美團DB數據同步到數據倉庫的架構與實踐

背景

在數據倉庫建模中，未經任何加工處理的原始業(yè)務層數據，我們稱之為ODS(Operational Data Store)數據。在互聯網企業(yè)中，常見的ODS數據有業(yè)務日志數據（Log）和業(yè)務DB數據（DB）兩類。對于業(yè)務DB數據來說，從MySQL等關系型數據庫的業(yè)務數據進行采集，然后導入到Hive中，是進行數據倉庫生產的重要環(huán)節(jié)。

如何準確、高效地把MySQL數據同步到Hive中？一般常用的解決方案是批量取數并Load：直連MySQL去Select表中的數據，然后存到本地文件作為中間存儲，最后把文件Load到Hive表中。這種方案的優(yōu)點是實現簡單，但是隨著業(yè)務的發(fā)展，缺點也逐漸暴露出來：

• 性能瓶頸：隨著業(yè)務規(guī)模的增長，Select From MySQL -> Save to Localfile -> Load to Hive這種數據流花費的時間越來越長，無法滿足下游數倉生產的時間要求。
• 直接從MySQL中Select大量數據，對MySQL的影響非常大，容易造成慢查詢，影響業(yè)務線上的正常服務。
• 由于Hive本身的語法不支持更新、刪除等SQL原語，對于MySQL中發(fā)生Update/Delete的數據無法很好地進行支持。

為了徹底解決這些問題，我們逐步轉向CDC (Change Data Capture) + Merge的技術方案，即實時Binlog采集 + 離線處理Binlog還原業(yè)務數據這樣一套解決方案。Binlog是MySQL的二進制日志，記錄了MySQL中發(fā)生的所有數據變更，MySQL集群自身的主從同步就是基于Binlog做的。

本文主要從Binlog實時采集和離線處理Binlog還原業(yè)務數據兩個方面，來介紹如何實現DB數據準確、高效地進入數倉。

整體架構

整體的架構如上圖所示。在Binlog實時采集方面，我們采用了阿里巴巴的開源項目Canal，負責從MySQL實時拉取Binlog并完成適當解析。Binlog采集后會暫存到Kafka上供下游消費。整體實時采集部分如圖中紅色箭頭所示。

離線處理Binlog的部分，如圖中黑色箭頭所示，通過下面的步驟在Hive上還原一張MySQL表：

• 采用Linkedin的開源項目Camus，負責每小時把Kafka上的Binlog數據拉取到Hive上。
• 對每張ODS表，首先需要一次性制作快照（Snapshot），把MySQL里的存量數據讀取到Hive上，這一過程底層采用直連MySQL去Select數據的方式。
• 對每張ODS表，每天基于存量數據和當天增量產生的Binlog做Merge，從而還原出業(yè)務數據。

我們回過頭來看看，背景中介紹的批量取數并Load方案遇到的各種問題，為什么用這種方案能解決上面的問題呢？

• 首先，Binlog是流式產生的，通過對Binlog的實時采集，把部分數據處理需求由每天一次的批處理分攤到實時流上。無論從性能上還是對MySQL的訪問壓力上，都會有明顯地改善。
• 第二，Binlog本身記錄了數據變更的類型（Insert/Update/Delete），通過一些語義方面的處理，完全能夠做到精準的數據還原。

Binlog實時采集

對Binlog的實時采集包含兩個主要模塊：一是CanalManager，主要負責采集任務的分配、監(jiān)控報警、元數據管理以及和外部依賴系統(tǒng)的對接；二是真正執(zhí)行采集任務的Canal和CanalClient。

當用戶提交某個DB的Binlog采集請求時，CanalManager首先會調用DBA平臺的相關接口，獲取這一DB所在MySQL實例的相關信息，目的是從中選出最適合Binlog采集的機器。然后把采集實例（Canal Instance）分發(fā)到合適的Canal服務器上，即CanalServer上。在選擇具體的CanalServer時，CanalManager會考慮負載均衡、跨機房傳輸等因素，優(yōu)先選擇負載較低且同地域傳輸的機器。

CanalServer收到采集請求后，會在ZooKeeper上對收集信息進行注冊。注冊的內容包括：

• 以Instance名稱命名的永久節(jié)點。
• 在該永久節(jié)點下注冊以自身ip:port命名的臨時節(jié)點。

這樣做的目的有兩個：

• 高可用：CanalManager對Instance進行分發(fā)時，會選擇兩臺CanalServer，一臺是Running節(jié)點，另一臺作為Standby節(jié)點。Standby節(jié)點會對該Instance進行監(jiān)聽，當Running節(jié)點出現故障后，臨時節(jié)點消失，然后Standby節(jié)點進行搶占。這樣就達到了容災的目的。
• 與CanalClient交互：CanalClient檢測到自己負責的Instance所在的Running CanalServer后，便會進行連接，從而接收到CanalServer發(fā)來的Binlog數據。

對Binlog的訂閱以MySQL的DB為粒度，一個DB的Binlog對應了一個Kafka Topic。底層實現時，一個MySQL實例下所有訂閱的DB，都由同一個Canal Instance進行處理。這是因為Binlog的產生是以MySQL實例為粒度的。CanalServer會拋棄掉未訂閱的Binlog數據，然后CanalClient將接收到的Binlog按DB粒度分發(fā)到Kafka上。

離線還原MySQL數據

完成Binlog采集后，下一步就是利用Binlog來還原業(yè)務數據。首先要解決的第一個問題是把Binlog從Kafka同步到Hive上。

Kafka2Hive

整個Kafka2Hive任務的管理，在美團數據平臺的ETL框架下進行，包括任務原語的表達和調度機制等，都同其他ETL類似。而底層采用LinkedIn的開源項目Camus，并進行了有針對性的二次開發(fā)，來完成真正的Kafka2Hive數據傳輸工作。

對Camus的二次開發(fā)

Kafka上存儲的Binlog未帶Schema，而Hive表必須有Schema，并且其分區(qū)、字段等的設計，都要便于下游的高效消費。對Camus做的第一個改造，便是將Kafka上的Binlog解析成符合目標Schema的格式。

對Camus做的第二個改造，由美團的ETL框架所決定。在我們的任務調度系統(tǒng)中，目前只對同調度隊列的任務做上下游依賴關系的解析，跨調度隊列是不能建立依賴關系的。而在MySQL2Hive的整個流程中，Kafka2Hive的任務需要每小時執(zhí)行一次（小時隊列），Merge任務每天執(zhí)行一次（天隊列）。而Merge任務的啟動必須要嚴格依賴小時Kafka2Hive任務的完成。

為了解決這一問題，我們引入了Checkdone任務。Checkdone任務是天任務，主要負責檢測前一天的Kafka2Hive是否成功完成。如果成功完成了，則Checkdone任務執(zhí)行成功，這樣下游的Merge任務就可以正確啟動了。

Checkdone的檢測邏輯

Checkdone是怎樣檢測的呢？每個Kafka2Hive任務成功完成數據傳輸后，由Camus負責在相應的HDFS目錄下記錄該任務的啟動時間。Checkdone會掃描前一天的所有時間戳，如果最大的時間戳已經超過了0點，就說明前一天的Kafka2Hive任務都成功完成了，這樣Checkdone就完成了檢測。

此外，由于Camus本身只是完成了讀Kafka然后寫HDFS文件的過程，還必須完成對Hive分區(qū)的加載才能使下游查詢到。因此，整個Kafka2Hive任務的最后一步是加載Hive分區(qū)。這樣，整個任務才算成功執(zhí)行。

每個Kafka2Hive任務負責讀取一個特定的Topic，把Binlog數據寫入original_binlog庫下的一張表中，即前面圖中的original_binlog.db，其中存儲的是對應到一個MySQL DB的全部Binlog。

上圖說明了一個Kafka2Hive完成后，文件在HDFS上的目錄結構。假如一個MySQL DB叫做user，對應的Binlog存儲在original_binlog.user表中。ready目錄中，按天存儲了當天所有成功執(zhí)行的Kafka2Hive任務的啟動時間，供Checkdone使用。每張表的Binlog，被組織到一個分區(qū)中，例如userinfo表的Binlog，存儲在table_name=userinfo這一分區(qū)中。每個table_name一級分區(qū)下，按dt組織二級分區(qū)。圖中的xxx.lzo和xxx.lzo.index文件，存儲的是經過lzo壓縮的Binlog數據。

Merge

Binlog成功入倉后，下一步要做的就是基于Binlog對MySQL數據進行還原。Merge流程做了兩件事，首先把當天生成的Binlog數據存放到Delta表中，然后和已有的存量數據做一個基于主鍵的Merge。Delta表中的數據是當天的最新數據，當一條數據在一天內發(fā)生多次變更時，Delta表中只存儲最后一次變更后的數據。

把Delta數據和存量數據進行Merge的過程中，需要有唯一鍵來判定是否是同一條數據。如果同一條數據既出現在存量表中，又出現在Delta表中，說明這一條數據發(fā)生了更新，則選取Delta表的數據作為最終結果；否則說明沒有發(fā)生任何變動，保留原來存量表中的數據作為最終結果。Merge的結果數據會Insert Overwrite到原表中，即圖中的origindb.table。

Merge流程舉例

下面用一個例子來具體說明Merge的流程。

數據表共id、value兩列，其中id是主鍵。在提取Delta數據時，對同一條數據的多次更新，只選擇最后更新的一條。所以對id=1的數據，Delta表中記錄最后一條更新后的值value=120。Delta數據和存量數據做Merge后，最終結果中，新插入一條數據（id=4），兩條數據發(fā)生了更新（id=1和id=2），一條數據未變（id=3）。

默認情況下，我們采用MySQL表的主鍵作為這一判重的唯一鍵，業(yè)務也可以根據實際情況配置不同于MySQL的唯一鍵。

上面介紹了基于Binlog的數據采集和ODS數據還原的整體架構。下面主要從兩個方面介紹我們解決的實際業(yè)務問題。

實踐一：分庫分表的支持

隨著業(yè)務規(guī)模的擴大，MySQL的分庫分表情況越來越多，很多業(yè)務的分表數目都在幾千個這樣的量級。而一般數據開發(fā)同學需要把這些數據聚合到一起進行分析。如果對每個分表都進行手動同步，再在Hive上進行聚合，這個成本很難被我們接受。因此，我們需要在ODS層就完成分表的聚合。

首先，在Binlog實時采集時，我們支持把不同DB的Binlog寫入到同一個Kafka Topic。用戶可以在申請Binlog采集時，同時勾選同一個業(yè)務邏輯下的多個物理DB。通過在Binlog采集層的匯集，所有分庫的Binlog會寫入到同一張Hive表中，這樣下游在進行Merge時，依然只需要讀取一張Hive表。

第二，Merge任務的配置支持正則匹配。通過配置符合業(yè)務分表命名規(guī)則的正則表達式，Merge任務就能了解自己需要聚合哪些MySQL表的Binlog，從而選取相應分區(qū)的數據來執(zhí)行。

這樣通過兩個層面的工作，就完成了分庫分表在ODS層的合并。

這里面有一個技術上的優(yōu)化，在進行Kafka2Hive時，我們按業(yè)務分表規(guī)則對表名進行了處理，把物理表名轉換成了邏輯表名。例如userinfo123這張表名會被轉換為userinfo，其Binlog數據存儲在original_binlog.user表的table_name=userinfo分區(qū)中。這樣做的目的是防止過多的HDFS小文件和Hive分區(qū)造成的底層壓力。

實踐二：刪除事件的支持

Delete操作在MySQL中非常常見，由于Hive不支持Delete，如果想把MySQL中刪除的數據在Hive中刪掉，需要采用“迂回”的方式進行。

對需要處理Delete事件的Merge流程，采用如下兩個步驟：

• 首先，提取出發(fā)生了Delete事件的數據，由于Binlog本身記錄了事件類型，這一步很容易做到。將存量數據（表A）與被刪掉的數據（表B）在主鍵上做左外連接(Left outer join)，如果能夠全部join到雙方的數據，說明該條數據被刪掉了。因此，選擇結果中表B對應的記錄為NULL的數據，即是應當被保留的數據。
• 然后，對上面得到的被保留下來的數據，按照前面描述的流程做常規(guī)的Merge。

展望

作為數據倉庫生產的基礎，美團數據平臺提供的基于Binlog的MySQL2Hive服務，基本覆蓋了美團內部的各個業(yè)務線，目前已經能夠滿足絕大部分業(yè)務的數據同步需求，實現DB數據準確、高效地入倉。在后面的發(fā)展中，我們會集中解決CanalManager的單點問題，并構建跨機房容災的架構，從而更加穩(wěn)定地支撐業(yè)務的發(fā)展。

本文主要從Binlog流式采集和基于Binlog的ODS數據還原兩方面，介紹了這一服務的架構，并介紹了我們在實踐中遇到的一些典型問題和解決方案。希望能夠給其他開發(fā)者一些參考價值，同時也歡迎大家和我們一起交流。

總結

以上就是這篇文章的全部內容了，希望本文的內容對大家的學習或者工作具有一定的參考學習價值，謝謝大家對腳本之家的支持。如果你想了解更多相關內容請查看下面相關鏈接