42.数据采集实现（canal）

2.1 canal 入门

2.1.1 什么是 canal

阿里巴巴 B2B 公司，因为业务的特性，卖家主要集中在国内，买家主要集中在国外，

所以衍生出了同步杭州和美国异地机房的需求，从 2010 年开始，阿里系公司开始逐步的尝

试基于数据库的日志解析，获取增量变更进行同步，由此衍生出了增量订阅&消费的业务。

canal 是用 java 开发的基于数据库增量日志解析，提供增量数据订阅&消费的中间件。

目前，canal 主要支持了 MySQL 的 binlog 解析，解析完成后才利用 canal client 来处理

获得的相关数据。（数据库同步需要阿里的 otter 中间件，基于 canal）。

2.1.2 使用场景

(1) 原始场景：

阿里 otter 中间件的一部分

otter 是阿里用于进行异地数据库之间的同步框架，canal 是其中一部分。

 

(2) 常见场景 1 ：更新缓存

 

(3) 常见场景 2：抓取业务数据新增变化表，用于制作拉链表。

(4) 常见场景 3 ：抓取业务表的新增变化数据，用于制作实时统计（我们就是这种场景）

2.1.3 canal 的工作原理

(1)

MySQL 主从复制过程

➢

Master 主库将改变记录，写到二进制日志(binary log)中

➢

Slave 从库向 mysql master 发送 dump 协议，将 master 主库的 binary log

events 拷贝到它的中继日志(relay log)；

➢

Slave 从库读取并重做中继日志中的事件，将改变的数据同步到自己的数据库。

 

(2)

canal 的工作原理

很简单，就是 把自己伪装成 slave，假装从 master 复制数据

 

2.1.4 MySQL 的 binlog

(1) 什么是 binlog

MySQL 的二进制日志可以说 MySQL 最重要的日志了，它记录了所有的 DDL 和

DML(除了数据查询语句)语句，以事件形式记录，还包含语句所执行的消耗的时间，MySQL

的二进制日志是事务安全型的。

一般来说开启二进制日志大概会有 1%的性能损耗。二进制有两个最重要的使用场景:

➢

其一：MySQL Replication 在 Master 端开启 binlog，Master 把它的二进制日志

传递给 slaves 来达到 master-slave 数据一致的目的。

➢

其二：自然就是数据恢复了，通过使用 mysqlbinlog 工具来使恢复数据。

二进制日志包括两类文件：二进制日志索引文件（文件名后缀为.index）用于记录所有

的二进制文件，二进制日志文件（文件名后缀为.00000*）记录数据库所有的 DDL 和 DML(除

了数据查询语句)语句事件

(2) binlog 的开启

➢ 找到 MySQL 配置文件的位置

➢

Linux: /etc/my.cnf

如果/etc 目录下没有，可以通过 locate my.cnf 查找位置

➢

Windows: \my.ini

➢

在 mysql 的配置文件下,修改配置

在[mysqld] 区块，设置/添加 log-bin=mysql-bin

这 个 表 示 binlog 日 志 的 前 缀 是 mysql-bin ， 以后生成的日志文件就是

mysql-bin.123456 的文件后面的数字按顺序生成，每次 mysql 重启或者到达单个文件大

小的阈值时，新生一个文件，按顺序编号。

(3) binlog 的分类设置

mysql binlog 的格式有三种，分别是 STATEMENT,MIXED,ROW。

在配置文件中可以选择配置

binlog_format= statement|mixed|row

➢ 三种格式的区别：

◼ statement

语句级，binlog 会记录每次一执行写操作的语句。

相对 row 模式节省空间，但是可能产生不一致性，比如

update tt set create_date=now()

如果用 binlog 日志进行恢复，由于执行时间不同可能产生的数据就不同。

优点：

节省空间

缺点：

有可能造成数据不一致。

◼ row

行级，

binlog 会记录每次操作后每行记录的变化

优点：保持数据的绝对一致性。因为不管 sql 是什么，引用了什么函数，他只记录

执行后的效果。

缺点：占用较大空间。

◼ mixed

statement 的升级版，一定程度上解决了，因为一些情况而造成的 statement 模

式不一致问题

默认还是 statement，在某些情况下譬如：

当函数中包含 UUID() 时；

包含 AUTO_INCREMENT 字段的表被更新时；

执行 INSERT DELAYED 语句时；

用 UDF 时；

会按照 ROW 的方式进行处理

优点：节省空间，同时兼顾了一定的一致性。

缺点：还有些极个别情况依旧会造成不一致，另外 statement 和 mixed 对于需要

对 binlog 的监控的情况都不方便。

综合上面对比，Cannel 想做监控分析，选择 row 格式比较合适