没有任何增删改的数据，也能证明整条链路是通的。
Storm程序和心跳程序将数据发送公共的统计topic，再由统计程序保存到influxdb中，使用grafana进行展示，就可以看到如下效果：
图中是某业务系统的实时监控信息。上面是实时流量情况，下面是实时延时情况。可以看到，实时性还是很不错的，基本上1~2秒数据就已经到末端kafka中。
Granfana提供的是一种实时监控能力。
如果出现延时，则是通过dbus的心跳模块发送邮件报警或短信报警。
考虑到数据安全性，对于有脱敏需求的场景，Dbus的全量storm和增量storm程序也完成了实时脱敏的功能。脱敏方式有3种：
总结一下：简单的说，Dbus就是将各种源的数据，实时的导出，并以UMS的方式提供订阅， 支持实时脱敏，实际监控和报警。
说完Dbus，该说一下Wormhole，为什么两个项目不是一个，而要通过kafka来对接呢？
其中很大一个原因就是解耦，kafka具有天然的解耦能力，程序直接可以通过kafka做异步的消息传递。Dbus和Wornhole内部也使用了kafka做消息传递和解耦。
另外一个原因就是，UMS是自描述的，通过订阅kafka，任何有能力的使用方来直接消费UMS来使用。
虽然UMS的结果可以直接订阅，但还需要开发的工作。Wormhole解决的是：提供一键式的配置，将kafka中的数据落地到各种系统中，让没有开发能力的数据使用方通过wormhole来实现使用数据。
如图所示，Wormhole 可以将kafka中的UMS 落地到各种系统，目前用的最多的HDFS，JDBC的数据库和HBase。
在技术栈上， wormhole选择使用spark streaming来进行。
在Wormhole中，一条flow是指从一个namaspace从源端到目标端。一个spark streaming服务于多条flow。
选用Spark的理由是很充分的：
- Spark天然的支持各种异构存储系统；
- 虽然Spark Stream比Storm延时稍差，但Spark有着更好的吞吐量和更好的计算性能；
- Spark在支持并行计算方面有更强的灵活性；
- Spark提供了一个技术栈内解决Sparking Job，Spark Streaming，Spark SQL的统一功能，便于后期开发；
这里补充说一下Swifts的作用：
- Swifts的本质是读取kafka中的UMS数据，进行实时计算，将结果写入到kafka的另外一个topic。
- 实时计算可以是很多种方式：比如过滤filter，projection（投影），lookup， 流式join window aggregation，可以完成各种具有业务价值的流式实时计算。
Wormhole和Swifts对比如下：
通过Wormhole Wpark Streaming程序消费kafka的UMS，首先UMS log可以被保存到HDFS上。
kafka一般只保存若干天的信息，不会保存全部信息，而HDFS中可以保存所有的历史增删改的信息。这就使得很多事情变为可能：
- 通过重放HDFS中的日志，我们能够还原任意时间的历史快照。
- 可以做拉链表，还原每一条记录的历史信息，便于分析；
- 当程序出现错误是，可以通过回灌（backfill），重新消费消息，重新形成新的快照。
可以说HDFS中的日志是很多的事情基础。
介于Spark原生对parquet支持的很好，Spark SQL能够对Parquet提供很好的查询。UMS落地到HDFS上是保存到Parquet文件中的。Parquet的内容是所有log的增删改信息以及_ums_id_，_ums_ts_都存下来。
Wormhole spark streaming根据namespace 将数据分布存储到不同的目录中，即不同的表和版本放在不同目录中。
由于每次写的Parquet都是小文件，大家知道HDFS对于小文件性能并不好，因此另外还有一个job，每天定时将这些的Parquet文件进行合并成大文件。
每个Parquet文件目录都带有文件数据的起始时间和结束时间。这样在回灌数据时，可以根据选取的时间范围来决定需要读取哪些Parquet文件，不必读取全部数据。
常常我们遇到的需求是，将数据经过加工落地到数据库或HBase中。那么这里涉及到的一个问题就是，什么样的数据可以被更新到数据？
这里最重要的一个原则就是数据的幂等性。
无论是遇到增删改任何的数据，我们面临的问题都是：
- 该更新哪一行；
- 更新的策略是什么。
对于第一个问题，其实就需要定位数据要找一个唯一的键，常见的有：
- 使用业务库的主键；
- 由业务方指定几个列做联合唯一索引；
对于第二个问题，就涉及到_ums_id_了，因为我们已经保证了_ums_id_大的值更新，因此在找到对应数据行后，根据这个原则来进行替换更新。
之所以要软删除和加入_is_active_列，是为了这样一种情况：
如果已经插入的_ums_id_比较大，是删除的数据（表明这个数据已经删除了）， 如果不是软删除，此时插入一个_ums_id_小的数据（旧数据），就会真的插入进去。
这就导致旧数据被插入了。不幂等了。所以被删除的数据依然保留（软删除）是有价值的，它能被用于保证数据的幂等性。
插入数据到Hbase中，相当要简单一些。不同的是HBase可以保留多个版本的数据（当然也可以只保留一个版本）默认是保留3个版本；
因此插入数据到HBase，需要解决的问题是：
- 选择合适的rowkey：Rowkey的设计是可以选的，用户可以选择源表的主键，也可以选择若干列做联合主键。
- 选择合适的version：使用_ums_id_+ 较大的偏移量（比如100亿） 作为row的version。
Version的选择很有意思，利用_ums_id_的唯一性和自增性，与version自身的比较关系一致：即version较大等价于_ums_id_较大，对应的版本较新。
从提高性能的角度，我们可以将整个Spark Streaming的Dataset集合直接插入到HBase，不需要比较。让HBase基于version自动替我们判断哪些数据可以保留，哪些数据不需要保留。
Jdbc的插入数据：
插入数据到数据库中，保证幂等的原理虽然简单，要想提高性能在实现上就变得复杂很多，总不能一条一条的比较然后在插入或更新。
我们知道Spark的RDD/dataset都是以集合的方式来操作以提高性能，同样的我们需要以集合操作的方式实现幂等性。
具体思路是：
- 首先根据集合中的主键到目标数据库中查询，得到一个已有数据集合；
- 与dataset中的集合比较，分出两类：
A：不存在的数据，即这部分数据insert就可以；
B：存在的数据，比较_ums_id_， 最终只将哪些_ums_id_更新较大row到目标数据库，小的直接抛弃。
使用Spark的同学都知道，RDD/dataset都是可以partition的，可以使用多个worker并进行操作以提高效率。
在考虑并发情况下，插入和更新都可能出现失败，那么还有考虑失败后的策略。
比如：因为别的worker已经插入，那么因为唯一性约束插入失败，那么需要改为更新，还要比较_ums_id_看是否能够更新。
对于无法插入其他情况（比如目标系统有问题），Wormhole还有重试机制。说起来细节特别多。这里就不多介绍了。
有些还在开发中。
插入到其他存储中的就不多介绍了，总的原则是：根据各自存储自身特性，设计基于集合的，并发的插入数据实现。这些都是Wormhole为了性能而做的努力，使用Ｗormhole的用户不必关心 。
说了那么多，DWS有什么实际运用呢？下面我来介绍某系统使用DWS实现了的实时营销。
如上图所示：
系统A的数据都保存到自己的数据库中，我们知道，宜信提供很多金融服务，其中包括借款，而借款过程中很重要的就是信用审核。
借款人需要提供证明具有信用价值的信息，比如央行征信报告，是具有最强信用数据的数据。 而银行流水，网购流水也是具有较强的信用属性的数据。
借款人通过Web或手机APP在系统A中填写信用信息时，可能会某些原因无法继续，虽然可能这个借款人是一个优质潜在客户，但以前由于无法或很久才能知道这个信息，所以实际上这样的客户是流失了。
应用了DWS以后，借款人已经填写的信息已经记录到数据库中，并通过DWS实时的进行抽取、计算和落地到目标库中。根据对客户的打分，评价出优质客户。然后立刻将这个客户的信息输出到客服系统中。
客服人员在很短的时间（几分钟以内）就通过打电话的方式联系上这个借款人（潜客），进行客户关怀，将这个潜客转换为真正的客户。我们知道借款是有时效性的，如果时间太久就没有价值了。
如果没有实时抽取/计算/落库的能力，那么这一切都无法实现。
另外一个实时报表的应用如下：
我们数据使用方的数据来自多个系统，以前是通过T+1的方式获得报表信息，然后指导第二天的运营，这样时效性很差。
通过DWS，将数据从多个系统中实时抽取，计算和落地，并提供报表展示，使得运营可以及时作出部署和调整，快速应对。
说了那么多，大致总结一下：
- DWS技术上基于主流实时流式大数据技术框架，高可用大吞吐强水平扩容，低延迟高容错最终一致。
- DWS能力上支持异构多源多目标系统，支持多数据格式（结构化半结构化非结构化数据）和实时技术能力。
- DWS将三个子项目合并作为一个平台推出，使得我们具备了实时的能力， 驱动各种实时场景应用。
适合场景包括：实时同步／实时计算／实时监控／实时报表／实时分析／实时洞察／实时管理／实时运营／实时决策
感谢大家的聆听，此次分享到此为止。
Q&A
Q1：Oracle log reader有开源方案吗？
Ａ1：对于Oracle业界也有许多商业解决方案，例如：Oracle GoldenGate(原来的goldengate), Oracle Xstream, IBM InfoSphere Change Data Capture(原来的DataMirror)，Dell SharePlex (原来的Quest)，国内的DSG superSync等，开源的方案好用的很少。
Q2：这个项目投入了多少人力物力？感觉有点复杂。
Q2：DWS是三个子项目组成，平均每个项目5~7人。是有点复杂，其实也是试图使用大数据技术来解决我们公司目前遇到的困难。
因为是搞大数据相关技术，所有团队里面的兄弟姐妹都还是比较happy的：）
其实这里面，Dbus和Wormhole相对固定模式化，容易轻松复用。Swifts实时计算是与每个业务相关比较大的，自定义比较强，相对比较麻烦一些。
Q3：宜信的这个DWS系统会开源么？
A3：我们也考虑过向社区贡献，就像宜信的其他开源项目一样，目前项目刚刚成形，还有待进一步磨炼，我相信未来的某个时候，我们会给它开源出来。
Q4：架构师怎么理解，是不是系统工程师？
A4：不是系统工程师，在我们宜信有多位架构师，应该算是以技术驱动业务的技术管理人员。包含产品设计，技术管理等。
Q5：复制方案是否是OGG?
A5：OGG与上面提到的其他商业解决方案都是可选方案。
本文地址：http://www.linuxprobe.com/logs-data-extract.html