如何基於日誌，同步實現資料的一致性和實時抽取?
作者：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，負責流式計算和大資料業務產品解決方案。
- 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分散式資料庫叢集開發和CUBRID資料庫引擎開發
http://www.cubrid.org/blog/news/cubrid-cluster-introduction/
主題簡介：
- DWS的背景介紹
- dbus+wormhole總體架構和技術實現方案
- DWS的實際運用案例
前言
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平臺實現和應用》，主要是分享一下目前我們在宜信做的一些事情。這個主題裡面包含到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。我會嘗試用盡量簡單的方式來表達，讓大家瞭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個子專案組成，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網際網路金融企業，我們的很多資料與標準網際網路企業不同，大致來說就是：
玩資料的人都知道資料是非常有價值的，然後這些資料是儲存在各個系統的資料庫中，如何讓需要資料的使用方得到一致性、實時的資料呢？
過去的通用做法有幾種是：
- DBA開放各個系統的備庫，在業務低峰期（比如夜間），使用方各自抽取所需資料。由於抽取時間不同，各個資料使用方資料不一致，資料發生衝突，而且重複抽取，相信不少DBA很頭疼這個事情。
- 公司統一的大資料平臺，通過Sqoop 在業務低峰期到各個系統統一抽取資料， 並儲存到Hive表中, 然後為其他資料使用方提供資料服務。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。
- 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也帶來效能損失。
這些方案都不算完美。我們在瞭解和考慮了不同實現方式後，最後借鑑了 linkedin的思想，認為要想同時解決資料一致性和實時性，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作為一切系統的基礎。後續的資料使用方，通過訂閱kafka來消費log。
比如：
- 大資料的使用方可以將資料儲存到Hive表或者Parquet檔案給Hive或Spark查詢；
- 提供搜尋服務的使用方可以儲存到Elasticsearch或HBase 中；
- 提供快取服務的使用方可以將日誌快取到Redis或alluxio中；
- 資料同步的使用方可以將資料儲存到自己的資料庫中；
- 由於kafka的日誌是可以重複消費的，並且快取一段時間，各個使用方可以通過消費kafka的日誌來達到既能保持與資料庫的一致性，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/
我這裡就不多做解釋了。
二、總體架構
於是我們提出了構建一個基於log的公司級的平臺的想法。
下面解釋一下DWS平臺， DWS平臺是有3個子專案組成：
- Dbus（資料匯流排）：負責實時將資料從源端實時抽出，並轉換為約定的自帶schema的json格式資料(UMS 資料)，放入kafka中；
- Wormhole（資料交換平臺）：負責從kafka讀出資料 將資料寫入到目標中；
- Swifts（實時計算平臺）：負責從kafka中讀出資料，實時計算，並將資料寫回kafka中。
圖中：
- Log extractor和dbus共同完成資料抽取和資料轉換，抽取包括全量和增量抽取。
- Wormhole可以將所有日誌資料儲存到HDFS中； 還可以將資料落地到所有支援jdbc的資料庫，落地到HBash，Elasticsearch，Cassandra等；
- Swifts支援以配置和SQL的方式實現對進行流式計算，包括支援流式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執行時管理，資料質量校驗等。
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
如前面所說，Dbus主要解決的是將日誌從源端實時的抽出。 這裡我們以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：
- Row 模式：日誌中會記錄成每一行資料被修改的形式，然後在slave端再對相同的資料進行修改。
- Statement 模式: 每一條會修改資料的sql都會記錄到 master的bin-log中。slave在複製的時候SQL程序會解析成和原來master端執行過的相同的SQL來再次執行。
- 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：http://www.jquerycn.cn/a_13625
由於statement 模式的缺點，在與我們的DBA溝通過程中瞭解到，實際生產過程中都使用row 模式進行復制。這使得讀取全量日誌成為可能。
通常我們的MySQL佈局是採用 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。最終我們選用了阿里的canal做位日誌抽取方。
Canal最早被用於阿里中美機房同步， canal原理相對比較簡單：
- Canal模擬MySQL Slave的互動協議，偽裝自己為MySQL Slave，向MySQL Slave傳送dump協議
- MySQL master收到dump請求，開始推送binary log給Slave(也就是canal)
- Canal解析binary log物件(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程式，將資料實時轉換為我們定義的UMS格式(json格式,稍後我會介紹），並儲存到kafka中；
- 增量Storm程式還負責捕獲schema變化，以控制版本號；
- 增量Storm的配置資訊儲存在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訊息解構區。
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併發度，可以活動效能擴充套件的能力；
全量抽取
對於流水錶，有增量部分就夠了，但是許多表需要知道最初（已存在）的資訊。這時候我們需要initial load（第一次載入）。
對於initial load（第一次載入），同樣開發了全量抽取Storm程式通過jdbc連線的方式，從源端資料庫的備庫進行拉取。initial load是拉全部資料，所以我們推薦在業務低峰期進行。好在只做一次，不需要每天都做。
全量抽取，我們借鑑了Sqoop的思想。將全量抽取Storm分為了2 個部分：
- 資料分片
- 實際抽取
資料分片需要考慮分片列，按照配置和自動選擇列將資料按照範圍來分片，並將分片資訊儲存到kafka中。
下面是具體的分片策略：
全量抽取的Storm程式是讀取kafka的分片資訊，採用多個併發度並行連線資料庫備庫進行拉取。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，便於心跳程式監控。
統一訊息格式
無論是增量還是全量，最終輸出到kafka中的訊息都是我們約定的一個統一訊息格式,稱為UMS(unified message schema)格式。
如下圖所示：
訊息中schema部分，定義了namespace 是由 型別+資料來源名+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_ 表明資料的型別是I（insert），U（update），D（刪除）；
- _ums_ts_ 發生增刪改的事件的時間戳，顯然新的資料發生的時間戳更新；
- _ums_id_ 訊息的唯一id，保證訊息是唯一的，但這裡我們保證了訊息的先後順序（稍後解釋）；
payload是指具體的資料，一個json包裡面可以包含1條至多條資料，提高資料的有效載荷。
UMS中支援的資料型別，參考了Hive型別並進行簡化，基本上包含了所有資料型別。
全量和增量的一致性
在整個資料傳輸中，為了儘量的保證日誌訊息的順序性，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也用重做機制，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中每個併發度分別取不同的id片區，保證了唯一性和效能，填寫負數，不會與增量資料衝突，也保證他們是早於增量訊息的。
對於增量抽取，我們使用的是MySQL的日誌檔案號 + 日誌偏移量作為唯一id。Id作為64位的long整數，高7位用於日誌檔案號，低12位作為日誌偏移量。
例如：000103000012345678。 103 是日誌檔案號，12345678 是日誌偏移量。
這樣，從日誌層面保證了物理唯一性（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_知道哪條訊息更新。
其實_ums_ts_與_ums_id_意圖是類似的，只不過有時候_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
整個系統涉及到資料庫的主備同步，Canal Server，多個併發度Storm程序等各個環節。
因此對流程的監控和預警就尤為重要。
通過心跳模組，例如每分鐘（可配置）對每個被抽取的表插入一條心態資料並儲存傳送時間，這個心跳錶也被抽取，跟隨著整個流程下來，與被同步表在實際上走相同的邏輯（因為多個併發的的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資料，也能證明整條鏈路是通的。
Storm程式和心跳程式將資料傳送公共的統計topic，再由統計程式儲存到influxdb中，使用grafana進行展示，就可以看到如下效果：
圖中是某業務系統的實時監控資訊。上面是實時流量情況，下面是實時延時情況。可以看到，實時性還是很不錯的，基本上1~2秒資料就已經到末端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的心跳模組傳送郵件報警或簡訊報警。
實時脫敏
考慮到資料安全性，對於有脫敏需求的場景，Dbus的全量storm和增量storm程式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就是將各種源的資料，實時的匯出，並以UMS的方式提供訂閱， 支援實時脫敏，實際監控和報警。
四、Wormhole解決方案
說完Dbus，該說一下Wormhole，為什麼兩個專案不是一個，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，程式直接可以通過kafka做非同步的訊息傳遞。Dbus和Wornhole內部也使用了kafka做訊息傳遞和解耦。
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中的資料落地到各種系統中，讓沒有開發能力的資料使用方通過wormhole來實現使用資料。
如圖所示，Wormhole 可以將kafka中的UMS 落地到各種系統，目前用的最多的HDFS，JDBC的資料庫和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天然的支援各種異構儲存系統；
- 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效能；
- Spark在支援平行計算方面有更強的靈活性；
- 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；
這裡補充說一下Swifts的作用：
- Swifts的本質是讀取kafka中的UMS資料，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程式消費kafka的UMS，首先UMS log可以被儲存到HDFS上。
kafka一般只儲存若干天的資訊，不會儲存全部資訊，而HDFS中可以儲存所有的歷史增刪改的資訊。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歷史快照。
- 可以做拉鍊表，還原每一條記錄的歷史資訊，便於分析；
- 當程式出現錯誤是，可以通過回灌（backfill），重新消費訊息，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支援的很好，Spark SQL能夠對Parquet提供很好的查詢。UMS落地到HDFS上是儲存到Parquet檔案中的。Parquet的內容是所有log的增刪改資訊以及_ums_id_，_ums_ts_都存下來。
Wormhole spark streaming根據namespace 將資料分佈儲存到不同的目錄中，即不同的表和版本放在不同目錄中。
由於每次寫的Parquet都是小檔案，大家知道HDFS對於小檔案效能並不好，因此另外還有一個job，每天定時將這些的Parquet檔案進行合併成大檔案。
每個Parquet檔案目錄都帶有檔案資料的起始時間和結束時間。這樣在回灌資料時，可以根據選取的時間範圍來決定需要讀取哪些Parquet檔案，不必讀取全部資料。
插入或更新資料的冪等性
常常我們遇到的需求是，將資料經過加工落地到資料庫或HBase中。那麼這裡涉及到的一個問題就是，什麼樣的資料可以被更新到資料？
這裡最重要的一個原則就是資料的冪等性。
無論是遇到增刪改任何的資料，我們面臨的問題都是：
- 該更新哪一行；
- 更新的策略是什麼。
對於第一個問題，其實就需要定位資料要找一個唯一的鍵，常見的有：
- 使用業務庫的主鍵；
- 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，因此在找到對應資料行後，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，是刪除的資料（表明這個資料已經刪除了）， 如果不是軟刪除，此時插入一個_ums_id_小的資料（舊資料），就會真的插入進去。
這就導致舊資料被插入了。不冪等了。所以被刪除的資料依然保留（軟刪除）是有價值的，它能被用於保證資料的冪等性。
HBase的儲存
插入資料到Hbase中，相當要簡單一些。不同的是HBase可以保留多個版本的資料（當然也可以只保留一個版本）預設是保留3個版本；
因此插入資料到HBase，需要解決的問題是：
- 選擇合適的rowkey：Rowkey的設計是可以選的，使用者可以選擇源表的主鍵，也可以選擇若干列做聯合主鍵。
- 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。
從提高效能的角度，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資料可以保留，哪些資料不需要保留。
Jdbc的插入資料：
插入資料到資料庫中，保證冪等的原理雖然簡單，要想提高效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效能，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：
- 首先根據集合中的主鍵到目標資料庫中查詢，得到一個已有資料集合；
- 與dataset中的集合比較，分出兩類：
A：不存在的資料，即這部分資料insert就可以；
B：存在的資料，比較_ums_id_， 最終只將哪些_ums_id_更新較大row到目標資料庫，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。
在考慮併發情況下，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（比如目標系統有問題），Wormhole還有重試機制。說起來細節特別多。這裡就不多介紹了。
有些還在開發中。
插入到其他儲存中的就不多介紹了，總的原則是：根據各自儲存自身特性，設計基於集合的，併發的插入資料實現。這些都是Wormhole為了效能而做的努力，使用Ｗormhole的使用者不必關心 。
五、運用案例
實時營銷
說了那麼多，DWS有什麼實際運用呢？下面我來介紹某系統使用DWS實現了的實時營銷。
如上圖所示：
系統A的資料都儲存到自己的資料庫中，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稽核。
借款人需要提供證明具有信用價值的資訊，比如央行徵信報告，是具有最強信用資料的資料。 而銀行流水，網購流水也是具有較強的信用屬性的資料。
借款人通過Web或手機APP在系統A中填寫信用資訊時，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資訊，所以實際上這樣的客戶是流失了。
應用了DWS以後，借款人已經填寫的資訊已經記錄到資料庫中，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資訊輸出到客服系統中。
客服人員在很短的時間（幾分鐘以內）就通過打電話的方式聯絡上這個借款人（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。
實時報表系統
另外一個實時報表的應用如下：
我們資料使用方的資料來自多個系統，以前是通過T+1的方式獲得報表資訊，然後指導第二天的運營，這樣時效性很差。
通過DWS，將資料從多個系統中實時抽取，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資料技術框架，高可用大吞吐強水平擴容，低延遲高容錯最終一致。
- DWS能力上支援異構多源多目標系統，支援多資料格式（結構化半結構化非結構化資料）和實時技術能力。
- DWS將三個子專案合併作為一個平臺推出，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：這個專案投入了多少人力物力？感覺有點複雜。
Q2：DWS是三個子專案組成，平均每個專案5~7人。是有點複雜，其實也是試圖使用大資料技術來解決我們公司目前遇到的困難。
因為是搞大資料相關技術，所有團隊裡面的兄弟姐妹都還是比較happy的：）
其實這裡面，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系統會開源麼？
A3：我們也考慮過向社群貢獻，就像宜信的其他開源專案一樣，目前專案剛剛成形，還有待進一步磨鍊，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，是不是系統工程師？
A4：不是系統工程師，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與上面提到的其他商業解決方案都是可選方案。
文章出處：DBAplus社群（dbaplus）