DataLink 数据同步平台

---

一、数据同步平台

在项目开发中，经常需要将数据库数据同步到 ES、Redis 等其他平台，通过自己写代码进行同步过程中面临诸多问题，比如业务代码和同步代码高耦合，数据一致性等；一个支持多输入输出源的数据同步平台就显得很有意义。

概述

• DataLink 数据平台基于当前成熟的 Canal、定时任务补偿、Dubbo 泛化调用等方案，实现异构数据平台的同步和最终一致性问题，支持集群部署。通过 DataLink 健康检查程序，可以对所有中间件和 DataLink 本身服务的异常情况（包括服务宕机等）进行补偿操作。
• DataLink 当前主要支持对 Mysql 数据同步到 ElasticSearch，对 Oracle、Redis 以及其他 RDB 的输出正在规划中。

核心能力

• Canal 实时同步
  Canal 订阅 Mysql binlog，推送数据变更信息到 RocketMQ，监听 MQ 处理变更数据到 ElasticSearch
• 区间数据健康检查、自动补偿
  基于 Elastic-Job 定时任务方式，MD5 比较 ES 与数据库信息，有差异则同步，同时解决所有中间件或同步程序可能的异常情况补偿
• 基于 RocketMQ 的自定义同步支持
  接入方在没有部署 Canal Server，仅有 RocketMQ 的情况下，主动往 RocketMQ 发送数据请求同步

工作原理

详细流程

• 实时数据同步流程
  

• 健康检查与补偿流程
  

---

二、快速接入

部署中间件

• 部署 Canal Server，使用 MQ 模式，可参考 https://github.com/alibaba/canal
• 部署 ElasticSearch 6.x，参考 https://www.elastic.co/cn/blog/state-of-the-official-elasticsearch-java-clients
• 部署 Rocketmq

程序配置

spring:
  datasource:
    name: datalink-service
    type: com.alibaba.druid.pool.DruidDataSource
    url: jdbc:mysql://127.0.0.1:3306/ins_basicdata_prd?autoReconnect=true&characterEncoding=UTF8&useSSL=false&serverTimezone=UTC
    username: ******
    password: ******
    driver-class-name: com.mysql.jdbc.Driver

dubbo:
  application:
    name: datalink
  registry:
    address: zookeeper://127.0.0.1:2181?timeout=30000
    protocol: zookeeper
    timeout: 60000
  protocol:
    port: 21990
    name: dubbo
    id: dubbo
  consumer:
    timeout: 6000

rocketmq:
  # 业务方主动推送 MQ 变更配置（可选）
  biz:
    namesrvAddr: 127.0.0.1:9876
    groupName: datalinkBizConsumerGroup
  # canal监听的变更 MQ 配置
  canal:
    namesrvAddr: 127.0.0.1:9876
    groupName: datalinkCommonConsumerGroup

elaticjob:
  zookeeper:
    server-lists: 127.0.0.1:2181
    namespace: datalink

elasticsearch:
  cluster-name: elasticsearch
  cluster-nodes: 127.0.0.1:9300

创建数据库表

CREATE TABLE `m_elastic_search_cfg` (
  `id` BIGINT(20) NOT NULL AUTO_INCREMENT COMMENT '主键id',
  `config_name` VARCHAR(64) NOT NULL COMMENT '配置名字',
  `match_topic` VARCHAR(64) NOT NULL COMMENT '匹配的topic',
  `listen_table` TEXT COMMENT '匹配的数据库和数据表',
  `primary_key` VARCHAR(64) DEFAULT NULL COMMENT '主键',
  `interface_name` VARCHAR(128) NOT NULL COMMENT '接口名字',
  `function_name` VARCHAR(128) NOT NULL COMMENT '方法名字',
  `search_class` VARCHAR(128) NOT NULL COMMENT '方法的参数',
  `search_key` VARCHAR(64) NOT NULL COMMENT '方法的参数的主键',
  `data_node_path` VARCHAR(64) DEFAULT NULL COMMENT '数据节点路径',
  `version` VARCHAR(64) DEFAULT NULL COMMENT '版本',
  `es_index` VARCHAR(64) NOT NULL COMMENT 'es的索引',
  `handler` VARCHAR(64) NOT NULL COMMENT '处理类',
  `increment_field` VARCHAR(64) DEFAULT NULL COMMENT '定时器补偿字段',
  `increment_table` TEXT COMMENT '定时器补偿表',
  `increment_date_column` VARCHAR(64) NOT NULL DEFAULT 'UPDATE_TIME' COMMENT '定时器补偿日期字段',
  `last_check_time` DATETIME DEFAULT NULL COMMENT '定时器最近同步日期',
  `create_time` DATETIME DEFAULT CURRENT_TIMESTAMP COMMENT '创建时间',
  `update_time` TIMESTAMP NOT NULL DEFAULT CURRENT_TIMESTAMP ON UPDATE CURRENT_TIMESTAMP COMMENT '更新时间',
  PRIMARY KEY (`id`)
) ENGINE=INNODB AUTO_INCREMENT=7 DEFAULT CHARSET=utf8mb4 COMMENT='es配置表'

• match_topic
  配置格式为：ins_trade_prd_0，ins_trade_prd_[0-9]（监听 ins_trade_prd_0 到 ins_trade_prd_9）
• listen_table
  监听表配置，支持正则表达式，例如 ins_trade_prd_[0-9]+\.t_order_main.* 表示监听数据库 ins_trade_prd_0 到 ins_trade_prd_9 10 个数剧库，前缀为 t_order_main 的所有表（分表）。仅 handler 为 DML_NOTIFY_NORMAL 需要配置。
• primary_key
  主键或者从表的外键，即能从 canal 监听的 dml 数据中提取出用于 dubbo 查询的 searchKey 值；逗号间隔，依次提取
• interface_name、function_name、search_class、search_key、data_node_path 和 version
  都是配置 dubbo provider 的接口信息，其中 data_node_path 指定返回结果的数据路径 $.content（符合 jsonpath 语法，以 $ 开头）
• handler
  BIZ_NOTIFY_NORMAL，监听业务推送消息Handler
  DML_NOTIFY_NORMAL，监听业务表数据变更Handler
• increment_field、increment_table、increment_date_column
  分别为定时任务健康检查和补偿相关字段。increment_table的配置规则同上面match_topic

启动应用

• 运行 DataLinkApplication 类启动应用程序，几种触发数据同步方式：
  • Canal 监听的业务数据表发生变更
  • 主动往业务 MQ 插入消息
  • 等待定时任务健康检查、数据补偿

注意事项

• 同步 ES 的索引需要建立，Mapping 映射最好可以先建立（如果不建立，由 ES 动态创建 Mapping）
• 分库分表情况下，库需要在同一个 IP 下，能够互相访问

---

三、扩展：四种 CDC 方案比较优劣

• 抽取处理需要重点考虑增量抽取，也被称为变化数据捕获，简称 CDC。假设一个数据仓库系统，在每天夜里的业务低峰时间从操作型源系统抽取数据，那么增量抽取只需要过去 24 小时内发生变化的数据。变化数据捕获也是建立准实时数据仓库的关键技术。
• 当你能够识别并获得最近发生变化的数据时，抽取及其后面的转换、装载操作显然都会变得更高效，因为要处理的数据量会小很多。遗憾的是，很多源系统很难识别出最近变化的数据，或者必须侵入源系统才能做到。变化数据捕获是数据抽取中典型的技术挑战。
• 常用的变化数据捕获方法有时间戳、快照、触发器和日志四种。相信熟悉数据库的读者对这些方法都不会陌生。时间戳方法需要源系统有相应的数据列表示最后的数据变化。快照方法可以使用数据库系统自带的机制实现，如 Oracle 的物化视图技术，也可以自己实现相关逻辑，但会比较复杂。触发器是关系数据库系统具有的特性，源表上建立的触发器会在对该表执行 insert、update、delete 等语句时被触发，触发器中的逻辑用于捕获数据的变化。日志可以使用应用日志或系统日志，这种方式对源系统不具有侵入性，但需要额外的日志解析工作。
• CDC 大体可以分为两种，一种是侵入式的，另一种是非侵入式的。所谓侵入式的是指 CDC 操作会给源系统带来性能的影响。只要 CDC 操作以任何一种方式对源库执行了 SQL 语句，就可以认为是侵入式的 CDC。基于时间戳的 CDC、基于触发器的 CDC、基于快照的 CDC 是侵入性的，基于日志的 CDC 是非侵入性的。
• 下表总结了四种CDC方案的特点。

项目	时间戳方式	快照方式	触发器方式	日志方式
能区分插入/更新	否	是	是	是
周期内，检测到多次更新	否	否	是	是
能检测到删除	否	是	是	是
不具有侵入性	否	否	否	是
支持实时	否	否	是	是
需要 DBA	否	否	是	是
不依赖数据库	是	是	否	否

---

说明：本篇是公司研发平台数据同步的一套解决方案，目前在公司多个项目中已落地，效果还不错，本人在此进行一个分享和记录，其中源码不对外开放，欢迎一起探讨~。