Canal 组件简介与 vivo 帐号实践

原创
2020/11/25 20:59
阅读数 327
AI总结

互联网应用随着业务的发展,部分单表数据体量越来越大,应对服务性能与稳定的考虑,有做分库分表、数据迁移的需要,本文介绍了vivo帐号应对以上需求的实践。


一、前言


Canal 是阿里巴巴开源项目,关于什么是 Canal?又能做什么?我会在后文为大家一一介绍。


在本文您将可以了解到vivo帐号使用 Canal 解决了什么样的业务痛点,基于此希望对您所在业务能有一些启示。


二、Canal介绍


1. 简介


Canal [kə'næl],译意为水道/管道/沟渠,主要用途是基于 MySQL 数据库增量日志解析,提供增量数据订阅和消费。


早期阿里巴巴因为杭州和美国双机房部署,存在跨机房同步的业务需求,实现方式主要是基于业务 trigger 获取增量变更。从 2010 年开始,业务逐步尝试数据库日志解析获取增量变更进行同步,由此衍生出了大量的数据库增量订阅和消费业务。


2. 工作原理


2.1 MySQL 主备复制原理


Canal最核心的运行机制就是依赖于MySQL的主备复制,我们优先简要说明下MySQL主备复制原理。


MySQL master 将数据变更写入二进制日志( binary log, 其中记录叫做二进制日志事件binary log events,可以通过 show binlog events 进行查看)。


MySQL slave 将 master 的 binary log events 拷贝到它的中继日志(relay log)。


MySQL slave 重放 relay log 中事件,将数据变更反映它自己的数据。


2.2 MySQL Binary Log介绍

MySQL-Binlog是 MySQL 数据库的二进制日志,用于记录用户对数据库操作的SQL语句(除了数据查询语句)信息。


如果后续我们需要配置主从数据库,如果我们需要从数据库同步主数据库的内容,我们就可以通过 Binlog来进行同步。


2.3 Canal 工作原理


Canal 模拟MySQL slave的交互协议,伪装自己为MySQL slave,向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)。

Canal 把解析后的 binary log 以特定格式的进行推送,供下游消费。


2.4 Canal 整体架构

说明:

  • server 代表一个canal运行实例,对应于一个jvm

  • instance 对应于一个数据队列 (1个server对应1..n个instance)


instance模块:

  • EventParser (数据源接入,模拟slave协议和master进行交互,协议解析)
    与数据库交互模拟从库,发送dump binlog请求,接收binlog进行协议解析并做数据封装,并将数据传递至下层EventSink进行存储,记录binlog同步位置。


  • EventSink (Parser和Store链接器,进行数据过滤,加工,分发的工作)
    数据过滤、数据归并、数据加工、数据路由存储。


  • EventStore (数据存储)
    管理数据对象存储,包括新binlog对象的写入管理、对象订阅的位置管理、对象消费成功的回执位置管理。


  • MetaManager (增量订阅&消费信息管理器)

    负责binlog对象整体的发布订阅管理器,类似于MQ。


2.5 Canal 数据格式


下面我们来一起看下Canal内部封装的 Binlog对象格式,更好的理解 Canal。


Canal能够同步 DCL、 DML、 DDL。


业务通常关心 INSERT、 UPDATE、 DELETE引起的数据变更。


EntryProtocol.proto

Entry    Header        logfileName [binlog文件名]        logfileOffset [binlog position]        executeTime [binlog里记录变更发生的时间戳]        schemaName [数据库实例]        tableName [表名]        eventType [insert/update/delete类型]    entryType   [事务头BEGIN/事务尾END/数据ROWDATA]    storeValue  [byte数据,可展开,对应的类型为RowChange] RowChange    isDdl       [是否是ddl变更操作,比如create table/drop table]    sql     [具体的ddl sql]    rowDatas    [具体insert/update/delete的变更数据,可为多条,1binlog event事件可对应多条变更,比如批处理]        beforeColumns [Column类型的数组]        afterColumns [Column类型的数组] Column    index       [column序号]    sqlType     [jdbc type]    name        [column name]    isKey       [是否为主键]    updated     [是否发生过变更]    isNull      [值是否为null]    value       [具体的内容,注意为文本]

(滑动可查看)


2.6 Canal 示例 demo


下面我们通过实际代码逻辑的判断,查看 Binlog解析成Canal 对象的数据模型,加深理解


  • insert 语句


  • delete语句


  • update语句


2.7 Canal HA 机制


线上服务的稳定性极为重要,Canal是支持HA的,其实现机制也是依赖Zookeeper来实现的,与HDFS的HA类似。


Canal的HA分为两部分,Canal server和Canal client分别有对应的HA实现。

  • Canal Server:为了减少对mysql dump的请求,不同server上的instance要求同一时间只能有一个处于running,其他的处于standby状态。


  • Canal Client:为了保证有序性,一份instance同一时间只能由一个canal client进行get/ack/rollback操作,否则客户端接收无法保证有序。


依赖Zookeeper的特性(本文不着重讲解zookeeper特性,请在网络上查找对应资料):

  • Watcher机制

  • EPHEMERAL节点(和session生命周期绑定)



大致步骤:

Canal server要启动某个canal instance时都先向zookeeper进行一次尝试启动判断 (实现:创建EPHEMERAL节点,谁创建成功就允许谁启动)。


创建 ZooKeeper节点成功后,对应的Canal server就启动对应的Canal instance,没有创建成功的Canal instance就会处于standby状态。


一旦ZooKeeper发现Canal server A创建的节点消失后,立即通知其他的Canal server再次进行步骤1的操作,重新选出一个Canal server启动instance。


Canal client每次进行connect时,会首先向ZooKeeper询问当前是谁启动了Canal instance,然后和其建立链接,一旦链接不可用,会重新尝试connect。


2.8 Canal 使用场景


上面介绍了Canal 的原理与运行机制,下面我们从实际场景来看,Canal 能够为我们业务场景解决什么样的问题。



2.8.1 不停服迁移


业务在发展初期,为了快速支撑业务发展,很多数据存储设计较为粗放,比如用户表、订单表可能都会设计为单表,此时常规手段会采用分库分表来解决容量和性能问题。


但数据迁移会面临最大的问题:线上业务需要正常运行,如果数据在迁移过程中有变更,如何保证数据一致性是最大的挑战。


基于Canal,通过订阅数据库的 Binlog,可以很好地解决这一问题。


可详见下方vivo帐号的不停机迁移实践。


2.8.2 缓存刷新


互联网业务数据源不仅仅为数据库,比如 Redis 在互联网业务较为常用,在数据变更时需要刷新缓存,常规手段是在业务逻辑代码中手动刷新。


基于Canal,通过订阅指定表数据的Binlog,可以异步解耦刷新缓存。



2.8.3 任务下发


另一种常见应用场景是“下发任务”,当数据变更时需要通知其他依赖系统。


其原理是任务系统监听数据库变更,然后将变更的数据写入MQ/Kafka进行任务下发。


比如帐号注销时下游业务方需要订单此通知,为用户删除业务数据,或者做数据归档等。


基于Canal可以保证数据下发的精确性,同时业务系统中不会散落着各种下发MQ的代码,从而实现了下发归集,如下图所示:



2.8.4 数据异构


在大型网站架构中,数据库都会采用分库分表来解决容量和性能问题,但分库分表之后带来的新问题。


比如不同维度的查询或者聚合查询,此时就会非常棘手。一般我们会通过数据异构机制来解决此问题。


所谓的数据异构,那就是将需要join查询的多表按照某一个维度又聚合在一个DB中。


基于Canal可以实现数据异构,如下图示意:




3、Canal 的安装及使用


Canal的详细安装、配置与使用,请查阅官方文档  >> 链接


三、帐号实践


1、实践一:分库分表


1.1 需求



  • 难点:

表数据量大,单表3亿多。

常规定时任务迁移全量数据,时间长且对业务有损。


  • 核心诉求:

不停机迁移,最大化保证业务不受影响

“给在公路上跑着的车换轮胎”


1.2 迁移方案



1.3 迁移过程



整体过程大致如下:


  • 分析帐号现有痛点

  • 单表数据量过大:帐号单表3亿+

  • 用户唯一标识过多

  • 业务划分不合理


  • 确定分库分表方案


  • 存量数据迁移方案

使用传统的定时任务迁移,时长过长,且迁移过程中为了保证数据一致性,需要停机维护,对用户影响较大。


确定使用canal进行迁移,对canal做充分调研与评估,与中间件及DBA共同确定,可支持全量、以及增量同步。


  • 迁移过程通过开关进行控制,单表模式 → 双写模式 → 分表模式。


  • 数据迁移周期长,迁移过程中遇到部分未能预估到的问题,进行了多次迁移。


  • 迁移完成后,正式切换至双写模式,即单表及分表同样写入数据,此时数据读取仍然在单表模式下读取数据,Canal仍然订阅原有单表,进行数据变更。


  • 运行两周后线上未产生新问题,正式切至分表模式,此时原有单表不再写入数据,即单表不会再有新的Binlog产生,切换后线上出现了部分问题,即时跟进处理,“有惊无险”。


2、实践二:跨国数据迁移


2.1 需求


在vivo海外业务开展初期,海外部分国家的数据存储在中立国新加坡机房,但随着海外国家法律合规要求越来越严格,特别是欧盟地区的GDPR合规要求,vivo帐号应对合规要求,做了比较多的合规改造工作。


部分非欧盟地区的国家合规要求随之变化,举例澳洲当地要求满足GDPR合规要求,原有存储在新加坡机房的澳洲用户数据需要迁移至欧盟机房,整体迁移复杂度增加,其中涉及到的难点有:

  • 不停机迁移,已出货的手机用户需要能正常访问帐号服务。


  • 数据一致性,用户变更数据一致性需要保证。


  • 业务方影响,不能影响现网业务方正常使用帐号服务。


2.2 迁移方案



2.3 迁移过程


  • 在新加坡机房搭建备库,主从同步 Binlog。

  • 搭建 Canal 的server及client端,同步订阅消费Binlog。

  • client端基于订阅的Binlog进行解析,将数据加密传输至欧盟GDPR机房。

  • 欧盟应用数据解析传输的数据,落地存储。

  • 数据同步完成后运维同事协助将上层域名的DNS解析转发至欧盟机房,完成数据切换。

  • 观察新加坡机房Canal服务运行情况,没有异常后停止Canal服务。

  • 通过业务方,帐号侧完成切换。

  • 待业务方同步切换完成后,将新加坡机房的数据清除。


3、经验总结


1.1  数据序列化


Canal底层使用protobuf作为数据数据列化的方式,Canal-client在订阅到变更数据时,为null的数据会自动转换为空字符串,在ORM侧数据更新时,因判断逻辑不一致,导致最终表中数据更新为空字符串。


3.2  数据一致性


帐号本次线上Canal-client只有单节点,但在数据迁移过程中,因业务特性,导致数据出现了不一致的现象,示例大致如下:

  • 用户换绑手机号A。

  • Canal此时在还未订阅到此 Binlog position。

  • 用户又换绑手机号B。

  • 在对应时刻,Canal消费到更新手机号A的Binlog,导致用户新换绑的手机号做了覆盖。


3.3 数据库主从延时


出于数据一致性地考虑(结合帐号业务数据未达到需要分库的必要性),帐号分表在同一数据库进行,即迁移过程中分表数据不断地进行写入,加大数据库负载的同时造成了从库读取延时。


解决方案:增加速率控制,基于业务的实际情况,配置不同的策略,例如白天业务量大,可以适当降低写入速度,夜间业务量小,可以适当提升写入速度。


3.4 监控告警


在整体数据迁移过程中,vivo帐号在client端增加了实时同步数据的简易监控手段,即基于业务表基于内存做计数。


整体监控粒度较粗,包括以上数据不一致性,在数据同步完成后,未能发现异常,导致切换至分表模式下出现了业务问题,好在逻辑数据可以通过补偿等其他手段弥补,且对线上数据影响较小。


四、拓展思考


1、现有问题分析



以上是基于 Canal现有架构画出的简易图,虽然基于HA整体高可用,但细究后还是会发现一些隐患,其中标记红色X的节点,可以视为可能出现的故障点。



2、通用组件复用


基于以上可能出现的问题点,我们可以尝试做上图中的优化。




3、延展应用-多数据中心同步


在互联网行业,大家对“异地多活”已经耳熟能详,而数据同步是异地多活的基础,所有具备数据存储能力的组件如:数据库、缓存、MQ等,数据都可以进行同步,形成一个庞大而复杂的数据同步拓扑,相互备份对方的数据,才能做到真正意义上"异地多活”。


本逻辑不在本次讨论范围内,大家可以参阅以下文章内容,笔者个人认为讲解较为详细

http://www.tianshouzhi.com/api/tutorials/canal/404


五、参考资料



END

猜你喜欢


vivo互联网技术


vivo移动互联网是基于vivo 智能手机所建立的完整移动互联网生态圈,围绕vivo大数据运营,打造包括应用、游戏、资讯、品牌、电商、内容、金融、搜索的全方位服务生态,满足海量用户的多样化需求。

点一下,代码无 Bug

本文分享自微信公众号 - vivo互联网技术(vivoVMIC)。
如有侵权,请联系 support@oschina.cn 删除。
本文参与“OSC源创计划”,欢迎正在阅读的你也加入,一起分享。

展开阅读全文
加载中
点击引领话题📣 发布并加入讨论🔥
0 评论
2 收藏
0
分享
AI总结
返回顶部
顶部