【数据迁移】在线数据迁移 ：双写数据库、搬历史数据、切换写入、灰度验证（99.9999%）、删除历史

步骤：双写数据库、搬历史数据、切换写入、灰度验证（99.9999%）、删除历史； 

 

在线数据迁移，是指将正在提供线上服务的数据，从一个地方迁移到另一个地方，整个迁移过程中要求不停机，服务不受影响。根据数据所处层次，可以分为cache迁移和存储迁移；根据数据迁移前后的变化，又可以分为平移和转移。

平移是指迁移前后数据组织形式不变，比如Mysql从1个实例扩展为4个实例，Redis从4个端口扩展到16个端口，HBase从20台机器扩 展到 30台机器等等。如果在最初的设计里就为以后的扩容缩容提供了方便，那么数据迁移工作就会简单很多，比如Mysql已经做了分库分表，扩展实例的时候，只 需要多做几个从库，切换访问，最后将多余的库表删除即可。更进一步，在实现上已经做到全自动数据迁移，如 HBase，就更简单了：添加机器，手工修改配置或者系统自动发现，然后，沏一杯咖啡，等待系统完成迁移。

转移是指数据迁移前后，数据组织形式发生了变化。多年前，某社交平台曾经为ID升级做过一次数据迁移，将ID由最初的自增算法修改为巧妙设计的UUID算 法，这次迁移最大的挑战是要修改数据的主键，主键本来是数据的唯一标识，它发生变化，也就意味着原来的数据不复存在，新的数据凭空产生，对于整个系统中所 有业务流程、周边配套、上下游部门都会产生巨大的兼容性挑战。不过大部分数据迁移项目都不会修改主键，甚至不会修改数据本身，改变的只是数据的组织形式。 比如某社交平台计数器原本为了节约存储空间，使用redis hash进行存储，后来为了提升批量查询的性能，迁移成 KV 形式；又比如某社交平台的转发列表和粉丝列表，最初都使用Mysql存储，后来为了更好的扩展性和成本，都迁移到HBase存储。

在线数据迁移最大的挑战是如何保证迁移过程服务不受影响。很多人将其比喻成“飞行过程中换发动机”“给行驶的汽车换轮胎”，但实际上并没有那么困难，一个入行一两年的技术人员，遵从一些经验指导，完全可以完成。下面就跟大家分享一下个人在这方面的一些经验，作为抛砖引玉。

在线数据迁移一般分为四个步骤：一，上线双写，即同时写入新旧两种数据；二，历史数据离线搬迁，即离线将历史存量数据从旧系统搬到新系统；三，切 读，即将读请求路由到新系统；四，清理沉淀，包括清理旧的数据，回收资源，及清理旧的代码逻辑，旧的配套系统等等，将迁移过程中的经验教训进行总结沉淀， 将过程中开发或使用的工具进行通用化改造，以备下次使用。注意，某些情况下，步骤一和步骤二也可能倒过来，先做历史数据搬迁，然后再写入新数据，这时候就 需要谨慎的处理搬迁这段时间里产生的新数据，一般使用 queue 缓存写入的方式，称为“追数据”。

图1：在线数据迁移步骤示意图

下面以某社交平台粉丝列表从Mysql迁移到HBase为例子，展开来讲讲每个步骤具体实施、可能的问题及对策。

在迁移之前，根据以往的经验制定了更详细的流程，如图：

图2：粉丝列表迁移到HBase工作流程图

上线双写

编写双写的代码逻辑之前，首先要根据业务规则和性能指标确定HBase的表结构和主键设计。对于列表类的需求，HBase有两种典型的用法，一种 是高表模式，与传统的Mysql模式非常类似，列表中的每一项存一行，每一行有固定的属性列；另一种是宽表模式，一个列表存一行，列表中的每一项存成一个 单独的列，各种属性都打包到列内部的value中。如图：

图3：粉丝列表业务分别使用HBase高表模式和宽表模式存储示意图

高表模式的好处在于与Mysql类似，各种业务逻辑的实现也比较像，认知和改造成本较低，劣势在于因为HBase的实现机制导致单个列表可能被分 别存储在多个不同的Region里，查询的性能较差。而宽表的优劣势正好与高表相反。在高并发大流量系统中，技术方案很多特性都可以妥协，但唯独性能永远 是不能妥协的，所以我们选择宽表模式。

很多高并发系统都采用上行异步化，通过将操作转化为消息，写入消息队列，后台异步处理的方式来削峰填谷，并获得更好的可用性。大部分消息队列都支 持单个消息被多个业务模块重复处理，并支持串联和并联。所以在这里我们将写入HBase的代码逻辑单独封装到一个模块中，将它配置为与写入旧Mysql代 码串联或并联即可。

为了支持消息异步处理的重试机制，建议将业务模块设计成具有幂等特性，即同一条消息可以重试多次，而不会破坏最终的结果。有一些模块，如计数器， 提醒等，业务本身不支持重试，可以通过“重复消息检测模块”为它们提供短时间内的重试支持。大部分Mysql存储都通过主键或者单独的Unique key索引来达到幂等要求，相应的，HBase高表模式通过主键保证，宽表模式通过column qualifier保证。在粉丝列表迁移过程中，因为column qualifier不能保证幂等，导致数据一致性无法达到要求，最后也是通过引入额外的重复消息检测模块解决。

另外，HBase当前不提供二级索引、覆盖索引、join、order by等Mysql高级查询功能，需要在迁移之前做好评估，确定新方案能够支持所有的业务特性。比如粉丝列表一般都是查询最新的5000个粉丝，但如果还要 支持查询最初100个粉丝列表的功能，就会比较费劲。

上线双写完成后，需要对双写的数据进行一致性校验。数据一致性校验需要从两个维度进行：存储维度和业务维度。存储维度是指直接取Mysql和 HBase里的数据进行对比；业务维度是指从最终用户看到的数据维度进行校验，即访问粉丝列表页面，看结果是否与原来一致。大型系统的数据一致性校验建议 及格线是6个9，即99.9999%，也就是说每一百万条数据中，差别不能超过1条。

历史数据搬迁

上线双写并校验确认通过后，就可以开始搬迁历史数据了。

搬迁历史数据的步骤中，最大的困难是保证搬迁过程与线上业务写入互不干扰。对于列表类功能，最大的干扰是来自于这样一种业务场景：搬迁程序从 Mysql中select出来一个列表，在插入到HBase之前，这个列表发生了变化。如果是增加一个元素，由于HBase的幂等保证，最终结果并不会产 生偏差，但如果是删除一个或多个元素，那么最终会表现为HBase中删除操作未生效，因为线上业务执行完删除操作后，搬迁程序又执行了插入操作。本质上， 这是因为我们在这样的数据量规模下不能使用事务引起的，如果引入事务，能够解决这个问题，但同时也会将搬迁耗时从几天延长到几周甚至几个月。为了解决这个 问题，可以通过引入轻量级的Memcache锁来模拟Serializable级别的事务隔离。

历史数据搬迁完成后也需要进行一致性校验。实际上，建议在搬迁全量数据之前，先搬迁部分数据，并进行一致性校验。部分数据一致性校验通过后，再对全量数据进行搬迁。这种方式可以极大的节约搬迁时间，降低因为搬迁流程或代码不完善导致的延期风险。

切读

全量数据搬迁并校验完成后，即可以进行读请求切换了。通用的切换方式是在代码中埋入开关，通过 Config Service 或类似机制进行切换操作。切换的流程为：Tcpcopy环境 --> 线上环境 uid 白名单（内部工程师）--> 线上环境百分比灰度 0.01%，1%，10% --> 线上环境全量。tcpcopy 环境用来验证代码在线上环境是否正常，uid白名单用来验证功能是否正常，百分比灰度用来验证性能和资源压力是否正常，所有验证都通过后，最后才进行全量 切换。一般这个过程会持续一周到两周。

清理沉淀

切读完成后，整个数据迁移过程可以认为已经完成了。但项目工作并没有完结，旧的逻辑代码清理，旧的配套系统下线，旧资源回收，以及最重要的一个环节：经验教训总结、分享，流程完善，工具通用化改造。

在线数据迁移并不是一项需要高深技术的工作，它更多需要的是对业务逻辑的把控，对操作流程的理解，对新旧系统特性的掌握，以及对细节的敬畏之心。

备注1：某些情况下，步骤一和步骤二也可能倒过来，先做历史数据搬迁，然后再写入新数据，这时候就需要谨慎的处理搬迁这段时间里产生的新数据，内部一般使用 queue 缓存写入的方式，称为“追数据”。
备注2：通过实现prefixSplitPolicy，可以保证同一个user(prefix)的数据一定在同一个region里的，这不是一个不能克服的劣势。感谢 @冯宏华 同学的指正
备注3：小米为HBase引入了高表模式下的reverse scan功能，见 https://issues.apache.org/jira/browse/HBASE-4811 ，但宽表模式下还是需要额外成本。