拆解大數據匯流排平台DBus的系統架構

• 2019 年 10 月 3 日
• 筆記

Dbus所支援兩類數據源的實現原理與架構拆解。

大體來說，Dbus支援兩類數據源：

• RDBMS數據源
• 日誌類數據源

一、RMDBMS類數據源的實現

以mysql為例子. 分為三個部分：

• 日誌抽取模組
• 增量轉換模組
• 全量拉取模組

1.1 日誌抽取模組（Extractor）

mysql 日誌抽取模組由兩部分構成：

• canal server：負責從mysql中抽取增量日誌。
• mysql-extractor storm程式：負責將增量日誌輸出到kafka中，過濾不需要的表數據，保證at least one和高可用。

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。而binlog同步有三種模式：Row 模式，Statement 模式，Mixed模式。因為statement模式有各種限制，通常生產環境都使用row模式進行複製，使得讀取全量日誌成為可能。

通常我們的mysql布局是採用 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，我們讀取binlog日誌從slave從庫讀取。

讀取binlog的方案比較多，DBus也是站在巨人的肩膀上，對於Mysql數據源使用阿里巴巴開源的Canal來讀取增量日誌。這樣做的好處是：

• 不用重複開發避免重複造輪子
• 享受canal升級帶來的好處

關於Canal的介紹可參考：https://github.com/alibaba/canal/wiki/Introduction 由於canal用戶抽取許可權比較高，一般canal server節點也可以由DBA組來維護。

日誌抽取模組的主要目標是將數據從canal server中讀出，儘快落地到第一級kafka中，避免數據丟失（畢竟長時間不讀日誌數據，可能日誌會滾到很久以前，可能會被DBA刪除），因此需要避免做過多的事情，主要就做一下數據拆包工作防止數據包過大。

從高可用角度考慮，在使用Canal抽取過程中，採用的基於zookeeper的Canal server高可用模式，不存在單點問題，日誌抽取模組extractor也使用storm程式，同樣也是高可用架構。

不同數據源有不同的日誌抽取方式，比如oracle，mongo等都有相應的日誌抽取程式。

DBus日誌抽取模組獨立出來是為了兼容這些不同數據源的不同實現方式。

1.2 增量轉換模組（Stream）

增量數據處理模組，根據不同的數據源類型的格式進行轉換和處理。

1）分發模組dispatcher

• 將來自數據源的日誌按照不同的schema分發到不同topic上。這樣做的目的
• 是為了數據隔離（因為一般不同的shema對應不同的資料庫）
• 是為了分離轉換模組的計算壓力，因為轉換模組計算量比較大，可以部署多個，每個schema一個提高效率。

2）轉換模組appender

• 實時數據格式轉換：Canal數據是protobuf格式，需要轉換為我們約定的UMS格式，生成唯一標識符ums_id和ums_ts等；
• 捕獲元數據版本變更：比如表加減列，欄位變更等，維護版本資訊，發出通知觸發告警
• 實時數據脫敏：根據需要對指定列進行脫敏，例如替換為***，MD5加鹽等。
• 響應拉全量事件：當收到拉全量請求時為了保證數據的相應順序行，會暫停拉增量數據，等全量數據完成後，再繼續。
• 監控數據：分發模組和轉換模組都會響應心跳event，統計每一張表在兩次心跳中的數據和延時情況，發送到statistic作為監控數據使用。
• 分發模組和轉換模組都會相應相關reload通知事件從Mgr庫和zk上進行載入配置操作。

1.3 全量拉取模組（FullPuller）

全量拉取可用於初始化載入(Initial load), 數據重新載入，實現上我們借鑒了sqoop的思想。將全量過程分為了2 個部分：

1)數據分片

分片讀取max，min，count等資訊，根據片大小計算分片數，生成分片資訊保存在split topic中。下面是具體的分片策略：

以實際的經驗，對於mysql InnDB，只有使用主鍵索引進行分片，才能高效。因為mysql innDB的主鍵列與數據存儲順序一致。

2)實際拉取

每個分片代表一個小任務，由拉取轉換模組通過多個並發度的方式連接slave從庫進行拉取。 拉取完成情況寫到zookeeper中，便於監控。

全量拉取對源端資料庫是有一定壓力的，我們做法是：

• 從slave從庫拉取數據
• 控制並發度6~8
• 推薦在業務低峰期進行

全量拉取不是經常發生的，一般做初始化拉取一次，或者在某種情況下需要全量時可以觸發一次。

1.3 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。 但如果出現寫kafka非同步寫入部分失敗， 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是一個值，該值為全量拉取event的ums_id號，表示該批次的所有數據是一批的，因為數據都是不同的可以共享一個ums_id_號。ums_uid_流水號從zk中生成，保證了數據的唯一性。 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6位用於日誌文件號，低13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_就能知道哪條消息更新。

ums_ts_的價值在於從時間維度上可以準確知道event發生的時間。比如：如果想得到一個某時刻的快照數據。可以通過ums_ts 來知道截斷時間點。

二、日誌類數據源的實現

業界日誌收集、結構化、分析工具方案很多，例如：Logstash、Filebeat、Flume、Fluentd、Chukwa. scribe、Splunk等，各有所長。在結構化日誌這個方面，大多採用配置正則表達式模板：用於提取日誌中模式比較固定、通用的部分，例如日誌時間、日誌類型、行號等。對於真正的和業務比較相關的資訊，這邊部分是最重要的，稱為message部分，我們希望使用可視化的方式來進行結構化。

例如：對於下面所示的類log4j的日誌：

如果用戶想將上述數據轉換為如下的結構化數據資訊：

我們稱這樣的日誌為“數據日誌”

DBUS設計的數據日誌同步方案如下：

• 日誌抓取端採用業界流行的組件（例如Logstash、Flume、Filebeat等）。一方面便於用戶和業界統一標準，方便用戶的整合；另一方面也避免無謂的重造輪子。抓取數據稱為原始數據日誌（raw data log）放進Kafka中，等待處理。
• 提供可視化介面，配置規則來結構化日誌。用戶可配置日誌來源和目標。同一個日誌來源可以輸出到多個目標。每一條“日誌源-目標”線，中間數據經過的規則處理用戶根據自己的需求來自由定義。最終輸出的數據是結構化的，即：有schema約束，可以理解為類似資料庫中的表。
• 所謂規則，在DBUS中，即“規則運算元”。DBUS設計了豐富易用的過濾、拆分、合併、替換等運算元供用戶使用。用戶對數據的處理可分多個步驟進行，每個步驟的數據處理結果可即時查看、驗證；可重複使用不同運算元，直到轉換、裁剪得到自己需要的數據。
• 將配置好的規則運算元組運用到執行引擎中，對目標日誌數據進行預處理，形成結構化數據，輸出到Kafka，供下游數據使用方使用。

系統流程圖如下所示：

根據配置，我們支援同一條原始日誌，能提取為一個表數據，或者可以提取為多個表數據。

每個表是結構化的，滿足相同的schema。

• 每個表是一個規則 運算元組的合集，可以配置1個到多個規則運算元組
• 每個規則運算元組，由一組規則運算元組合而成

拿到一條原始數據日誌， 它最終應該屬於哪張表呢？

每條日誌需要與規則運算元組進行匹配：

• 符合條件的進入規則運算元組的，最終被規則組轉換為結構化的表數據。
• 不符合的嘗試下一個規則運算元組。
• 都不符合的，進入unknown_table表。

2.1 規則運算元

規則運算元是對數據進行過濾、加工、轉換的基本單元。常見的規則運算元如下：

運算元之間是獨立的，通過組合不同的運算元達到更複雜的功能，對運算元進行迭代使用最終達到對任意數據進行加工的目的。

我們試圖使得運算元盡量滿足正交性或易用性（雖然正則表達式很強大，但我們仍然開發一些簡單運算元例如trim運算元來完成簡單功能，以滿足易用性）。

三、UMS統一消息格式

無論是增量、全量還是日誌，最終輸出到結果kafka中的消息都是我們約定的統一消息格式,稱為UMS(unified message schema)格式。如下圖所示：

3.1 Protocol

數據的類型，被UMS的版本號

3.2 schema

1）namespace 由：類型. 數據源名.schema名 .表名.表版本號. 分庫號 .分表號 組成，能夠描述所有表。

例如：mysql.db1.schema1.testtable.5.0.0

2）fields是欄位名描述。

• ums_id_ 消息的唯一id，保證消息是唯一的
• ums_ts_ canal捕獲事件的時間戳；
• ums_op_ 表明數據的類型是I (insert)，U (update)，B (before Update)，D(delete)
• ums_uid_ 數據流水號，唯一值

3）payload是指具體的數據。

一個json包裡面可以包含1條至多條數據，提高數據的有效載荷。

四、心跳監控和預警

RDBMS類系統涉及到資料庫的主備同步，日誌抽取，增量轉換等多個模組等。

日誌類系統涉及到日誌抽取端，日誌轉換模模組等。

如何知道系統正在健康工作，數據是否能夠實時流轉？ 因此對流程的監控和預警就尤為重要。

4.1 對於RDBMS類系統

心跳模組從dbusmgr庫中獲得需要監控的表列表，以固定頻率（比如每分鐘）向源端dbus庫的心跳錶插入心跳數據（該數據中帶有發送時間），該心跳錶也作為增量數據被實時同步出來，並且與被同步表走相同的邏輯和執行緒（為了保證順序性，當遇到多並發度時是sharding by table的，心跳數據與table數據走同樣的bolt），這樣當收到心跳數據時，即便沒有任何增刪改的數據，也能證明整條鏈路是通的。

增量轉換模組和心跳模組在收到心跳包數據後，就會發送該數據到influxdb中作為監控數據，通過grafana進行展示。 心跳模組還會監控延時情況，根據延時情況給以報警。

4.2 對於日誌類系統

從源端就會自動產生心跳包，類似RDBMS系統，將心跳包通過抽取模組，和運算元轉換模組同步到末端，由心跳模組負責監控和預警。