美团DB数据同步到数据仓库的架构与实践

背景

在数据仓库建模中，未经任何加工处理的原始业务层数据，咱们称之为ODS(Operational Data Store)数据。在互联网企业中，常见的ODS数据有业务日志数据（Log）和业务DB数据（DB）两类。对于业务DB数据来讲，从MySQL等关系型数据库的业务数据进行采集，而后导入到Hive中，是进行数据仓库生产的重要环节。

如何准确、高效地把MySQL数据同步到Hive中？通常经常使用的解决方案是批量取数并Load：直连MySQL去Select表中的数据，而后存到本地文件做为中间存储，最后把文件Load到Hive表中。这种方案的优势是实现简单，可是随着业务的发展，缺点也逐渐暴露出来：

• 性能瓶颈：随着业务规模的增加，Select From MySQL -> Save to Localfile -> Load to Hive这种数据流花费的时间愈来愈长，没法知足下游数仓生产的时间要求。
• 直接从MySQL中Select大量数据，对MySQL的影响很是大，容易形成慢查询，影响业务线上的正常服务。
• 因为Hive自己的语法不支持更新、删除等SQL原语，对于MySQL中发生Update/Delete的数据没法很好地进行支持。

为了完全解决这些问题，咱们逐步转向CDC (Change Data Capture) + Merge的技术方案，即实时Binlog采集 + 离线处理Binlog还原业务数据这样一套解决方案。Binlog是MySQL的二进制日志，记录了MySQL中发生的全部数据变动，MySQL集群自身的主从同步就是基于Binlog作的。

本文主要从Binlog实时采集和离线处理Binlog还原业务数据两个方面，来介绍如何实现DB数据准确、高效地进入数仓。

总体架构

总体的架构如上图所示。在Binlog实时采集方面，咱们采用了阿里巴巴的开源项目Canal，负责从MySQL实时拉取Binlog并完成适当解析。Binlog采集后会暂存到Kafka上供下游消费。总体实时采集部分如图中红色箭头所示。

离线处理Binlog的部分，如图中黑色箭头所示，经过下面的步骤在Hive上还原一张MySQL表：

1. 采用Linkedin的开源项目Camus，负责每小时把Kafka上的Binlog数据拉取到Hive上。
2. 对每张ODS表，首先须要一次性制做快照（Snapshot），把MySQL里的存量数据读取到Hive上，这一过程底层采用直连MySQL去Select数据的方式。
3. 对每张ODS表，天天基于存量数据和当天增量产生的Binlog作Merge，从而还原出业务数据。

咱们回过头来看看，背景中介绍的批量取数并Load方案遇到的各类问题，为何用这种方案能解决上面的问题呢？

• 首先，Binlog是流式产生的，经过对Binlog的实时采集，把部分数据处理需求由天天一次的批处理分摊到实时流上。不管从性能上仍是对MySQL的访问压力上，都会有明显地改善。
• 第二，Binlog自己记录了数据变动的类型（Insert/Update/Delete），经过一些语义方面的处理，彻底可以作到精准的数据还原。

Binlog实时采集

对Binlog的实时采集包含两个主要模块：一是CanalManager，主要负责采集任务的分配、监控报警、元数据管理以及和外部依赖系统的对接；二是真正执行采集任务的Canal和CanalClient。

当用户提交某个DB的Binlog采集请求时，CanalManager首先会调用DBA平台的相关接口，获取这一DB所在MySQL实例的相关信息，目的是从中选出最适合Binlog采集的机器。而后把采集实例（Canal Instance）分发到合适的Canal服务器上，即CanalServer上。在选择具体的CanalServer时，CanalManager会考虑负载均衡、跨机房传输等因素，优先选择负载较低且同地域传输的机器。

CanalServer收到采集请求后，会在ZooKeeper上对收集信息进行注册。注册的内容包括：

• 以Instance名称命名的永久节点。
• 在该永久节点下注册以自身ip:port命名的临时节点。

这样作的目的有两个：

• 高可用：CanalManager对Instance进行分发时，会选择两台CanalServer，一台是Running节点，另外一台做为Standby节点。Standby节点会对该Instance进行监听，当Running节点出现故障后，临时节点消失，而后Standby节点进行抢占。这样就达到了容灾的目的。
• 与CanalClient交互：CanalClient检测到本身负责的Instance所在的Running CanalServer后，便会进行链接，从而接收到CanalServer发来的Binlog数据。

对Binlog的订阅以MySQL的DB为粒度，一个DB的Binlog对应了一个Kafka Topic。底层实现时，一个MySQL实例下全部订阅的DB，都由同一个Canal Instance进行处理。这是由于Binlog的产生是以MySQL实例为粒度的。CanalServer会抛弃掉未订阅的Binlog数据，而后CanalClient将接收到的Binlog按DB粒度分发到Kafka上。

离线还原MySQL数据

完成Binlog采集后，下一步就是利用Binlog来还原业务数据。首先要解决的第一个问题是把Binlog从Kafka同步到Hive上。

Kafka2Hive

整个Kafka2Hive任务的管理，在美团数据平台的ETL框架下进行，包括任务原语的表达和调度机制等，都同其余ETL相似。而底层采用LinkedIn的开源项目Camus，并进行了有针对性的二次开发，来完成真正的Kafka2Hive数据传输工做。

对Camus的二次开发

Kafka上存储的Binlog未带Schema，而Hive表必须有Schema，而且其分区、字段等的设计，都要便于下游的高效消费。对Camus作的第一个改造，即是将Kafka上的Binlog解析成符合目标Schema的格式。

对Camus作的第二个改造，由美团的ETL框架所决定。在咱们的任务调度系统中，目前只对同调度队列的任务作上下游依赖关系的解析，跨调度队列是不能创建依赖关系的。而在MySQL2Hive的整个流程中，Kafka2Hive的任务须要每小时执行一次（小时队列），Merge任务天天执行一次（天队列）。而Merge任务的启动必需要严格依赖小时Kafka2Hive任务的完成。

为了解决这一问题，咱们引入了Checkdone任务。Checkdone任务是天任务，主要负责检测前一天的Kafka2Hive是否成功完成。若是成功完成了，则Checkdone任务执行成功，这样下游的Merge任务就能够正确启动了。

Checkdone的检测逻辑

Checkdone是怎样检测的呢？每一个Kafka2Hive任务成功完成数据传输后，由Camus负责在相应的HDFS目录下记录该任务的启动时间。Checkdone会扫描前一天的全部时间戳，若是最大的时间戳已经超过了0点，就说明前一天的Kafka2Hive任务都成功完成了，这样Checkdone就完成了检测。

此外，因为Camus自己只是完成了读Kafka而后写HDFS文件的过程，还必须完成对Hive分区的加载才能使下游查询到。所以，整个Kafka2Hive任务的最后一步是加载Hive分区。这样，整个任务才算成功执行。

每一个Kafka2Hive任务负责读取一个特定的Topic，把Binlog数据写入original_binlog库下的一张表中，即前面图中的original_binlog.db，其中存储的是对应到一个MySQL DB的所有Binlog。

上图说明了一个Kafka2Hive完成后，文件在HDFS上的目录结构。假如一个MySQL DB叫作user，对应的Binlog存储在original_binlog.user表中。ready目录中，按天存储了当天全部成功执行的Kafka2Hive任务的启动时间，供Checkdone使用。每张表的Binlog，被组织到一个分区中，例如userinfo表的Binlog，存储在table_name=userinfo这一分区中。每一个table_name一级分区下，按dt组织二级分区。图中的xxx.lzo和xxx.lzo.index文件，存储的是通过lzo压缩的Binlog数据。

Merge

Binlog成功入仓后，下一步要作的就是基于Binlog对MySQL数据进行还原。Merge流程作了两件事，首先把当天生成的Binlog数据存放到Delta表中，而后和已有的存量数据作一个基于主键的Merge。Delta表中的数据是当天的最新数据，当一条数据在一天内发生屡次变动时，Delta表中只存储最后一次变动后的数据。

把Delta数据和存量数据进行Merge的过程当中，须要有惟一键来断定是不是同一条数据。若是同一条数据既出如今存量表中，又出如今Delta表中，说明这一条数据发生了更新，则选取Delta表的数据做为最终结果；不然说明没有发生任何变更，保留原来存量表中的数据做为最终结果。Merge的结果数据会Insert Overwrite到原表中，即图中的origindb.table。

Merge流程举例

下面用一个例子来具体说明Merge的流程。

数据表共id、value两列，其中id是主键。在提取Delta数据时，对同一条数据的屡次更新，只选择最后更新的一条。因此对id=1的数据，Delta表中记录最后一条更新后的值value=120。Delta数据和存量数据作Merge后，最终结果中，新插入一条数据（id=4），两条数据发生了更新（id=1和id=2），一条数据未变（id=3）。

默认状况下，咱们采用MySQL表的主键做为这一判重的惟一键，业务也能够根据实际状况配置不一样于MySQL的惟一键。

上面介绍了基于Binlog的数据采集和ODS数据还原的总体架构。下面主要从两个方面介绍咱们解决的实际业务问题。

实践一：分库分表的支持

随着业务规模的扩大，MySQL的分库分表状况愈来愈多，不少业务的分表数目都在几千个这样的量级。而通常数据开发同窗须要把这些数据聚合到一块儿进行分析。若是对每一个分表都进行手动同步，再在Hive上进行聚合，这个成本很难被咱们接受。所以，咱们须要在ODS层就完成分表的聚合。

首先，在Binlog实时采集时，咱们支持把不一样DB的Binlog写入到同一个Kafka Topic。用户能够在申请Binlog采集时，同时勾选同一个业务逻辑下的多个物理DB。经过在Binlog采集层的聚集，全部分库的Binlog会写入到同一张Hive表中，这样下游在进行Merge时，依然只须要读取一张Hive表。

第二，Merge任务的配置支持正则匹配。经过配置符合业务分表命名规则的正则表达式，Merge任务就能了解本身须要聚合哪些MySQL表的Binlog，从而选取相应分区的数据来执行。

这样经过两个层面的工做，就完成了分库分表在ODS层的合并。

这里面有一个技术上的优化，在进行Kafka2Hive时，咱们按业务分表规则对表名进行了处理，把物理表名转换成了逻辑表名。例如userinfo123这张表名会被转换为userinfo，其Binlog数据存储在original_binlog.user表的table_name=userinfo分区中。这样作的目的是防止过多的HDFS小文件和Hive分区形成的底层压力。

实践二：删除事件的支持

Delete操做在MySQL中很是常见，因为Hive不支持Delete，若是想把MySQL中删除的数据在Hive中删掉，须要采用“迂回”的方式进行。

对须要处理Delete事件的Merge流程，采用以下两个步骤：

• 首先，提取出发生了Delete事件的数据，因为Binlog自己记录了事件类型，这一步很容易作到。将存量数据（表A）与被删掉的数据（表B）在主键上作左外链接(Left outer join)，若是可以所有join到双方的数据，说明该条数据被删掉了。所以，选择结果中表B对应的记录为NULL的数据，便是应当被保留的数据。
• 而后，对上面获得的被保留下来的数据，按照前面描述的流程作常规的Merge。

总结与展望

做为数据仓库生产的基础，美团数据平台提供的基于Binlog的MySQL2Hive服务，基本覆盖了美团内部的各个业务线，目前已经可以知足绝大部分业务的数据同步需求，实现DB数据准确、高效地入仓。在后面的发展中，咱们会集中解决CanalManager的单点问题，并构建跨机房容灾的架构，从而更加稳定地支撑业务的发展。

本文主要从Binlog流式采集和基于Binlog的ODS数据还原两方面，介绍了这一服务的架构，并介绍了咱们在实践中遇到的一些典型问题和解决方案。但愿可以给其余开发者一些参考价值，同时也欢迎你们和咱们一块儿交流。

招聘

若是你对咱们的工做内容比较感兴趣，欢迎发送简历给 wangmengmeng05@meituan.com，和咱们一块儿致力于解决海量数据采集和传输的问题中来吧！