一文带你玩转实时数据同步方案

1、概述

1.1、目标

实时数据同步主要实现从源数据库到目标数据库的实时数据同步。源数据主要支持mysql数据库，目标数据包括mysql数据库和hbase数据库。

下面是实时数据同步的数据流转图，mysql的增量订阅数据经过canal和kafka，数据最终实时流入hbase或mysql。

1.2、整体设计架构

实时数据同步基于数据库变更订阅中心，实现从源数据到目标数据的实时数据同步应用。

整体设计架构如下图所示：

1.3、概要设计

实时数据同步分两部分：生产端（productor）和消费端（consumer）

1.3.1、生产端（productor）

集成canal的consumer和kafka的productor。主要完成如下任务

1、监听canal producer 发送过来的

2、将数据进行格式化，

3、调用kafka producer，发送数据。

1.3.2、消费端（consumer）

主要集成kafka consumer和HBase，主要完成如下任务

1、监听producer发送过来的数据。

2、解析数据

3、数据写入到HBase

1.4、技术组件

1.4.1 canal

1.4.1.1 canal简介

canal 是阿里巴巴mysql数据库binlog的增量订阅&消费组件。

1.4.1.2 canal工作原理

2.1.2、可靠性设计

canal设计规则。两台server。采用主从模式，有zookeeper管理。依据需求，合理配置instance个数。

每个instance最多只允许一个client接收数据。

2.1.3 数据处理规则

Producer不在对数据进行任何形式的过滤。数据是否发送，发送那些数据，需要在canal instance的配置文件中配置。Producer只负责将接收到canal producer发送过来的数据进行解析和格式化。这样虽然会增加占用带宽和存储资源。但可以保证数据在不同的应用中使用。

canal模拟mysql slave的交互协议，伪装自己为mysql slave，mysql master发送dump协议
mysql master收到dump请求，开始推送binary log给slave(也就是canal)
canal解析binary log对象(原始为byte流)
1.4.1.3 canal工作流程

数据按照instance为单位进行划分，每个server上可以部署多个instance。但是同一个instance在整个集群中仅在一台上处于activity状态。其余均处于standby状态。也就是说instanceA两台server中均有部署，但是在这个集群中，仅有一个server上的instanceA处于activity状态。

为了保证数据的有序性，每个instance只能被一个client接收。而且数据称队列方式消费消费，有且仅能被消费一次。
1.4.2 Kafka

1.4.2.1 kafka介绍

kafka是一种高吞吐量的分布式发布订阅消息系统，它可以处理消费者规模的网站中的所有动作流数据。它提供了类似于JMS的特性，但是在设计实现上完全不同，此外它并不是JMS规范的实现。kafka对消息保存时根据Topic进行归类，发送消息者成为Producer,消息接受者成为Consumer,此外kafka集群有多个kafka实例组成，每个实例(server)成为broker。broker依赖zookeeper管理集群和存储一些meta信息

14.2.2工作流程
kafka 在server端将数据分topic进行管理，每个topic按照需求，可以分多个partition。
Kafka消息传输同时集成了队列和广播传输两种模式，
针对consumer端进行分group管理，每组会有多个consumer。
每个topic的消息可以被多个group同时消费，每个group的多个consumer正常情况下只能消费一次消息。
2、详细设计

2.1、生产端设计（producer）

由于canal服务端集成生产者，故程序直接调用canal consumer api 。收集canal producer发送的数据。

在producer对数据的处理比较少，设计时希望数据原汁原味的把数据发送出去。Consumer端可以根据不同的场景需求，对数据进行处理。

2.1.1、类关系图
类ClusterCanalClient
1. 主类，程序的启动入口，继承AbstractCanalClient
2. 接收启动参数。并组织调用其他类完成消费端工作。
类AbstractCanalClient
调用consumerConfig，设置consumer参数。启动consumer。
周期性获取消费数据，调用数据解析和格式化程序，处理数据。
调用kafka接口，将处理后的数据发送。
按照要求，解析并格式化数据。
类 ItheimaProductorConfig
读取并初始化配置信息
每台consumer client可以接收两个instance。
每两个instance配置3台client。确保系统稳定性
处理规则

2、发送时的数据格式

{

table:database.tableName,

binlog_id:””,

event_type:”insert/update/delete”

binlog_id:””,

exe_time:””,

cur_time:””,

cols:[{col:columnName,Val:value,type:columnType},{…},...]}

例如：同步jeehe_goods_info表中的数据如下，将得到如下消息

{“table”:”yzbmp.jehhe_goods_info”, “binlog”:”23455234234”,

“event_type”:”INSERT/UPDATE/DELETE”,

“exe_time”:””,

“cur_time”:””,

“cols”[

{“col”:“order_id”,”val”:”20014587”,”type”:”double”,”update”:”true/flase”,},

{“col”:“user_id”,”val”:”123456”,”type”:”varchar”}

]}

其中

binlog_id 记录获取的binlog ID，用于核对数据，

event_type 当前数据操作类型。插入/修改/删除

exe_time：binlog生成时间

cur_time：canal获取binlog时间

table标签值为当前行所在的表名(数据库.表名)

cols：将列作为数组传输。

col：列名称

val：当前列的值

type：当前列的数据类型，为当前数据库规定的类型，比如mysql的varchar。

* 1、log日志中记录下当前批次，数据获取获取时间和当前处理时间，用于统计数据延迟和数据处理情况。

2、记录下数据binlog信息，并在consumer端同样记录，用于核实数据丢失情况。

目前，consumer在解析数据时，首先查找table标签，发现table标签后，再做进一步解析，如果没有发现table标签，丢弃该条消息。

2.2、消费端设计（consumer）

此消费端主要是从kafka中获取数据，将该数据存入到hbase中

2.2.1、类关系图

类 ClusterKafkaClient

消费端启动类。调用kafka consumer启动程序

类KafkaConsumerController

消费端启动类，启动时负责初始化数据。
调用kafkaconsumer消费端，周期性（暂定30秒）接收producer发送的数据。
调用格式化，格式化数据。
调用Hbase控制类，实例化数据

类 HBaseController

调用HBaseConfig，
获取rowMeta数据，以row为单位，持久化数据。
鉴于线上采用HBase v1.0 版本，目前，程序主要使用V1.0 版本的API。

类YZHBaseTransferConfig

该类主要用于记录mysql数据同步至hbase时的对应关系：

创建对象时，连接一次数据库，并初始化数据。
依据数据库对应关系表，将数据实例化为两个对象，分别为SynColumn,SyTable。
同步时主要分为全表同步和部分同步。全表同步时，所有列都会同步至hbase中，部分同步时，只同步指定列

类YZHBaseTransfer

该类主要负责格式化数据。将kafka接收的消息按照同步对应关系要求。进行格式化，将数据存入rowMeta实例中。

类 SynColumn、 SynTable

数据库中数据同步至hbase时的字段对应关系，分别与yzdc_sync_table_mapping和yzdc_sync_column_mapping表相对应。

类 ColumnMeta、RowMeta

存入hbase数据库的数据对象

2.2.2、可靠性设计

在kafka中，由于每台partition需要对应一台 consumer client。目前环境做如下配置：

2台broker(server).

topic的partition设置为3。这样就可以设置3台 consumer client

2.2.3、数据准确性保证

由于kafka消息传播再多个partition之间是无序的。

Hbase写入时必须设置合适的key，在出现故障时可以将数据冗余覆盖

kafka的offset修改为手动提交，保证HBase写入后再关提交offset。

2.3、数据库设计

数据库主要表结构设计

2.3.1数据表对应关系表 yzdc_sync_table_mapping

字段名称	字段类型	注释

tb_id	int	主键，自增
orig_tb	VARCHAR	原始表名称
dest_tb	VARCHAR	目标表名称
key_col	VARCHAR	作为rowkey的列
default_family	VARCHAR	默认family
syn_type	ENUM	数据同步类型，分为all和part。all表示全表同步，part表示仅同步表的一部分
is_delete	TINYINT	是否删除
update_time	long	记录当前数据修改时间

2.3.2数据列对应关系表 yzdc_sync_column_mapping

字段名称	字段类型	注释
col_id	int	主键、自增
orig_clo	VARCHAR	原始列名称
dest_qualifier	VARCHAR	对应的目标qualifier
dest_family	VARCHAR	对应的目标family
tb_id	int	对应的表主键
update_time	long	修改时间
is_delete	boolean	是否删除

*附录一、**kafka数据无序性**解决方案*

为了解决数据负载均衡，通常情况下会为kafka的topic设置多个partition。便于多consumer接收数据，这样便会引起数据时序性问题。

例如：首先修改A 为 A1，修改结果发送至partition 1.

再次修改A1为 A2，修改结果发送至partition 2.

而客户端再接收数据时，针对不同的partition并没有时序性，很有可能会先接收partition 2 的数据，将结果存为A2,然后又接收到partition 1 数据，将结果再次修改为A1，这样的结果和实际结果不符。