Dbus所支持兩類數據源的實現原理與架構拆解。

大體來說，Dbus支持兩類數據源：

• RDBMS數據源
• 日志類數據源

一、RMDBMS類數據源的實現

以mysql為例子. 分為三個部分：

• 日志抽取模塊
• 增量轉換模塊
• 全量拉取模塊

1.1 日志抽取模塊（Extractor）

mysql 日志抽取模塊由兩部分構成：

• canal server：負責從mysql中抽取增量日志。
• mysql-extractor storm程序：負責將增量日志輸出到kafka中，過濾不需要的表數據，保證at least one和高可用。

我們知道，雖然mysql innodb有自己的log，mysql主備同步是通過binlog來實現的。而binlog同步有三種模式：Row 模式，Statement 模式，Mixed模式。因為statement模式有各種限制，通常生產環境都使用row模式進行復制，使得讀取全量日志成為可能。

通常我們的mysql布局是采用 2個master主庫（vip）+ 1個slave從庫 + 1個backup容災庫 的解決方案，由于容災庫通常是用于異地容災，實時性不高也不便于部署。

為了最小化對源端產生影響，我們讀取binlog日志從slave從庫讀取。

讀取binlog的方案比較多，DBus也是站在巨人的肩膀上，對于Mysql數據源使用阿里巴巴開源的Canal來讀取增量日志。這樣做的好處是：

• 不用重復開發避免重復造輪子
• 享受canal升級帶來的好處

關于Canal的介紹可參考：https://github.com/alibaba/canal/wiki/Introduction 由于canal用戶抽取權限比較高，一般canal server節點也可以由DBA組來維護。

日志抽取模塊的主要目標是將數據從canal server中讀出，盡快落地到第一級kafka中，避免數據丟失（畢竟長時間不讀日志數據，可能日志會滾到很久以前，可能會被DBA刪除），因此需要避免做過多的事情，主要就做一下數據拆包工作防止數據包過大。

從高可用角度考慮，在使用Canal抽取過程中，采用的基于zookeeper的Canal server高可用模式，不存在單點問題，日志抽取模塊extractor也使用storm程序，同樣也是高可用架構。

不同數據源有不同的日志抽取方式，比如oracle，mongo等都有相應的日志抽取程序。

DBus日志抽取模塊獨立出來是為了兼容這些不同數據源的不同實現方式。

1.2 增量轉換模塊（Stream）

增量數據處理模塊，根據不同的數據源類型的格式進行轉換和處理。

1）分發模塊dispatcher

• 將來自數據源的日志按照不同的schema分發到不同topic上。這樣做的目的
• 是為了數據隔離（因為一般不同的shema對應不同的數據庫）
• 是為了分離轉換模塊的計算壓力，因為轉換模塊計算量比較大，可以部署多個，每個schema一個提高效率。

2）轉換模塊appender

• 實時數據格式轉換：Canal數據是protobuf格式，需要轉換為我們約定的UMS格式，生成唯一標識符ums_id和ums_ts等；
• 捕獲元數據版本變更：比如表加減列，字段變更等，維護版本信息，發出通知觸發告警
• 實時數據脫敏：根據需要對指定列進行脫敏，例如替換為***，MD5加鹽等。
• 響應拉全量事件：當收到拉全量請求時為了保證數據的相應順序行，會暫停拉增量數據，等全量數據完成后，再繼續。
• 監控數據：分發模塊和轉換模塊都會響應心跳event，統計每一張表在兩次心跳中的數據和延時情況，發送到statistic作為監控數據使用。
• 分發模塊和轉換模塊都會相應相關reload通知事件從Mgr庫和zk上進行加載配置操作。

1.3 全量拉取模塊（FullPuller）

全量拉取可用于初始化加載(Initial load), 數據重新加載，實現上我們借鑒了sqoop的思想。將全量過程分為了2 個部分：

1)數據分片

分片讀取max，min，count等信息，根據片大小計算分片數，生成分片信息保存在split topic中。下面是具體的分片策略：

以實際的經驗，對于mysql InnDB，只有使用主鍵索引進行分片，才能高效。因為mysql innDB的主鍵列與數據存儲順序一致。

2)實際拉取

每個分片代表一個小任務，由拉取轉換模塊通過多個并發度的方式連接slave從庫進行拉取。 拉取完成情況寫到zookeeper中，便于監控。

全量拉取對源端數據庫是有一定壓力的，我們做法是：

• 從slave從庫拉取數據
• 控制并發度6~8
• 推薦在業務低峰期進行

全量拉取不是經常發生的，一般做初始化拉取一次，或者在某種情況下需要全量時可以觸發一次。

1.3 全量和增量的一致性

在整個數據傳輸中，為了盡量的保證日志消息的順序性，kafka我們使用的是1個partition的方式。在一般情況下，基本上是順序的和唯一的。 但如果出現寫kafka異步寫入部分失敗， storm也用重做機制，因此，我們并不嚴格保證exactly once和完全的順序性，但保證的是at least once。

因此ums_id_變得尤為重要。 對于全量抽取，ums_id是一個值，該值為全量拉取event的ums_id號，表示該批次的所有數據是一批的，因為數據都是不同的可以共享一個ums_id_號。ums_uid_流水號從zk中生成，保證了數據的唯一性。 對于增量抽取，我們使用的是 mysql的日志文件號 + 日志偏移量作為唯一id。Id作為64位的long整數，高6位用于日志文件號，低13位作為日志偏移量。 例如：000103000012345678。 103 是日志文件號，12345678 是日志偏移量。 這樣，從日志層面保證了物理唯一性（即便重做也這個id號也不變），同時也保證了順序性（還能定位日志）。通過比較ums_id_就能知道哪條消息更新。

ums_ts_的價值在于從時間維度上可以準確知道event發生的時間。比如：如果想得到一個某時刻的快照數據。可以通過ums_ts 來知道截斷時間點。

二、日志類數據源的實現

業界日志收集、結構化、分析工具方案很多，例如：Logstash、Filebeat、Flume、Fluentd、Chukwa. scribe、Splunk等，各有所長。在結構化日志這個方面，大多采用配置正則表達式模板：用于提取日志中模式比較固定、通用的部分，例如日志時間、日志類型、行號等。對于真正的和業務比較相關的信息，這邊部分是最重要的，稱為message部分，我們希望使用可視化的方式來進行結構化。

例如：對于下面所示的類log4j的日志：

如果用戶想將上述數據轉換為如下的結構化數據信息：

我們稱這樣的日志為“數據日志”

DBUS設計的數據日志同步方案如下：

• 日志抓取端采用業界流行的組件（例如Logstash、Flume、Filebeat等）。一方面便于用戶和業界統一標準，方便用戶的整合；另一方面也避免無謂的重造輪子。抓取數據稱為原始數據日志（raw data log）放進Kafka中，等待處理。
• 提供可視化界面，配置規則來結構化日志。用戶可配置日志來源和目標。同一個日志來源可以輸出到多個目標。每一條“日志源-目標”線，中間數據經過的規則處理用戶根據自己的需求來自由定義。最終輸出的數據是結構化的，即：有schema約束，可以理解為類似數據庫中的表。
• 所謂規則，在DBUS中，即“規則算子”。DBUS設計了豐富易用的過濾、拆分、合并、替換等算子供用戶使用。用戶對數據的處理可分多個步驟進行，每個步驟的數據處理結果可即時查看、驗證；可重復使用不同算子，直到轉換、裁剪得到自己需要的數據。
• 將配置好的規則算子組運用到執行引擎中，對目標日志數據進行預處理，形成結構化數據，輸出到Kafka，供下游數據使用方使用。

系統流程圖如下所示：

根據配置，我們支持同一條原始日志，能提取為一個表數據，或者可以提取為多個表數據。

每個表是結構化的，滿足相同的schema。

• 每個表是一個規則 算子組的合集，可以配置1個到多個規則算子組
• 每個規則算子組，由一組規則算子組合而成

拿到一條原始數據日志， 它最終應該屬于哪張表呢？

每條日志需要與規則算子組進行匹配：

• 符合條件的進入規則算子組的，最終被規則組轉換為結構化的表數據。
• 不符合的嘗試下一個規則算子組。
• 都不符合的，進入unknown_table表。

2.1 規則算子

規則算子是對數據進行過濾、加工、轉換的基本單元。常見的規則算子如下：

算子之間是獨立的，通過組合不同的算子達到更復雜的功能，對算子進行迭代使用最終達到對任意數據進行加工的目的。

我們試圖使得算子盡量滿足正交性或易用性（雖然正則表達式很強大，但我們仍然開發一些簡單算子例如trim算子來完成簡單功能，以滿足易用性）。

三、UMS統一消息格式

無論是增量、全量還是日志，最終輸出到結果kafka中的消息都是我們約定的統一消息格式,稱為UMS(unified message schema)格式。如下圖所示：

3.1 Protocol

數據的類型，被UMS的版本號

3.2 schema

1）namespace 由：類型. 數據源名.schema名 .表名.表版本號. 分庫號 .分表號 組成，能夠描述所有表。

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，保證消息是唯一的
• ums_ts_ canal捕獲事件的時間戳；
• ums_op_ 表明數據的類型是I (insert)，U (update)，B (before Update)，D(delete)
• ums_uid_ 數據流水號，唯一值

3）payload是指具體的數據。

一個json包里面可以包含1條至多條數據，提高數據的有效載荷。

四、心跳監控和預警

RDBMS類系統涉及到數據庫的主備同步，日志抽取，增量轉換等多個模塊等。

日志類系統涉及到日志抽取端，日志轉換模模塊等。

如何知道系統正在健康工作，數據是否能夠實時流轉？ 因此對流程的監控和預警就尤為重要。

4.1 對于RDBMS類系統

心跳模塊從dbusmgr庫中獲得需要監控的表列表，以固定頻率（比如每分鐘）向源端dbus庫的心跳表插入心跳數據（該數據中帶有發送時間），該心跳表也作為增量數據被實時同步出來，并且與被同步表走相同的邏輯和線程（為了保證順序性，當遇到多并發度時是sharding by table的，心跳數據與table數據走同樣的bolt），這樣當收到心跳數據時，即便沒有任何增刪改的數據，也能證明整條鏈路是通的。

增量轉換模塊和心跳模塊在收到心跳包數據后，就會發送該數據到influxdb中作為監控數據，通過grafana進行展示。 心跳模塊還會監控延時情況，根據延時情況給以報警。

4.2 對于日志類系統

從源端就會自動產生心跳包，類似RDBMS系統，將心跳包通過抽取模塊，和算子轉換模塊同步到末端，由心跳模塊負責監控和預警。

轉載于:https://www.cnblogs.com/yixinjishu/p/11540000.html

總結

以上是生活随笔為你收集整理的拆解大数据总线平台DBus的系统架构的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。