319      阿裏雲  技術社區[雲棲]

如何基於日誌，同步實現數據的一致性和實時抽取?

本文根據DBAplus社群第85期線上分享整理而成

王東

宜信技術研發中心架構師

• 目前就職於宜信技術研發中心，任架構師，負責流式計算和大數據業務產品解決方案。

• 曾任職於Naver china（韓國最大搜索引擎公司）中國研發中心資深工程師，多年從事CUBRID分布式數據庫集群開發和CUBRID數據庫引擎開發

  https://www.cubrid.org/blog/news/cubrid-cluster-introduction/

主題簡介：

1. DWS 的背景介紹

2. dbus+wormhole 總體架構和技術實現方案

3. DWS的實際運用案例

大家好，我是王東，來自宜信技術研發中心，這是我來社群的第一次分享，如果有什麼不足，請大家多多指正、包涵。

本次分享的主題是《基於日誌的DWS平台實現和應用》， 主要是分享一下目前我們在宜信做的一些事情。這個主題裏麵包含到2個團隊很多兄弟姐妹的努力的結果（我們團隊和山巍團隊的成果）。這次就由我代為執筆，盡我努力給大家介紹一下。

其實整個實現從原理上來說是比較簡單的，當然也涉及到不少技術。我會嚐試用盡量簡單的方式來表達，讓大家了解這個事情的原理和意義。在過程中，大家有問題可以隨時提出，我會盡力去解答。

DWS是一個簡稱，是由3個子項目組成，我稍後做解釋。

一、背景

事情是從公司前段時間的需求說起，大家知道宜信是一個互聯網金融企業，我們的很多數據與標準互聯網企業不同，大致來說就是：

玩數據的人都知道數據是非常有價值的，然後這些數據是保存在各個係統的數據庫中，如何讓需要數據的使用方得到一致性、實時的數據呢？

過去的通用做法有幾種是：

1. DBA開放各個係統的備庫，在業務低峰期（比如夜間），使用方各自抽取所需數據。由於抽取時間不同，各個數據使用方數據不一致，數據發生衝突，而且重複抽取，相信不少DBA很頭疼這個事情。

2. 公司統一的大數據平台，通過Sqoop 在業務低峰期到各個係統統一抽取數據， 並保存到Hive表中, 然後為其他數據使用方提供數據服務。這種做法解決了一致性問題，但時效性差，基本是T+1的時效。

3. 基於trigger的方式獲取增量變更，主要問題是業務方侵入性大，而且trigger也帶來性能損失。

這些方案都不算完美。我們在了解和考慮了不同實現方式後，最後借鑒了 linkedin的思想，認為要想同時解決數據一致性和實時性，比較合理的方法應該是來自於log。

（此圖來自：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作為一切係統的基礎。後續的數據使用方，通過訂閱kafka來消費log。

比如：

• 大數據的使用方可以將數據保存到Hive表或者Parquet文件給Hive或Spark查詢；

• 提供搜索服務的使用方可以保存到Elasticsearch或HBase 中；

• 提供緩存服務的使用方可以將日誌緩存到Redis或alluxio中；

• 數據同步的使用方可以將數據保存到自己的數據庫中；

• 由於kafka的日誌是可以重複消費的，並且緩存一段時間，各個使用方可以通過消費kafka的日誌來達到既能保持與數據庫的一致性，也能保證實時性；

為什麼使用log和kafka作為基礎，而不使用Sqoop進行抽取呢？ 因為：

為什麼不使用dual write（雙寫）呢？，請參考https://www.confluent.io/blog/using-logs-to-build-a-solid-data-infrastructure-or-why-dual-writes-are-a-bad-idea/

我這裏就不多做解釋了。

二、總體架構

於是我們提出了構建一個基於log的公司級的平台的想法。

下麵解釋一下DWS平台， DWS平台是有3個子項目組成：

1. Dbus（數據總線）：負責實時將數據從源端實時抽出，並轉換為約定的自帶schema的json格式數據(UMS 數據)，放入kafka中；

2. Wormhole（數據交換平台）：負責從kafka讀出數據 將數據寫入到目標中；

3. Swifts（實時計算平台）：負責從kafka中讀出數據，實時計算，並將數據寫回kafka中。

圖中：

• Log extractor和dbus共同完成數據抽取和數據轉換，抽取包括全量和增量抽取。

• Wormhole可以將所有日誌數據保存到HDFS中； 還可以將數據落地到所有支持jdbc的數據庫，落地到HBash，Elasticsearch，Cassandra等；

• Swifts支持以配置和SQL的方式實現對進行流式計算，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，還包括對Wormhole和Swifts運行時管理，數據質量校驗等。

由於時間關係，我今天主要介紹DWS中的Dbus和Wormhole，在需要的時候附帶介紹一下Swifts。

三、dbus解決方案

日誌解析

如前麵所說，Dbus主要解決的是將日誌從源端實時的抽出。 這裏我們以MySQL為例子，簡單說明如何實現。

我們知道，雖然MySQL InnoDB有自己的log，MySQL主備同步是通過binlog來實現的。如下圖：

圖片來自：https://github.com/alibaba/canal

而binlog有三種模式：

1. Row 模式：日誌中會記錄成每一行數據被修改的形式，然後在slave端再對相同的數據進行修改。

2. Statement 模式: 每一條會修改數據的sql都會記錄到 master的bin-log中。slave在複製的時候SQL進程會解析成和原來master端執行過的相同的SQL來再次執行。

3. Mixed模式： MySQL會根據執行的每一條具體的sql語句來區分對待記錄的日誌形式，也就是在Statement和Row之間選擇一種。

他們各自的優缺點如下：

此處來自：https://www.jquerycn.cn/a_13625

由於statement 模式的缺點，在與我們的DBA溝通過程中了解到，實際生產過程中都使用row 模式進行複製。這使得讀取全量日誌成為可能。

通常我們的MySQL布局是采用 2個master主庫（vip）+ 1個slave從庫 + 1個backup容災庫 的解決方案，由於容災庫通常是用於異地容災，實時性不高也不便於部署。

為了最小化對源端產生影響，顯然我們讀取binlog日誌應該從slave從庫讀取。

讀取binlog的方案比較多，github上不少，參考https://github.com/search?utf8=%E2%9C%93&q=binlog。最終我們選用了阿裏的canal做位日誌抽取方。

Canal最早被用於阿裏中美機房同步， canal原理相對比較簡單：

1. Canal模擬MySQL Slave的交互協議，偽裝自己為MySQL Slave，向MySQL Slave發送dump協議

2. MySQL master收到dump請求，開始推送binary log給Slave(也就是canal)

3. Canal解析binary log對象(原始為byte流)

圖片來自：https://github.com/alibaba/canal

解決方案

Dbus 的MySQL版主要解決方案如下：

對於增量的log，通過訂閱Canal Server的方式，我們得到了MySQL的增量日誌：

• 按照Canal的輸出，日誌是protobuf格式，開發增量Storm程序，將數據實時轉換為我們定義的UMS格式(json格式,稍後我會介紹），並保存到kafka中；

• 增量Storm程序還負責捕獲schema變化，以控製版本號；

• 增量Storm的配置信息保存在Zookeeper中，以滿足高可用需求。

• Kafka既作為輸出結果也作為處理過程中的緩衝器和消息解構區。

在考慮使用Storm作為解決方案的時候，我們主要是認為Storm有以下優點：

• 技術相對成熟，比較穩定，與kafka搭配也算標準組合；

• 實時性比較高，能夠滿足實時性需求；

• 滿足高可用需求；

• 通過配置Storm並發度，可以活動性能擴展的能力；

全量抽取

對於流水表，有增量部分就夠了，但是許多表需要知道最初（已存在）的信息。這時候我們需要initial load（第一次加載）。

對於initial load（第一次加載），同樣開發了全量抽取Storm程序通過jdbc連接的方式，從源端數據庫的備庫進行拉取。initial load是拉全部數據，所以我們推薦在業務低峰期進行。好在隻做一次，不需要每天都做。

全量抽取，我們借鑒了Sqoop的思想。將全量抽取Storm分為了2 個部分：

1. 數據分片

2. 實際抽取

數據分片需要考慮分片列，按照配置和自動選擇列將數據按照範圍來分片，並將分片信息保存到kafka中。

下麵是具體的分片策略：

全量抽取的Storm程序是讀取kafka的分片信息，采用多個並發度並行連接數據庫備庫進行拉取。因為抽取的時間可能很長。抽取過程中將實時狀態寫到Zookeeper中，便於心跳程序監控。

統一消息格式

無論是增量還是全量，最終輸出到kafka中的消息都是我們約定的一個統一消息格式,稱為UMS(unified message schema)格式。

如下圖所示：

消息中schema部分，定義了namespace 是由 類型+數據源名+schema名+表名+版本號+分庫號+分表號 能夠描述整個公司的所有表，通過一個namespace就能唯一定位。

• _ums_op_ 表明數據的類型是I（insert），U（update），D（刪除）；

• _ums_ts_ 發生增刪改的事件的時間戳，顯然新的數據發生的時間戳更新；

• _ums_id_ 消息的唯一id，保證消息是唯一的，但這裏我們保證了消息的先後順序（稍後解釋）；

payload是指具體的數據，一個json包裏麵可以包含1條至多條數據，提高數據的有效載荷。

UMS中支持的數據類型，參考了Hive類型並進行簡化，基本上包含了所有數據類型。

全量和增量的一致性

在整個數據傳輸中，為了盡量的保證日誌消息的順序性，kafka我們使用的是1個partition的方式。在一般情況下，基本上是順序的和唯一的。

但是我們知道寫kafka會失敗，有可能重寫，Storm也用重做機製，因此，我們並不嚴格保證exactly once和完全的順序性，但保證的是at least once。

因此_ums_id_變得尤為重要。

對於全量抽取，_ums_id_是唯一的，從zk中每個並發度分別取不同的id片區，保證了唯一性和性能，填寫負數，不會與增量數據衝突，也保證他們是早於增量消息的。

對於增量抽取，我們使用的是MySQL的日誌文件號 + 日誌偏移量作為唯一id。Id作為64位的long整數，高7位用於日誌文件號，低12位作為日誌偏移量。

例如：000103000012345678。 103 是日誌文件號，12345678 是日誌偏移量。

這樣，從日誌層麵保證了物理唯一性（即便重做也這個id號也不變），同時也保證了順序性（還能定位日誌）。通過比較_ums_id_ 消費日誌就能通過比較_ums_id_知道哪條消息更新。

其實_ums_ts_與_ums_id_意圖是類似的，隻不過有時候_ums_ts_可能會重複,即在1毫秒中發生了多個操作，這樣就得靠比較_ums_id_了。

心跳監控和預警

整個係統涉及到數據庫的主備同步，Canal Server，多個並發度Storm進程等各個環節。

因此對流程的監控和預警就尤為重要。

通過心跳模塊，例如每分鍾（可配置）對每個被抽取的表插入一條心態數據並保存發送時間，這個心跳表也被抽取，跟隨著整個流程下來，與被同步表在實際上走相同的邏輯（因為多個並發的的Storm可能有不同的分支），當收到心跳包的時候，即便沒有任何增刪改的數據，也能證明整條鏈路是通的。

Storm程序和心跳程序將數據發送公共的統計topic，再由統計程序保存到influxdb中，使用grafana進行展示，就可以看到如下效果：

圖中是某業務係統的實時監控信息。上麵是實時流量情況，下麵是實時延時情況。可以看到，實時性還是很不錯的，基本上1~2秒數據就已經到末端kafka中。

Granfana提供的是一種實時監控能力。

如果出現延時，則是通過dbus的心跳模塊發送郵件報警或短信報警。

實時脫敏

考慮到數據安全性，對於有脫敏需求的場景，Dbus的全量storm和增量storm程序也完成了實時脫敏的功能。脫敏方式有3種：

總結一下：簡單的說，Dbus就是將各種源的數據，實時的導出，並以UMS的方式提供訂閱， 支持實時脫敏，實際監控和報警。

四、Wormhole解決方案

說完Dbus，該說一下Wormhole，為什麼兩個項目不是一個，而要通過kafka來對接呢？

其中很大一個原因就是解耦，kafka具有天然的解耦能力，程序直接可以通過kafka做異步的消息傳遞。Dbus和Wornhole內部也使用了kafka做消息傳遞和解耦。

另外一個原因就是，UMS是自描述的，通過訂閱kafka，任何有能力的使用方來直接消費UMS來使用。

雖然UMS的結果可以直接訂閱，但還需要開發的工作。Wormhole解決的是：提供一鍵式的配置，將kafka中的數據落地到各種係統中，讓沒有開發能力的數據使用方通過wormhole來實現使用數據。

如圖所示，Wormhole 可以將kafka中的UMS 落地到各種係統，目前用的最多的HDFS，JDBC的數據庫和HBase。

在技術棧上， wormhole選擇使用spark streaming來進行。

在Wormhole中，一條flow是指從一個namaspace從源端到目標端。一個spark streaming服務於多條flow。

選用Spark的理由是很充分的：

• Spark天然的支持各種異構存儲係統；

• 雖然Spark Stream比Storm延時稍差，但Spark有著更好的吞吐量和更好的計算性能；

• Spark在支持並行計算方麵有更強的靈活性；

• Spark提供了一個技術棧內解決Sparking Job，Spark Streaming，Spark SQL的統一功能，便於後期開發；

這裏補充說一下Swifts的作用：

• Swifts的本質是讀取kafka中的UMS數據，進行實時計算，將結果寫入到kafka的另外一個topic。

• 實時計算可以是很多種方式：比如過濾filter，projection（投影），lookup， 流式join window aggregation，可以完成各種具有業務價值的流式實時計算。

Wormhole和Swifts對比如下：

落HDFS

通過Wormhole Wpark Streaming程序消費kafka的UMS，首先UMS log可以被保存到HDFS上。

kafka一般隻保存若幹天的信息，不會保存全部信息，而HDFS中可以保存所有的曆史增刪改的信息。這就使得很多事情變為可能：

• 通過重放HDFS中的日誌，我們能夠還原任意時間的曆史快照。

• 可以做拉鏈表，還原每一條記錄的曆史信息，便於分析；

• 當程序出現錯誤是，可以通過回灌（backfill），重新消費消息，重新形成新的快照。

可以說HDFS中的日誌是很多的事情基礎。

介於Spark原生對parquet支持的很好，Spark SQL能夠對Parquet提供很好的查詢。UMS落地到HDFS上是保存到Parquet文件中的。Parquet的內容是所有log的增刪改信息以及_ums_id_，_ums_ts_都存下來。

Wormhole spark streaming根據namespace 將數據分布存儲到不同的目錄中，即不同的表和版本放在不同目錄中。

由於每次寫的Parquet都是小文件，大家知道HDFS對於小文件性能並不好，因此另外還有一個job，每天定時將這些的Parquet文件進行合並成大文件。

每個Parquet文件目錄都帶有文件數據的起始時間和結束時間。這樣在回灌數據時，可以根據選取的時間範圍來決定需要讀取哪些Parquet文件，不必讀取全部數據。

插入或更新數據的冪等性

常常我們遇到的需求是，將數據經過加工落地到數據庫或HBase中。那麼這裏涉及到的一個問題就是，什麼樣的數據可以被更新到數據？

這裏最重要的一個原則就是數據的冪等性。

無論是遇到增刪改任何的數據，我們麵臨的問題都是：

1. 該更新哪一行；

2. 更新的策略是什麼。

對於第一個問題，其實就需要定位數據要找一個唯一的鍵，常見的有：

1. 使用業務庫的主鍵；

2. 由業務方指定幾個列做聯合唯一索引；

對於第二個問題，就涉及到_ums_id_了，因為我們已經保證了_ums_id_大的值更新，因此在找到對應數據行後，根據這個原則來進行替換更新。

之所以要軟刪除和加入_is_active_列，是為了這樣一種情況：

如果已經插入的_ums_id_比較大，是刪除的數據（表明這個數據已經刪除了）， 如果不是軟刪除，此時插入一個_ums_id_小的數據（舊數據），就會真的插入進去。

這就導致舊數據被插入了。不冪等了。所以被刪除的數據依然保留（軟刪除）是有價值的，它能被用於保證數據的冪等性。

HBase的保存

插入數據到Hbase中，相當要簡單一些。不同的是HBase可以保留多個版本的數據（當然也可以隻保留一個版本）默認是保留3個版本；

因此插入數據到HBase，需要解決的問題是：

1. 選擇合適的rowkey：Rowkey的設計是可以選的，用戶可以選擇源表的主鍵，也可以選擇若幹列做聯合主鍵。

2. 選擇合適的version：使用_ums_id_+ 較大的偏移量（比如100億） 作為row的version。

Version的選擇很有意思，利用_ums_id_的唯一性和自增性，與version自身的比較關係一致：即version較大等價於_ums_id_較大，對應的版本較新。

從提高性能的角度，我們可以將整個Spark Streaming的Dataset集合直接插入到HBase，不需要比較。讓HBase基於version自動替我們判斷哪些數據可以保留，哪些數據不需要保留。

Jdbc的插入數據：

插入數據到數據庫中，保證冪等的原理雖然簡單，要想提高性能在實現上就變得複雜很多，總不能一條一條的比較然後在插入或更新。

我們知道Spark的RDD/dataset都是以集合的方式來操作以提高性能，同樣的我們需要以集合操作的方式實現冪等性。

具體思路是：

1. 首先根據集合中的主鍵到目標數據庫中查詢，得到一個已有數據集合；

2. 與dataset中的集合比較，分出兩類：

      A：不存在的數據，即這部分數據insert就可以；

      B：存在的數據，比較_ums_id_， 最終隻將哪些_ums_id_更新較大row到目標數據庫，小的直接拋棄。

使用Spark的同學都知道，RDD/dataset都是可以partition的，可以使用多個worker並進行操作以提高效率。

在考慮並發情況下，插入和更新都可能出現失敗，那麼還有考慮失敗後的策略。

比如：因為別的worker已經插入，那麼因為唯一性約束插入失敗，那麼需要改為更新，還要比較_ums_id_看是否能夠更新。

對於無法插入其他情況（比如目標係統有問題），Wormhole還有重試機製。說起來細節特別多。這裏就不多介紹了。

有些還在開發中。

插入到其他存儲中的就不多介紹了，總的原則是：根據各自存儲自身特性，設計基於集合的，並發的插入數據實現。這些都是Wormhole為了性能而做的努力，使用Ｗormhole的用戶不必關心 。

五、運用案例

實時營銷

說了那麼多，DWS有什麼實際運用呢？下麵我來介紹某係統使用DWS實現了的實時營銷。

如上圖所示：

係統A的數據都保存到自己的數據庫中，我們知道，宜信提供很多金融服務，其中包括借款，而借款過程中很重要的就是信用審核。

借款人需要提供證明具有信用價值的信息，比如央行征信報告，是具有最強信用數據的數據。 而銀行流水，網購流水也是具有較強的信用屬性的數據。

借款人通過Web或手機APP在係統A中填寫信用信息時，可能會某些原因無法繼續，雖然可能這個借款人是一個優質潛在客戶，但以前由於無法或很久才能知道這個信息，所以實際上這樣的客戶是流失了。

應用了DWS以後，借款人已經填寫的信息已經記錄到數據庫中，並通過DWS實時的進行抽取、計算和落地到目標庫中。根據對客戶的打分，評價出優質客戶。然後立刻將這個客戶的信息輸出到客服係統中。

客服人員在很短的時間（幾分鍾以內）就通過打電話的方式聯係上這個借款人（潛客），進行客戶關懷，將這個潛客轉換為真正的客戶。我們知道借款是有時效性的，如果時間太久就沒有價值了。

如果沒有實時抽取/計算/落庫的能力，那麼這一切都無法實現。

實時報表係統

另外一個實時報表的應用如下：

我們數據使用方的數據來自多個係統，以前是通過T+1的方式獲得報表信息，然後指導第二天的運營，這樣時效性很差。

通過DWS，將數據從多個係統中實時抽取，計算和落地，並提供報表展示，使得運營可以及時作出部署和調整，快速應對。

六、總結

說了那麼多，大致總結一下：

• DWS技術上基於主流實時流式大數據技術框架，高可用大吞吐強水平擴容，低延遲高容錯最終一致。

• DWS能力上支持異構多源多目標係統，支持多數據格式（結構化半結構化非結構化數據）和實時技術能力。

• DWS將三個子項目合並作為一個平台推出，使得我們具備了實時的能力， 驅動各種實時場景應用。

適合場景包括：實時同步／實時計算／實時監控／實時報表／實時分析／實時洞察／實時管理／實時運營／實時決策

感謝大家的聆聽，此次分享到此為止。

Q1：Oracle log reader有開源方案嗎？

Ａ1：對於Oracle業界也有許多商業解決方案，例如：Oracle GoldenGate(原來的goldengate), Oracle Xstream, IBM InfoSphere Change Data Capture(原來的DataMirror)，Dell SharePlex (原來的Quest)，國內的DSG superSync等，開源的方案好用的很少。

Q2：這個項目投入了多少人力物力？感覺有點複雜。

Q2：DWS是三個子項目組成，平均每個項目5~7人。是有點複雜，其實也是試圖使用大數據技術來解決我們公司目前遇到的困難。

因為是搞大數據相關技術，所有團隊裏麵的兄弟姐妹都還是比較happy的：）

其實這裏麵，Dbus和Wormhole相對固定模式化，容易輕鬆複用。Swifts實時計算是與每個業務相關比較大的，自定義比較強，相對比較麻煩一些。

Q3：宜信的這個DWS係統會開源麼？

A3：我們也考慮過向社區貢獻，就像宜信的其他開源項目一樣，目前項目剛剛成形，還有待進一步磨煉，我相信未來的某個時候，我們會給它開源出來。

Q4：架構師怎麼理解，是不是係統工程師？

A4：不是係統工程師，在我們宜信有多位架構師，應該算是以技術驅動業務的技術管理人員。包含產品設計，技術管理等。

Q5：複製方案是否是OGG?

A5：OGG與上麵提到的其他商業解決方案都是可選方案。

原文發布時間為：2016-12-19

本文來自雲棲社區合作夥伴DBAplus

最後更新：2017-05-11 15:01:04

  上一篇：  應用容器雲：接過Java EE的槍

  下一篇：  買單寶平台程序係統開發