拆解大数据总线平台DBus的系统架构

拓展阅读：

如何基于日志，同步实现数据的一致性和实时抽取?

快速部署DBus体验实时数据流计算

Dbus所支持两类数据源的实现原理与架构拆解。

大体来说，Dbus支持两类数据源：

RDBMS数据源
日志类数据源

一、RMDBMS类数据源的实现

以mysql为例子. 分为三个部分：

日志抽取模块
增量转换模块
全量拉取模块

1.1 日志抽取模块（Extractor）

mysql 日志抽取模块由两部分构成：

canal server：负责从mysql中抽取增量日志。
mysql-extractor storm程序：负责将增量日志输出到kafka中，过滤不需要的表数据，保证at least one和高可用。

我们知道，虽然mysql innodb有自己的log，mysql主备同步是通过binlog来实现的。而binlog同步有三种模式：Row 模式，Statement 模式，Mixed模式。因为statement模式有各种限制，通常生产环境都使用row模式进行复制，使得读取全量日志成为可能。

通常我们的mysql布局是采用 2个master主库（vip）+ 1个slave从库 + 1个backup容灾库的解决方案，由于容灾库通常是用于异地容灾，实时性不高也不便于部署。

为了最小化对源端产生影响，我们读取binlog日志从slave从库读取。

读取binlog的方案比较多，DBus也是站在巨人的肩膀上，对于Mysql数据源使用阿里巴巴开源的Canal来读取增量日志。这样做的好处是：

不用重复开发避免重复造轮子
享受canal升级带来的好处

关于Canal的介绍可参考：https://github.com/alibaba/canal/wiki/Introduction 由于canal用户抽取权限比较高，一般canal server节点也可以由DBA组来维护。

日志抽取模块的主要目标是将数据从canal server中读出，尽快落地到第一级kafka中，避免数据丢失（毕竟长时间不读日志数据，可能日志会滚到很久以前，可能会被DBA删除），因此需要避免做过多的事情，主要就做一下数据拆包工作防止数据包过大。

从高可用角度考虑，在使用Canal抽取过程中，采用的基于zookeeper的Canal server高可用模式，不存在单点问题，日志抽取模块extractor也使用storm程序，同样也是高可用架构。

不同数据源有不同的日志抽取方式，比如oracle，mongo等都有相应的日志抽取程序。

DBus日志抽取模块独立出来是为了兼容这些不同数据源的不同实现方式。

1.2 增量转换模块（Stream）

增量数据处理模块，根据不同的数据源类型的格式进行转换和处理。

1）分发模块dispatcher

将来自数据源的日志按照不同的schema分发到不同topic上。这样做的目的
是为了数据隔离（因为一般不同的shema对应不同的数据库）
是为了分离转换模块的计算压力，因为转换模块计算量比较大，可以部署多个，每个schema一个提高效率。

2）转换模块appender

实时数据格式转换：Canal数据是protobuf格式，需要转换为我们约定的UMS格式，生成唯一标识符ums_id和ums_ts等；
捕获元数据版本变更：比如表加减列，字段变更等，维护版本信息，发出通知触发告警
实时数据脱敏：根据需要对指定列进行脱敏，例如替换为***，MD5加盐等。
响应拉全量事件：当收到拉全量请求时为了保证数据的相应顺序行，会暂停拉增量数据，等全量数据完成后，再继续。
监控数据：分发模块和转换模块都会响应心跳event，统计每一张表在两次心跳中的数据和延时情况，发送到statistic作为监控数据使用。
分发模块和转换模块都会相应相关reload通知事件从Mgr库和zk上进行加载配置操作。

1.3 全量拉取模块（FullPuller）

全量拉取可用于初始化加载(Initial load), 数据重新加载，实现上我们借鉴了sqoop的思想。将全量过程分为了2 个部分：

1)数据分片

分片读取max，min，count等信息，根据片大小计算分片数，生成分片信息保存在split topic中。下面是具体的分片策略：

以实际的经验，对于mysql InnDB，只有使用主键索引进行分片，才能高效。因为mysql innDB的主键列与数据存储顺序一致。

2)实际拉取

每个分片代表一个小任务，由拉取转换模块通过多个并发度的方式连接slave从库进行拉取。拉取完成情况写到zookeeper中，便于监控。

全量拉取对源端数据库是有一定压力的，我们做法是：

从slave从库拉取数据
控制并发度6~8
推荐在业务低峰期进行

全量拉取不是经常发生的，一般做初始化拉取一次，或者在某种情况下需要全量时可以触发一次。

1.3 全量和增量的一致性

在整个数据传输中，为了尽量的保证日志消息的顺序性，kafka我们使用的是1个partition的方式。在一般情况下，基本上是顺序的和唯一的。但如果出现写kafka异步写入部分失败， storm也用重做机制，因此，我们并不严格保证exactly once和完全的顺序性，但保证的是at least once。

因此ums_id_变得尤为重要。对于全量抽取，ums_id是一个值，该值为全量拉取event的ums_id号，表示该批次的所有数据是一批的，因为数据都是不同的可以共享一个ums_id_号。ums_uid_流水号从zk中生成，保证了数据的唯一性。对于增量抽取，我们使用的是 mysql的日志文件号 + 日志偏移量作为唯一id。Id作为64位的long整数，高6位用于日志文件号，低13位作为日志偏移量。例如：000103000012345678。 103 是日志文件号，12345678 是日志偏移量。这样，从日志层面保证了物理唯一性（即便重做也这个id号也不变），同时也保证了顺序性（还能定位日志）。通过比较ums_id_就能知道哪条消息更新。

ums_ts_的价值在于从时间维度上可以准确知道event发生的时间。比如：如果想得到一个某时刻的快照数据。可以通过ums_ts 来知道截断时间点。

二、日志类数据源的实现

业界日志收集、结构化、分析工具方案很多，例如：Logstash、Filebeat、Flume、Fluentd、Chukwa. scribe、Splunk等，各有所长。在结构化日志这个方面，大多采用配置正则表达式模板：用于提取日志中模式比较固定、通用的部分，例如日志时间、日志类型、行号等。对于真正的和业务比较相关的信息，这边部分是最重要的，称为message部分，我们希望使用可视化的方式来进行结构化。

例如：对于下面所示的类log4j的日志：

如果用户想将上述数据转换为如下的结构化数据信息：

我们称这样的日志为“数据日志”

DBUS设计的数据日志同步方案如下：

日志抓取端采用业界流行的组件（例如Logstash、Flume、Filebeat等）。一方面便于用户和业界统一标准，方便用户的整合；另一方面也避免无谓的重造轮子。抓取数据称为原始数据日志（raw data log）放进Kafka中，等待处理。
**提供可视化界面，配置规则来结构化日志。**用户可配置日志来源和目标。同一个日志来源可以输出到多个目标。每一条“日志源-目标”线，中间数据经过的规则处理用户根据自己的需求来自由定义。最终输出的数据是结构化的，即：有schema约束，可以理解为类似数据库中的表。
所谓规则，在DBUS中，即**“规则算子”**。DBUS设计了丰富易用的过滤、拆分、合并、替换等算子供用户使用。用户对数据的处理可分多个步骤进行，每个步骤的数据处理结果可即时查看、验证；可重复使用不同算子，直到转换、裁剪得到自己需要的数据。
将配置好的规则算子组运用到执行引擎中，对目标日志数据进行预处理，形成结构化数据，输出到Kafka，供下游数据使用方使用。

系统流程图如下所示：

根据配置，我们支持同一条原始日志，能提取为一个表数据，或者可以提取为多个表数据。

每个表是结构化的，满足相同的schema。

每个表是一个规则算子组的合集，可以配置1个到多个规则算子组
每个规则算子组，由一组规则算子组合而成

拿到一条原始数据日志，它最终应该属于哪张表呢？

每条日志需要与规则算子组进行匹配：

符合条件的进入规则算子组的，最终被规则组转换为结构化的表数据。
不符合的尝试下一个规则算子组。
都不符合的，进入unknown_table表。

2.1 规则算子

规则算子是对数据进行过滤、加工、转换的基本单元。常见的规则算子如下：

算子之间是独立的，通过组合不同的算子达到更复杂的功能，对算子进行迭代使用最终达到对任意数据进行加工的目的。

我们试图使得算子尽量满足正交性或易用性（虽然正则表达式很强大，但我们仍然开发一些简单算子例如trim算子来完成简单功能，以满足易用性）。

三、UMS统一消息格式

无论是增量、全量还是日志，最终输出到结果kafka中的消息都是我们约定的统一消息格式,称为UMS(unified message schema)格式。如下图所示：

3.1 Protocol

数据的类型，被UMS的版本号

3.2 schema

1）namespace 由：类型. 数据源名.schema名 .表名.表版本号. 分库号 .分表号组成，能够描述所有表。

例如：mysql.db1.schema1.testtable.5.0.0

2）fields是字段名描述。

ums_id_ 消息的唯一id，保证消息是唯一的
ums_ts_ canal捕获事件的时间戳；
ums_op_ 表明数据的类型是I (insert)，U (update)，B (before Update)，D(delete)
ums_uid_ 数据流水号，唯一值

3）payload是指具体的数据。

一个json包里面可以包含1条至多条数据，提高数据的有效载荷。

四、心跳监控和预警

RDBMS类系统涉及到数据库的主备同步，日志抽取，增量转换等多个模块等。

日志类系统涉及到日志抽取端，日志转换模模块等。

如何知道系统正在健康工作，数据是否能够实时流转？因此对流程的监控和预警就尤为重要。

4.1 对于RDBMS类系统

心跳模块从dbusmgr库中获得需要监控的表列表，以固定频率（比如每分钟）向源端dbus库的心跳表插入心跳数据（该数据中带有发送时间），该心跳表也作为增量数据被实时同步出来，并且与被同步表走相同的逻辑和线程（为了保证顺序性，当遇到多并发度时是sharding by table的，心跳数据与table数据走同样的bolt），这样当收到心跳数据时，即便没有任何增删改的数据，也能证明整条链路是通的。

增量转换模块和心跳模块在收到心跳包数据后，就会发送该数据到influxdb中作为监控数据，通过grafana进行展示。心跳模块还会监控延时情况，根据延时情况给以报警。