数据同步

1. 应用场景

• 业务数据发展到一定水平，需要将大部分冷热数据从熟悉的DB迁移到其他存储进行复杂查询和分析
• 分库分表后，某些报表类查询无法工作，需要汇总到单库表进行操作
• 分库分表有多个维度，需要拷贝多份数据达成冗余
• 通过伪数据共享（没办法引入MQ、无法共享库表）进行业务改造
• 慢存储–>Cache之间的同步
• 不停服数据迁移/scheme变更
• 导数据导数据

很多时候，DataBus提供的仅仅是一个工具集。要完成最终的功能，大多数需要引入其他组件，如MQ、JOB等进行配合。同时，大部分数据同步工具需要有规范的数据库支持。所以，在忙着进行数据同步之前，需要对遗留数据进行一次集中数据治理。

一般数据同步，可以应用驱动双写：应用层同时向数据库或者多个存储写数据。因为代码在自己手中，这种方式在直觉上是简单可控的。但它引入的一致性问题将会是非常大的减分，因为没有复杂的协调协议（比如两阶段提交协议或者paxos算法），当出现问题时，很难保证多个存储处于相同的锁定状态。两个系统需要精确完成同样的写操作，并以同样的顺序完成序列化。如果写操作是有条件的或是有部分更新的语义，那么事情就会变得更麻烦。

基于数据库日志：将数据库作为唯一真实数据来源，并将变更从事务或提交日志中提取出来。这可以解决一致性问题，但是很难实现，MySQL这样的数据库有私有的交易日志格式和复制冗余解决方案，难以保证版本升级之后的可用性。由于要解决的是处理应用代码发起的数据变更，然后写入到另一个数据库中，冗余系统就得是用户层面的，而且要与来源无关。对于快速变化的技术公司，这种与数据来源的独立性非常重要，可以避免应用栈的技术锁定，或是绑死在二进制格式上。

2. 数据同步方式

目前的数据同步解决方案，大体有以下三种：

针对特定AB方数据同步进行的私有定制，如trigger
binlog、wal日志级别的精确数据同步
基于lastUpdateTime的查询结果集数据同步

针对于数据同步方式，有增量和全量同步两种：

全量 一次性导出倒入完毕
增量 数据随到随倒，小溪汇大海～

3. 数据同步考虑的因素

3.1基本特性

• 同机房同步实时性(RTT)
• 增量同步/全量同步策略
• 事务支持粒度
• 峰值应对策略 (消峰降级、延迟写入、扩容策略)

3.2 多机房(X一般公司不到这水平)

• 数据库异地灾备
• 多机房同步延迟
• 机房切换（单元化切流/全站切流）
• 数据对其方案
• 双活

3.3 AB端数量和质量

• 支持常见的SQL，如MySQL、Postgres
• 其他AB端支持，如：Redis、Mongo、ES
• 数据同步的
• 扩展方式和社区活跃度

3.4 高吞吐、低延迟

• 并行化（并行读、并行写）
• 顺序场景串行化

3.5 高可用

• 监控、故障恢复
• A（源端）端故障感知
• B （目的端）端故障感知
• 主从切换（或为对等节点）
• 支持服务演练
• 动态配置、故障重启

3.6 数据完整性

• 较高的SLA高可用服务水准
• 故障数据有回放机制和降级策略
• A/B端数据自动校验功能（一致性验证）

3.7 其他

• 数据过滤机制
• 学习、部署成本
• 硬件成本

4. 实现

我们从几个典型实现、来看一下数据同步的复杂性。阿里在数据同步上可谓吓足了功夫，如：datax（ETL工具)、canal、otter、drc、dts、drds愚公精卫等。其中，使用最广泛的就是canal和datax。
另外，还有一些其他较活跃的工具，如sqoop、Maxwell 、debezium等

基于数据库的组件，一般都是伪装成一个DB的从库接收一份数据，剩下的都是框架内玩的事情了。如MySQL一般使用基于row的binlog、postgres基于wal日志进行复制。以MySQL为例、如果通过Binlog方式，将数据同步到ES、Hbase等其他盲区，就需要手写大量代码，包括组装数据、批量、顺序、HA等等很多场景都需要考虑。

我们限定一下一个最简单的使用场景，然后追踪在其上需要哪些工作量，又有哪些优缺点。场景如下：
将MySQL数据库的数据，同步一份数据到Postgres

4.1 Canal

如上图，除了需要搭建canal服务，将其伪装成一个slave，然后通过zookeeper做HA。我们还需要编码一个Canal Client服务，用来读取和解析数据。更多的情况，可能要引进一个MQ组件，用来缓解Canal的压力并承担一些扩展性功能。

一些限制

• Canal源端只支持MySQL，并且只支持基于ROW模式的同步复制
• 同步的表必须要有主键，无主键表update会是一个全表扫描 ,如果出现重复记录的话,同步会导致数据错乱
• 支持部分ddl同步，ddl语句不支持幂等性操作，所以出现重复同步时，会导致同步挂起，可通过配置高级参数：跳过ddl异常，来解决这个问题(支持create
  table / drop table / alter table / truncate table / rename table /
  create index / drop index，其他类型的暂不支持，比如grant,create user,trigger等等)
• 不支持带外键的记录同步
• 数据库慎用或者禁用trigger
• Canal是吃内存的，注意内存相关的调优
• 堆积能力有限，这也是外部MQ的优势

4.2 maxwell

maxwell干脆就将这个过程更近了一步：直接将binlog解析成json存储在kafka中。用户使用的时候，直接订阅kafka的topic即可。

数据可能长这样：

mysql> update test.maxwell set daemon = 'firebus!  firebus!' where id = 1;
  maxwell: {
    "database": "test",
    "table": "maxwell",
    "type": "update",
    "ts": 1449786341,
    "xid": 940786,
    "commit": true,
    "data": {"id":1, "daemon": "Firebus!  Firebus!"},
    "old":  {"daemon": "Stanislaw Lem"}
  }

maxwell为用户提供了默认的解决方式，需要额外引入kafka组件，这也是大部分数据分发共享的思路。由其github star数看来，要小canal一个数量级。在此基础上，有类似bireme更专某个场景的产品，不过都偏小众。

4.3 debezium

我觉得有必要提一下debezium。随着postgres的性能和特性越来越强，国内采用PG的公司逐渐增多。像这种场景，canal就无能为力了，debezium同时支持源端MySQL和Postgres、MongoDB，值得一试。同maxwell类似，同样需要kafka的支持。
缺点也是显而易见的，文档的质量不高，实践资料太少。

4.4 DataBus

Linkedin开源作品。Databus支持多种数据来源的变更抓取，包括Oracle和MySQL。是一个低延迟、可靠的、支持事务的、保持一致性的数据变更抓取系统。
大同小异，databus在MySQL的处理方式上，也是通过解析binlog的方式进行数据抓取。使用MySQL Binlog解析库，我们也可以构造一个自己的数据同步中间件。DataBus做了更多的缓冲区relay、事件优化和回溯处理。在整个技术架构中，可以充当数据总线的作用。

4.5 DataX

与Databus类似，DataX是一个在异构的数据库/文件系统之间高速交换数据的工具，实现了在任意的数据处理系统之间的数据交换，更像是一个ETL工具。
DataX支持的AB端数据源非常丰富，但因为它使用的定时抓取的方式，其延迟相比较Canal等基于日志的方式，是比较大的。同时，DataX对数据的要求较高，比如你的数据库如果没有最后更新时间之类的字段，从源端读取变更数据将有一定的困难。

5. 总结

整体而言，Canal、DataX、DataBus的使用人数多，社区活跃，框架也比较成熟。在满足应用场景的前提下，优先选择，它们都有自己的HA方案，代价适中。

Canal、DataBus源端支持类型有限，但延迟低，需要手写Client来处理数据。大多数情况下需要加入MQ进行配合。

DataX支持丰富，使用简单，但延迟较大（依赖获取频率），只需要手写规则文件，对复杂同步自定义性不强。