2020实战复盘：如何从0到1搭建数据传输平台产品DTS？

 2020年下半年的实战输平主要任务，就是复盘从0到1搭建了数据传输服务平台产品。平稳上线后，到搭基本达到预期，建数据传实现了最初的台产产品规划目标。

这里做个复盘，实战输平记录下从0到1的复盘过程，包括：

产品设计 整体技术架构 核心模块的到搭技术选型、原理与改造适配 总结与展望

1.什么是建数据传数据传输服务

数据传输服务DTS(Data Transmission System)的目标是支持RDBMS、NoSQL、台产OLAP等数据源间的实战输平数据交互，集数据迁移/订阅/同步于一体，复盘帮助构建安全、到搭可扩展、建数据传高可用的台产数据架构。

当然，目前我们的核心存储还是以MySQL为主，因此，自研的数据传输服务的首要数据源是MySQL。源码库

为什么不直接采用公有云产品呢，比如阿里云DTS?

主要原因是为了能更好地对接内部其他系统，支持许多内部系统数据迁移/同步的自动化流程需求。同时，业内相关开源技术非常丰富且成熟，有很多现成的轮子可以使用，可以大大降低云服务使用成本。

2.产品设计

对于DTS的最强烈需求来源，是正在推进的多云架构，需要能够构建多云数据库镜像。同时，我们又深入调研了其他业务需求，得到了众多用户场景。

包括但不限于：

数据库多云同步 分库分表数据同步 ES 索引构建 压测数据、线下导入/同步 缓存刷新，Local cache/Redis cache等刷新 业务数据变更订阅 CQRS模式实现

 

这些场景经过归纳整理，得到了DTS的三大产品功能模块。

数据订阅模块：支持ES索引构建 、缓存刷新、业务数据变更订阅、CQRS模式实现 数据迁移模块：支持数据库多云同步、分库分表数据同步、压测数据、线下导入 数据同步模块：支持数据库多云同步、分库分表数据同步、压测数据、站群服务器线下导入/同步

3.整体技术架构

整个DTS系统分为三个 逻辑层次，交互层、控制层、引擎层。

 

3.1 交互层

交互层就是用户可见的前台DTS产品，是用户视角的DTS系统。

1)产品模块

系统中包含了数据订阅产品模块、数据迁移产品模块、数据同步产品模块。

用户通过与各个产品模块交互，直接获取对应产品模块任务信息，实现对模块任务的管理，包括创建、启动、停止、释放、任务监控信息等。

2)通用服务

交互层除了产品模块之外，用户能够感知到的交互能力还包括了用户管理、权限管理、变更管理、基本任务信息管理等 通用服务能力。

这些通用服务能力可以来自于其他内部系统，也可以是独立设计的。

最重要的源码下载是，这些通用服务可以复用于DTS未来的产品扩展，包括Redis的数据同步、HBase数据同步。

3)核心设计

正如一开始提到，虽然目前我们以MySQL为主，但是未来肯定会扩展到其他数据源的数据迁移与同步。

因此交互层的核心实现采用 模板模式 ，实现了基础任务的创建、启动、停止、释放、审核、鉴权等流程。

将基础任务流程中的特定动作，如启动引擎任务、停止引擎任务等具体实现放在各个模块的实现类中进行实现。

实现了DTS模块化设计和极高的可扩展性，为未来接入其他 迁移/同步引擎(Redis/Hbase) 打下基础。

3.2 控制层

控制层是面向管理员的操作平台。

这一层主要面向运维视角，实现对引擎层的监控、启停、扩容等能力。

对比交互层产品模块，这一层次的控制台会有更复杂的任务控制选项，同时，也会具备很多运维层面的操作，比如引擎层的服务器管理能力等。

Canal、otter等开源产品都已经自带了相关控制台，可以直接使用。

3.3 引擎层

引擎层是整个系统的核心部分，目前的架构设计下，引擎层的引擎都是支持扩展、支持替换的。

目前全部采用开源项目，包括：

数据迁移引擎采用Datax：https://github.com/alibaba/DataX 数据订阅引擎采用canal: https://github.com/alibaba/canal 数据同步引擎采用otter: https://github.com/alibaba/otter

对于引擎层，最核心的在于技术选型。需要结合业务需求、开源项目稳定性、开源项目功能特点综合分析，下文我们会仔细展开说明。

另外，对于生产环境使用的项目，必须做好配套的监控告警措施，保证线上的稳定性。

otter/canal都有现成的监控指标，我们需要将 同步延迟 等关键指标进行采集，并设置合理的告警阈值。

同时，对于一些没有现成的监控指标，比如 任务存活状态 等，我们可以通过 巡检 进行定时检查，避免由于同步任务挂起而影响上层业务。

4.数据订阅模块

4.1 技术选型

数据订阅实际上就是一种CDC(Change Data Capture)工具，目前开源产品中比较成熟的有Canal、DataX、DataBus、Debezium等。

整体而言，Canal、DataX、Debezium的使用人数多，社区活跃，框架也比较成熟。在满足应用场景的前提下，优先选择，代价适中。

DataX支持丰富，使用简单，但延迟较大(依赖获取频率)，只需要手写规则文件，对复杂同步自定义性不强。

Debezium虽然比Canal支持更多类型的数据源，但是我们实际上只需要mysql，并不需要PostgreSQL这些的支持。

而Canal有几点特性我们非常需要，让我们决定使用Canal作为数据订阅引擎：

对阿里云RDS有特殊定制优化，可以自动下载备份到oss的binlog文件然后指定位点开始同步 有非常友好的控制台 支持投递到Rocketmq 新版本的Canal-Adapter可以支持多种客户端消费，包括mysql、es等

4.2 基本原理

数据订阅的原理基本一样，都是基于MySQL的主从复制原理实现。

MySQL的主从复制分成三步：

master将改变记录到二进制日志(binary log)中(这些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); slave将master的binary log events拷贝到它的中继日志(relay log); slave重做中继日志中的事件，将改变反映它自己的数据。

Canal 就是模拟了这个过程。

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 (即 canal );

Canal 解析 binary log 对象(原始为 byte 流);

4.3 部署架构

核心组件：

zookeeper：使用已有的zookeeper集群，实现订阅任务的HA canal-admin：数据订阅的控制层的控制台，管理canal-server上的订阅任务状态与配置 canal-server：用于运行数据订阅任务，抓取数据库binlog，投递到MQ或者下游client。

4.4 使用方式

Canal支持TCP直接消费、MQ消费两种模式。

为了支持多个下游消费，减少上游数据库订阅压力，我们使用了MQ消费模式。

将数据库订阅binlog投递到Rocketmq，下游用户可以利用Rocketmq的Consumer Group，多次、重复消费对应数据，实现业务解耦、缓存一致性等场景。

4.5 改造适配

1)控制台api封装

由于canal-admin的技术栈还是比较新的，有比较成熟的分层结构和独立的rpc接口，因此，在DTS服务中，包装相关canal-admin的接口，即可实现产品化的前台接口逻辑。

2)云原生改造

计划中，改造为k8s部署，支持快速扩缩容

5.数据迁移模块

5.1 技术选型

跟数据订阅不同，Mysql的数据迁移五花八门，实现原理也都各不相同。

综合来看，我们选择了DataX作为数据迁移引擎。

5.2 基本原理

DataX 是阿里巴巴集团内被广泛使用的离线数据同步工具/平台，实现包括 MySQL、Oracle、SqlServer、Postgre、HDFS、Hive、ADS、HBase、TableStore(OTS)、MaxCompute(ODPS)、DRDS 等各种异构数据源之间高效的数据同步功能。

我们主要使用了MySQL的数据同步，它的实现原理比较简单，就是通过

select * from table; 

获取全量数据，然后写入到目标库中。

当然，这里利用了JDBC的流式查询，避免OOM。同时，datax也支持自定义限速。

5.3 部署架构与使用方式

Datax的使用方式比较简单，通过配置任务Json，执行脚本即可。

由于数据迁移使用不多，且基本是一次性使用，所以暂时是直接部署在DTS的服务中，通过Java的Process类进行相关处理。

创建Datax所需的conf文件，并返回地址 使用Runtime.getRuntime().exec()执行 Datax的python脚本 根据返回的Process对象，处理成功/失败、执行输出日志等

后面会考虑进一步迭代，采用独立服务器部署Datax，然后通过自定义Java服务或者使用Saltstack实现远程调用脚本。

 

6.数据同步模块

6.1 技术选型

数据同步的方案主要有三种

综合实施性、技术成熟度、双向同步需求的考虑，我们选择了otter作为数据同步引擎。

6.2 基本原理

基于Canal开源产品，获取数据库增量日志数据。Canal原理参考 数据订阅 的基本原理。

典型管理系统架构，manager(web管理)+node(工作节点)。

6.3 部署架构

核心组件：

zookeeper：解决分布式状态调度的，允许多node节点之间协同工作 manager: 运行时推送同步配置到node节点 node: 内嵌canal，负责binlog订阅，并把事件同步到目标数据库;同时，将同步状态反馈到manager上

6.4 改造适配

1)控制台api封装

由于otter-admin的技术栈比较旧，采用webx框架实现，没有前后端分离。

因此，需要根据已有代码，重新封装独立的rpc接口，然后才能对接到DTS服务中，包装相关otter-admin的接口，实现产品化的前台接口逻辑。

2)云原生改造

改造为k8s部署，支持快速扩缩容，具体可以参考我上一篇文章 拥抱云原生，如何将开源项目用k8s部署?

7.总结与展望

从产品设计、技术调研、架构设计到最后研发上线，历时半年左右。最终功夫不负有心人，项目顺利上线，通过前台产品的简单交互与审核，就能秒级快速创建DTS任务。

目前已经支持数十个DTS任务(包括数据订阅、数据迁移、数据同步)，落地了多云数据库镜像、ES索引构建、数据实时同步、业务数据订阅等多个业务场景。

未来，还需要做进一步的技术迭代，包括：

1)扩展数据传输引擎

目前已经在尝试接入Redis-shake做Redis的迁移与同步。

后面还会继续尝试HBase-replication的接入，做HBase相关的任务迁移与同步。

这些都可以通过复用 通用服务能力 和 模版流程，实现快速接入。

2)增加调度模块

后续还需要增加任务调度模块，主要实现两方面的能力：

根据实例负载进行任务的调度，保证资源的合理使用

根据业务特性、重要程度做任务调度，保证资源隔离

3)完成云原生化改造

目前只有otter引擎实现了k8s部署，后面还需要对canal-server、Datax实现k8s部署，满足快速扩缩容，提高资源使用率。