如何基于日志，同步實現數據的一致性和實時抽取?

一、背景

事情是從公司前段時間的需求說起，大家知道宜信是一家金融科技公司，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，然后這些數據是保存在各個系統的數據庫中，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，分別是：

• 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數據。由于抽取時間不同，各個數據使用方數據不一致，數據發生沖突，而且重復抽取，相信不少DBA很頭疼這個事情。
• 公司統一的大數據平臺，通過Sqoop 在業務低峰期到各個系統統一抽取數據， 并保存到Hive表中, 然后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。
• 基于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后，最后借鑒了 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于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。后續的數據使用方，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志緩存到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；
• 由于kafka的日志是可以重復消費的，并且緩存一段時間，各個使用方可以通過消費kafka的日志來達到既能保持與數據庫的一致性，也能保證實時性；

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

為什么不使用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/

這里就不多做解釋了。

二、總體架構

于是我們提出了構建一個基于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個子項目組成：

• Dbus（數據總線）：負責實時將數據從源端實時抽出，并轉換為約定的自帶schema的json格式數據(UMS 數據)，放入kafka中；
• Wormhole（數據交換平臺）：負責從kafka讀出數據 將數據寫入到目標中；
• Swifts（實時計算平臺）：負責從kafka中讀出數據，實時計算，并將數據寫回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可以將所有日志數據保存到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。

由于時間關系，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

3.1 日志解析

如前面所說，Dbus主要解決的是將日志從源端實時的抽出。 這里我們以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：日志中會記錄成每一行數據被修改的形式，然后在slave端再對相同的數據進行修改。
• Statement 模式: 每一條會修改數據的sql都會記錄到 master的bin-log中。slave在復制的時候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。
• 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志形式，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

由于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 模式進行復制。這使得讀取全量日志成為可能。

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，由于容災庫通常是用于異地容災，實時性不高也不便于部署。

為了最小化對源端產生影響，顯然我們讀取binlog日志應該從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做位日志抽取方。

Canal最早被用于阿里中美機房同步， canal原理相對比較簡單：

• 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
• MySQL master收到dump請求，開始推送binary log給Slave(也就是canal)
• Canal解析binary log對象(原始為byte流)

圖片來自：https://github.com/alibaba/canal

3.2 解決方案

Dbus 的MySQL版主要解決方案如下：

對于增量的log，通過訂閱Canal Server的方式，我們得到了MySQL的增量日志：

• 按照Canal的輸出，日志是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,稍后我會介紹），并保存到kafka中；
• 增量Storm程序還負責捕獲schema變化，以控制版本號；
• 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沖器和消息解構區。

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并發度，可以活動性能擴展的能力；

3.3 全量抽取

對于流水表，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）。

對于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。好在只做一次，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：

• 數據分片
• 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范圍來分片，并將分片信息保存到kafka中。

下面是具體的分片策略：

全量抽取的Storm程序是讀取kafka的分片信息，采用多個并發度并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，便于心跳程序監控。

3.4 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，但這里我們保證了消息的先后順序（稍后解釋）；

payload是指具體的數據，一個json包里面可以包含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類型并進行簡化，基本上包含了所有數據類型。

3.5 全量和增量的一致性

在整個數據傳輸中，為了盡量的保證日志消息的順序性，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也用重做機制，因此，我們并不嚴格保證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。

對于全量抽取，_ums_id_是唯一的，從zk中每個并發度分別取不同的id片區，保證了唯一性和性能，填寫負數，不會與增量數據沖突，也保證他們是早于增量消息的。

對于增量抽取，我們使用的是MySQL的日志文件號 + 日志偏移量作為唯一id。Id作為64位的long整數，高7位用于日志文件號，低12位作為日志偏移量。

例如：000103000012345678。 103 是日志文件號，12345678 是日志偏移量。

這樣，從日志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（還能定位日志）。通過比較_ums_id_ 消費日志就能通過比較_ums_id_知道哪條消息更新。

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

3.6 心跳監控和預警

整個系統涉及到數據庫的主備同步，Canal Server，多個并發度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，例如每分鐘（可配置）對每個被抽取的表插入一條心態數據并保存發送時間，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（因為多個并發的的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：

圖中是某業務系統的實時監控信息。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。

3.7 實時脫敏

考慮到數據安全性，對于有脫敏需求的場景，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，并以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，為什么兩個項目不是一個，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系統中，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 落地到各種系統，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服務于多條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性能；
• Spark在支持并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，便于后期開發；

這里補充說一下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：

4.1 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一般只保存若干天的信息，不會保存全部信息，而HDFS中可以保存所有的歷史增刪改的信息。這就使得很多事情變為可能：

• 通過重放HDFS中的日志，我們能夠還原任意時間的歷史快照。
• 可以做拉鏈表，還原每一條記錄的歷史信息，便于分析；
• 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中的日志是很多的事情基礎。

介于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。

由于每次寫的Parquet都是小文件，大家知道HDFS對于小文件性能并不好，因此另外還有一個job，每天定時將這些的Parquet文件進行合并成大文件。

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范圍來決定需要讀取哪些Parquet文件，不必讀取全部數據。

4.2 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。那么這里涉及到的一個問題就是，什么樣的數據可以被更新到數據？

這里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，我們面臨的問題都是：

• 該更新哪一行；
• 更新的策略是什么。

對于第一個問題，其實就需要定位數據要找一個唯一的鍵，常見的有：

• 使用業務庫的主鍵；
• 由業務方指定幾個列做聯合唯一索引；

對于第二個問題，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后，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，它能被用于保證數據的冪等性。

4.3 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（當然也可以只保留一個版本）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：

• 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自身的比較關系一致：即version較大等價于_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基于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復雜很多，總不能一條一條的比較然后在插入或更新。

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：

• 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；
• 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_， 最終只將哪些_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并進行操作以提高效率。

在考慮并發情況下，插入和更新都可能出現失敗，那么還有考慮失敗后的策略。

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

對于無法插入其他情況（比如目標系統有問題），Wormhole還有重試機制。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，設計基于集合的，并發的插入數據實現。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

5.1 實時營銷

說了那么多，DWS有什么實際運用呢？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在系統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，但以前由于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以后，借款人已經填寫的信息已經記錄到數據庫中，并通過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。然后立刻將這個客戶的信息輸出到客服系統中。

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系上這個借款人（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，那么這一切都無法實現。

5.2 實時報表系統

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系統，以前是通過T+1的方式獲得報表信息，然后指導第二天的運營，這樣時效性很差。

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

六、總結

• DWS技術上基于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系統，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將三個子項目合并作為一個平臺推出，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

作者：王東

來源：宜信技術學院