平時工作中數(shù)據(jù)庫是我們經(jīng)常使用的，在微服務(wù)拆分的架構(gòu)中，各服務(wù)擁有自己的數(shù)據(jù)庫，所以常常會遇到服務(wù)之間數(shù)據(jù)通信的問題。比如，B 服務(wù)數(shù)據(jù)庫的數(shù)據(jù)來源于A服務(wù)的數(shù)據(jù)庫；A 服務(wù)的數(shù)據(jù)有變更操作時，需要同步到 B 服務(wù)中。

第一種解決方案:

在代碼邏輯中，有相關(guān) A 服務(wù)數(shù)據(jù)寫操作時，以調(diào)用接口的方式，調(diào)用 B 服務(wù)接口，B 服務(wù)再將數(shù)據(jù)寫到新的數(shù)據(jù)庫中。這種方式看似簡單，但其實“坑”很多。在 A 服務(wù)代碼邏輯中會增加大量這種調(diào)用接口同步的代碼，增加了項目代碼的復(fù)雜度，以后會越來越難維護。并且，接口調(diào)用的方式并不是一個穩(wěn)定的方式，沒有重試機制，沒有同步位置記錄，接口調(diào)用失敗了怎么處理，突然的大量接口調(diào)用會產(chǎn)生的問題等，這些都要考慮并且在業(yè)務(wù)中處理。這里會有不少工作量。想到這里，就將這個方案排除了。

(推薦課程：SQL教程)

第二種解決方案：

通過數(shù)據(jù)庫的binlog進行同步。這種解決方案，與 A 服務(wù)是獨立的，不會和 A 服務(wù)有代碼上的耦合?？梢灾苯?TCP連接進行傳輸數(shù)據(jù)，優(yōu)于接口調(diào)用的方式。 這是一套成熟的生產(chǎn)解決方案，也有不少binlog同步的中間件工具，所以我們關(guān)注的就是哪個工具能夠更好的構(gòu)建穩(wěn)定、性能滿足且易于高可用部署的方案。

經(jīng)過調(diào)研，我們選擇了canal。canal是阿里巴巴 MySQL binlog 增量訂閱&消費組件，已經(jīng)有在生產(chǎn)上實踐的例子，并且方便的支持和其他常用的中間件組件組合，比如kafka，elasticsearch等，也有了canal-go go語言的client庫，滿足我們在go上的需求，其他具體內(nèi)容參閱canal的github主頁。

原理簡圖



OK，開始干！現(xiàn)在要將 A 數(shù)據(jù)庫的數(shù)據(jù)變更同步到 B 數(shù)據(jù)庫。根據(jù)wiki很快就用docker跑起了一臺canal-server服務(wù)，直接用canal-go寫canal-client代碼邏輯。用canal-go直接連canal-server，canal-server和canal-client之間是Socket來進行通信的，傳輸協(xié)議是TCP，交互協(xié)議采用的是 Google Protocol Buffer 3.0。

工作流程

1. Canal連接到 A 數(shù)據(jù)庫，模擬slave
2. canal-client與Canal建立連接，并訂閱對應(yīng)的數(shù)據(jù)庫表
3. A 數(shù)據(jù)庫發(fā)生變更寫入到binlog，Canal向數(shù)據(jù)庫發(fā)送dump請求，獲取binlog并解析，發(fā)送解析后的數(shù)據(jù)給canal-client
4. canal-client收到數(shù)據(jù)，將數(shù)據(jù)同步到新的數(shù)據(jù)庫

Protocol Buffer的序列化速度還是很快的。反序列化后得到的數(shù)據(jù)，是每一行的數(shù)據(jù)，按照字段名和字段的值的結(jié)構(gòu)，放到一個數(shù)組中 代碼簡單示例:

func Handler(entry protocol.Entry) { var keys []string rowChange := &protocol.RowChange{} proto.Unmarshal(entry.GetStoreValue(), rowChange) if rowChange != nil { eventType := rowChange.GetEventType() for _, rowData := range rowChange.GetRowDatas() { // 遍歷每一行數(shù)據(jù) if eventType == protocol.EventType_DELETE || eventType == protocol.EventType_UPDATE { columns := rowData.GetBeforeColumns() // 得到更改前的所有字段屬性 } else if eventType == protocol.EventType_INSERT { columns := rowData.GetAfterColumns() // 得到更后前的所有字段屬性 } ...... } } }

遇到的問題

為了高可用和更高的性能，我們會創(chuàng)建多個canal-client構(gòu)成一個集群，來進行解析并同步到新的數(shù)據(jù)庫。這里就出現(xiàn)了一個比較重要的問題，如何保證canal-client集群解析消費binlog的順序性呢？

我們使用的binlog是row模式。每一個寫操作都會產(chǎn)生一條binlog日志。 舉個簡單的例子：插入了一條 a 記錄，并且立馬修改 a 記錄。這樣會有兩個消息發(fā)送給canal-client，如果由于網(wǎng)絡(luò)等原因，更新的消息早于插入的消息被處理了，還沒有插入記錄，更新操作的最后效果是失敗的。

怎么辦呢？ canal可以和消息隊列組合呀!而且支持kafka，rabbitmq，rocketmq多種選擇，如此優(yōu)秀。我們在消息隊列這層來實現(xiàn)消息的順序性。

選擇canal+kafka方案

我們選擇了消息隊列的業(yè)界標桿: kafka UCloud提供了kafka和rocketMQ消息隊列產(chǎn)品服務(wù)，使用它們能夠快速便捷的搭建起一套消息隊列系統(tǒng)。加速開發(fā)，方便運維。

下面就讓我們來一探究竟：

1.選擇kafka消息隊列產(chǎn)品，并申請開通


2.開通完成后，在管理界面，創(chuàng)建kafka集群，根據(jù)自身需求，選擇相應(yīng)的硬件配置


3.一個kafka + ZooKeeper集群就搭建出來了，給力！


并且包含了節(jié)點管理、Topic管理、Consumer Group管理，能夠非常方便的直接在控制臺對配置進行修改

監(jiān)控視圖方面，監(jiān)控的數(shù)據(jù)包括kafka生成和消費QPS，集群監(jiān)控，ZooKeeper的監(jiān)控。能夠比較完善的提供監(jiān)控指標。




canal的kafka配置

canal配上kafka也非常的簡單。 vi /usr/local/canal/conf/canal.properties

...

# 可選項: tcp(默認), kafka, RocketMQ
canal.serverMode = kafka
# ...
# kafka/rocketmq 集群配置: 192.168.1.117:9092,192.168.1.118:9092,192.168.1.119:9092
canal.mq.servers = 127.0.0.1:9002
canal.mq.retries = 0
# flagMessage模式下可以調(diào)大該值, 但不要超過MQ消息體大小上限
canal.mq.batchSize = 16384
canal.mq.maxRequestSize = 1048576
# flatMessage模式下請將該值改大, 建議50-200
canal.mq.lingerMs = 1
canal.mq.bufferMemory = 33554432
# Canal的batch size, 默認50K, 由于kafka最大消息體限制請勿超過1M(900K以下)
canal.mq.canalBatchSize = 50
# Canal get數(shù)據(jù)的超時時間, 單位: 毫秒, 空為不限超時
canal.mq.canalGetTimeout = 100
# 是否為flat json格式對象
canal.mq.flatMessage = false
canal.mq.compressionType = none
canal.mq.acks = all
# kafka消息投遞是否使用事務(wù)
canal.mq.transaction = false


# mq config
canal.mq.topic=default
# dynamic topic route by schema or table regex
#canal.mq.dynamicTopic=mytest1.user,mytest2\\\\..*,.*\\\\..*
canal.mq.dynamicTopic=mydatabase.mytable
canal.mq.partition=0
# hash partition config
canal.mq.partitionsNum=3
canal.mq.partitionHash=mydatabase.mytable

解決順序消費問題

看到下面這一行配置

canal.mq.partitionHash=mydatabase.mytable

我們配置了kafka的partitionHash，并且我們一個Topic就是一個表。這樣的效果就是，一個表的數(shù)據(jù)只會推到一個固定的partition中，然后再推給consumer進行消費處理，同步到新的數(shù)據(jù)庫。通過這種方式，解決了之前碰到的binlog日志順序處理的問題。這樣即使我們部署了多個kafka consumer端，構(gòu)成一個集群，這樣consumer從一個partition消費消息，就是消費處理同一個表的數(shù)據(jù)。這樣對于一個表來說，犧牲掉了并行處理，不過個人覺得，憑借kafka的性能強大的處理架構(gòu)，我們的業(yè)務(wù)在kafka這個節(jié)點產(chǎn)生瓶頸并不容易。并且我們的業(yè)務(wù)目的不是實時一致性，在一定延遲下，兩個數(shù)據(jù)庫保證最終一致性。

(推薦微課：SQL微課)

下圖是最終的同步架構(gòu)，我們在每一個服務(wù)節(jié)點都實現(xiàn)了集群化。全都跑在UCloud的UK8s服務(wù)上，保證了服務(wù)節(jié)點的高可用性。

canal也是集群換，但是某一時刻只會有一臺canal在處理binlog，其他都是冗余服務(wù)。當(dāng)這臺canal服務(wù)掛了，其中一臺冗余服務(wù)就會切換到工作狀態(tài)。同樣的，也是因為要保證binlog的順序讀取，所以只能有一臺canal在工作。


并且，我們還用這套架構(gòu)進行緩存失效的同步。我們使用的緩存模式是:Cache-Aside。同樣的，如果在代碼中數(shù)據(jù)更改的地方進行緩存失效操作，會將代碼變得復(fù)雜。所以，在上述架構(gòu)的基礎(chǔ)上，將復(fù)雜的觸發(fā)緩存失效的邏輯放到kafka-client端統(tǒng)一處理，達到一定解耦的目的。

以上就是關(guān)于使用canal + Kafka進行數(shù)據(jù)庫同步操作的相關(guān)介紹了，希望對大家有所幫助。