平時(shí)工作中數(shù)據(jù)庫(kù)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(kù)，所以常常會(huì)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(kù)的數(shù)據(jù)來源于A服務(wù)的數(shù)據(jù)庫(kù)；A 服務(wù)的數(shù)據(jù)有變更操作時(shí)，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(shí)，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(kù)中。這種方式看似簡(jiǎn)單，但其實(shí)“坑”很多。在 A 服務(wù)代碼邏輯中會(huì)增加大量這種調(diào)用接口同步的代碼，增加了項(xiàng)目代碼的復(fù)雜度，以后會(huì)越來越難維護(hù)。并且，接口調(diào)用的方式并不是一個(gè)穩(wěn)定的方式，沒有重試機(jī)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(huì)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(huì)有不少工作量。想到這里，就將這個(gè)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(kù)的binlog進(jìn)行同步。這種解決方案，與 A 服務(wù)是獨(dú)立的，不會(huì)和 A 服務(wù)有代碼上的耦合?？梢灾苯?TCP連接進(jìn)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(gè)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(fèi)組件，已經(jīng)有在生產(chǎn)上實(shí)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(yǔ)言的client庫(kù)，滿足我們?cè)?code>go上的需求，其他具體內(nèi)容參閱canal的github主頁(yè)。

原理簡(jiǎn)圖



OK，開始干！現(xiàn)在要將 A 數(shù)據(jù)庫(kù)的數(shù)據(jù)變更同步到 B 數(shù)據(jù)庫(kù)。根據(jù)wiki很快就用docker跑起了一臺(tái)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(jìn)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(kù)，模擬slave
2. canal-client與Canal建立連接，并訂閱對(duì)應(yīng)的數(shù)據(jù)庫(kù)表
3. A 數(shù)據(jù)庫(kù)發(fā)生變更寫入到binlog，Canal向數(shù)據(jù)庫(kù)發(fā)送dump請(qǐng)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(kù)

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(gè)數(shù)組中 代碼簡(jiǎn)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(huì)創(chuàng)建多個(gè)canal-client構(gòu)成一個(gè)集群，來進(jìn)行解析并同步到新的數(shù)據(jù)庫(kù)。這里就出現(xiàn)了一個(gè)比較重要的問題，如何保證canal-client集群解析消費(fèi)binlog的順序性呢？

我們使用的binlog是row模式。每一個(gè)寫操作都會(huì)產(chǎn)生一條binlog日志。 舉個(gè)簡(jiǎn)單的例子：插入了一條 a 記錄，并且立馬修改 a 記錄。這樣會(huì)有兩個(gè)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(duì)列組合呀!而且支持kafka，rabbitmq，rocketmq多種選擇，如此優(yōu)秀。我們?cè)谙㈥?duì)列這層來實(shí)現(xiàn)消息的順序性。

選擇canal+kafka方案

我們選擇了消息隊(duì)列的業(yè)界標(biāo)桿: kafka UCloud提供了kafka和rocketMQ消息隊(duì)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(duì)列系統(tǒng)。加速開發(fā)，方便運(yùn)維。

下面就讓我們來一探究竟：

1.選擇kafka消息隊(duì)列產(chǎn)品，并申請(qǐng)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(gè)kafka + ZooKeeper集群就搭建出來了，給力！


并且包含了節(jié)點(diǎn)管理、Topic管理、Consumer Group管理，能夠非常方便的直接在控制臺(tái)對(duì)配置進(jìn)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(fèi)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(biāo)。




canal的kafka配置

canal配上kafka也非常的簡(jiǎn)單。 vi /usr/local/canal/conf/canal.properties

...

# 可選項(xiàng): tcp(默認(rèn)), 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(qǐng)將該值改大, 建議50-200
canal.mq.lingerMs = 1
canal.mq.bufferMemory = 33554432
# Canal的batch size, 默認(rèn)50K, 由于kafka最大消息體限制請(qǐng)勿超過1M(900K以下)
canal.mq.canalBatchSize = 50
# Canal get數(shù)據(jù)的超時(shí)時(shí)間, 單位: 毫秒, 空為不限超時(shí)
canal.mq.canalGetTimeout = 100
# 是否為flat json格式對(duì)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(fèi)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(gè)Topic就是一個(gè)表。這樣的效果就是，一個(gè)表的數(shù)據(jù)只會(huì)推到一個(gè)固定的partition中，然后再推給consumer進(jìn)行消費(fèi)處理，同步到新的數(shù)據(jù)庫(kù)。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(gè)kafka consumer端，構(gòu)成一個(gè)集群，這樣consumer從一個(gè)partition消費(fèi)消息，就是消費(fèi)處理同一個(gè)表的數(shù)據(jù)。這樣對(duì)于一個(gè)表來說，犧牲掉了并行處理，不過個(gè)人覺得，憑借kafka的性能強(qiáng)大的處理架構(gòu)，我們的業(yè)務(wù)在kafka這個(gè)節(jié)點(diǎn)產(chǎn)生瓶頸并不容易。并且我們的業(yè)務(wù)目的不是實(shí)時(shí)一致性，在一定延遲下，兩個(gè)數(shù)據(jù)庫(kù)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?cè)诿恳粋€(gè)服務(wù)節(jié)點(diǎn)都實(shí)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(diǎn)的高可用性。

canal也是集群換，但是某一時(shí)刻只會(huì)有一臺(tái)canal在處理binlog，其他都是冗余服務(wù)。當(dāng)這臺(tái)canal服務(wù)掛了，其中一臺(tái)冗余服務(wù)就會(huì)切換到工作狀態(tài)。同樣的，也是因?yàn)橐ＷCbinlog的順序讀取，所以只能有一臺(tái)canal在工作。


并且，我們還用這套架構(gòu)進(jìn)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(jìn)行緩存失效操作，會(huì)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(dá)到一定解耦的目的。

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