Canal 组件简介与 vivo 帐号实践
互联网应用随着业务的发展，部分单表数据体量越来越大，应对服务性能与稳定的考虑，有做分库分表、数据迁移的需要，本文介绍了vivo帐号应对以上需求的实践。
一、前言
Canal 是阿里巴巴开源项目，关于什么是 Canal？又能做什么？我会在后文为大家一一介绍。
在本文您将可以了解到vivo帐号使用 Canal 解决了什么样的业务痛点，基于此希望对您所在业务能有一些启示。
二、Canal介绍
1. 简介
Canal [kə'næl]，译意为水道/管道/沟渠，主要用途是基于 MySQL 数据库增量日志解析，提供增量数据订阅和消费。
早期阿里巴巴因为杭州和美国双机房部署，存在跨机房同步的业务需求，实现方式主要是基于业务 trigger 获取增量变更。从 2010 年开始，业务逐步尝试数据库日志解析获取增量变更进行同步，由此衍生出了大量的数据库增量订阅和消费业务。
2. 工作原理
2.1 MySQL 主备复制原理
Canal最核心的运行机制就是依赖于MySQL的主备复制，我们优先简要说明下MySQL主备复制原理。
MySQL master 将数据变更写入二进制日志( binary log, 其中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)。
MySQL slave 将 master 的 binary log events 拷贝到它的中继日志(relay log)。
MySQL slave 重放 relay log 中事件，将数据变更反映它自己的数据。
2.2 MySQL Binary Log介绍
MySQL-Binlog是 MySQL 数据库的二进制日志，用于记录用户对数据库操作的SQL语句（除了数据查询语句）信息。
如果后续我们需要配置主从数据库，如果我们需要从数据库同步主数据库的内容，我们就可以通过 Binlog来进行同步。
2.3 Canal 工作原理
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（也就是Canal）。
Canal 解析 binary log 对象(原始为byte流)。
Canal 把解析后的 binary log 以特定格式的进行推送，供下游消费。
2.4 Canal 整体架构
说明：
server 代表一个canal运行实例，对应于一个jvm
instance 对应于一个数据队列 （1个server对应1..n个instance)
instance模块：
EventParser (数据源接入，模拟slave协议和master进行交互，协议解析)
与数据库交互模拟从库，发送dump binlog请求，接收binlog进行协议解析并做数据封装，并将数据传递至下层EventSink进行存储，记录binlog同步位置。EventSink (Parser和Store链接器，进行数据过滤，加工，分发的工作)
数据过滤、数据归并、数据加工、数据路由存储。EventStore (数据存储)
管理数据对象存储，包括新binlog对象的写入管理、对象订阅的位置管理、对象消费成功的回执位置管理。MetaManager (增量订阅&消费信息管理器)
负责binlog对象整体的发布订阅管理器，类似于MQ。
2.5 Canal 数据格式
下面我们来一起看下Canal内部封装的 Binlog对象格式，更好的理解 Canal。
Canal能够同步 DCL、 DML、 DDL。
业务通常关心 INSERT、 UPDATE、 DELETE引起的数据变更。
EntryProtocol.proto
EntryHeaderlogfileName [binlog文件名]logfileOffset [binlog position]executeTime [binlog里记录变更发生的时间戳]schemaName [数据库实例]tableName [表名]eventType [insert/update/delete类型]entryType [事务头BEGIN/事务尾END/数据ROWDATA]storeValue [byte数据,可展开，对应的类型为RowChange]RowChangeisDdl [是否是ddl变更操作，比如create table/drop table]sql [具体的ddl sql]rowDatas [具体insert/update/delete的变更数据，可为多条，1个binlog event事件可对应多条变更，比如批处理]beforeColumns [Column类型的数组]afterColumns [Column类型的数组]Columnindex [column序号]sqlType [jdbc type]name [column name]isKey [是否为主键]updated [是否发生过变更]isNull [值是否为null]value [具体的内容，注意为文本]
（滑动可查看）
2.6 Canal 示例 demo
下面我们通过实际代码逻辑的判断，查看 Binlog解析成Canal 对象的数据模型，加深理解
insert 语句
delete语句
update语句
2.7 Canal HA 机制
线上服务的稳定性极为重要，Canal是支持HA的，其实现机制也是依赖Zookeeper来实现的，与HDFS的HA类似。
Canal的HA分为两部分，Canal server和Canal client分别有对应的HA实现。
Canal Server：为了减少对mysql dump的请求，不同server上的instance要求同一时间只能有一个处于running，其他的处于standby状态。
Canal Client：为了保证有序性，一份instance同一时间只能由一个canal client进行get/ack/rollback操作，否则客户端接收无法保证有序。
依赖Zookeeper的特性（本文不着重讲解zookeeper特性，请在网络上查找对应资料）：
Watcher机制
EPHEMERAL节点(和session生命周期绑定)
大致步骤：
Canal server要启动某个canal instance时都先向zookeeper进行一次尝试启动判断 (实现：创建EPHEMERAL节点，谁创建成功就允许谁启动)。
创建 ZooKeeper节点成功后，对应的Canal server就启动对应的Canal instance，没有创建成功的Canal instance就会处于standby状态。
一旦ZooKeeper发现Canal server A创建的节点消失后，立即通知其他的Canal server再次进行步骤1的操作，重新选出一个Canal server启动instance。
Canal client每次进行connect时，会首先向ZooKeeper询问当前是谁启动了Canal instance，然后和其建立链接，一旦链接不可用，会重新尝试connect。
2.8 Canal 使用场景
上面介绍了Canal 的原理与运行机制，下面我们从实际场景来看，Canal 能够为我们业务场景解决什么样的问题。
2.8.1 不停服迁移
业务在发展初期，为了快速支撑业务发展，很多数据存储设计较为粗放，比如用户表、订单表可能都会设计为单表，此时常规手段会采用分库分表来解决容量和性能问题。
但数据迁移会面临最大的问题：线上业务需要正常运行，如果数据在迁移过程中有变更，如何保证数据一致性是最大的挑战。
基于Canal，通过订阅数据库的 Binlog，可以很好地解决这一问题。
可详见下方vivo帐号的不停机迁移实践。
2.8.2 缓存刷新
互联网业务数据源不仅仅为数据库，比如 Redis 在互联网业务较为常用，在数据变更时需要刷新缓存，常规手段是在业务逻辑代码中手动刷新。
基于Canal，通过订阅指定表数据的Binlog，可以异步解耦刷新缓存。
2.8.3 任务下发
另一种常见应用场景是“下发任务”，当数据变更时需要通知其他依赖系统。
其原理是任务系统监听数据库变更，然后将变更的数据写入MQ/Kafka进行任务下发。
比如帐号注销时下游业务方需要订单此通知，为用户删除业务数据，或者做数据归档等。
基于Canal可以保证数据下发的精确性，同时业务系统中不会散落着各种下发MQ的代码，从而实现了下发归集，如下图所示：
2.8.4 数据异构
在大型网站架构中，数据库都会采用分库分表来解决容量和性能问题，但分库分表之后带来的新问题。
比如不同维度的查询或者聚合查询，此时就会非常棘手。一般我们会通过数据异构机制来解决此问题。
所谓的数据异构，那就是将需要join查询的多表按照某一个维度又聚合在一个DB中。
基于Canal可以实现数据异构，如下图示意：
3、Canal 的安装及使用
Canal的详细安装、配置与使用，请查阅官方文档 >> 链接
三、帐号实践
1、实践一：分库分表
1.1 需求
难点：
表数据量大，单表3亿多。
常规定时任务迁移全量数据，时间长且对业务有损。
核心诉求：
不停机迁移，最大化保证业务不受影响
“给在公路上跑着的车换轮胎”
1.2 迁移方案
1.3 迁移过程
整体过程大致如下：
分析帐号现有痛点
单表数据量过大：帐号单表3亿+
用户唯一标识过多
业务划分不合理
确定分库分表方案
存量数据迁移方案
使用传统的定时任务迁移，时长过长，且迁移过程中为了保证数据一致性，需要停机维护，对用户影响较大。
确定使用canal进行迁移，对canal做充分调研与评估，与中间件及DBA共同确定，可支持全量、以及增量同步。
迁移过程通过开关进行控制，单表模式 → 双写模式 → 分表模式。
数据迁移周期长，迁移过程中遇到部分未能预估到的问题，进行了多次迁移。
迁移完成后，正式切换至双写模式，即单表及分表同样写入数据，此时数据读取仍然在单表模式下读取数据，Canal仍然订阅原有单表，进行数据变更。
运行两周后线上未产生新问题，正式切至分表模式，此时原有单表不再写入数据，即单表不会再有新的Binlog产生，切换后线上出现了部分问题，即时跟进处理，“有惊无险”。
2、实践二：跨国数据迁移
2.1 需求
在vivo海外业务开展初期，海外部分国家的数据存储在中立国新加坡机房，但随着海外国家法律合规要求越来越严格，特别是欧盟地区的GDPR合规要求，vivo帐号应对合规要求，做了比较多的合规改造工作。
部分非欧盟地区的国家合规要求随之变化，举例澳洲当地要求满足GDPR合规要求，原有存储在新加坡机房的澳洲用户数据需要迁移至欧盟机房，整体迁移复杂度增加，其中涉及到的难点有：
不停机迁移，已出货的手机用户需要能正常访问帐号服务。
数据一致性，用户变更数据一致性需要保证。
业务方影响，不能影响现网业务方正常使用帐号服务。
2.2 迁移方案
2.3 迁移过程
在新加坡机房搭建备库，主从同步 Binlog。
搭建 Canal 的server及client端，同步订阅消费Ｂinlog。
client端基于订阅的Ｂinlog进行解析，将数据加密传输至欧盟GDPR机房。
欧盟应用数据解析传输的数据，落地存储。
数据同步完成后运维同事协助将上层域名的DNS解析转发至欧盟机房，完成数据切换。
观察新加坡机房Canal服务运行情况，没有异常后停止Canal服务。
通过业务方，帐号侧完成切换。
待业务方同步切换完成后，将新加坡机房的数据清除。
3、经验总结
1.1 数据序列化
Canal底层使用protobuf作为数据数据列化的方式，Canal-client在订阅到变更数据时，为null的数据会自动转换为空字符串，在ORM侧数据更新时，因判断逻辑不一致，导致最终表中数据更新为空字符串。
3.2 数据一致性
帐号本次线上Canal-client只有单节点，但在数据迁移过程中，因业务特性，导致数据出现了不一致的现象，示例大致如下：
用户换绑手机号A。
Canal此时在还未订阅到此 Binlog position。
用户又换绑手机号B。
在对应时刻，Canal消费到更新手机号A的Binlog，导致用户新换绑的手机号做了覆盖。
3.3 数据库主从延时
出于数据一致性地考虑（结合帐号业务数据未达到需要分库的必要性），帐号分表在同一数据库进行，即迁移过程中分表数据不断地进行写入，加大数据库负载的同时造成了从库读取延时。
解决方案：增加速率控制，基于业务的实际情况，配置不同的策略，例如白天业务量大，可以适当降低写入速度，夜间业务量小，可以适当提升写入速度。
3.4 监控告警
在整体数据迁移过程中，vivo帐号在client端增加了实时同步数据的简易监控手段，即基于业务表基于内存做计数。
整体监控粒度较粗，包括以上数据不一致性，在数据同步完成后，未能发现异常，导致切换至分表模式下出现了业务问题，好在逻辑数据可以通过补偿等其他手段弥补，且对线上数据影响较小。
四、拓展思考
1、现有问题分析
以上是基于 Canal现有架构画出的简易图，虽然基于HA整体高可用，但细究后还是会发现一些隐患，其中标记红色X的节点，可以视为可能出现的故障点。
2、通用组件复用
基于以上可能出现的问题点，我们可以尝试做上图中的优化。
3、延展应用-多数据中心同步
在互联网行业，大家对“异地多活”已经耳熟能详，而数据同步是异地多活的基础，所有具备数据存储能力的组件如：数据库、缓存、MQ等，数据都可以进行同步，形成一个庞大而复杂的数据同步拓扑，相互备份对方的数据，才能做到真正意义上"异地多活”。
本逻辑不在本次讨论范围内，大家可以参阅以下文章内容，笔者个人认为讲解较为详细
五、参考资料
END
猜你喜欢
vivo互联网技术
vivo移动互联网是基于vivo 智能手机所建立的完整移动互联网生态圈，围绕vivo大数据运营，打造包括应用、游戏、资讯、品牌、电商、内容、金融、搜索的全方位服务生态，满足海量用户的多样化需求。
点一下，代码无 Bug