一、背景

事情是從公司前段時間的需求說起，大家知道宜信是一家金融科技公司，我們的很多資料與標準網際網路企業不同，大致來說就是：

玩資料的人都知道資料是非常有價值的，然後這些資料是儲存在各個系統的資料庫中，如何讓需要資料的使用方得到一致性、實時的資料呢？

過去的通用做法有幾種，分別是：

DBA開放各個系統的備庫，在業務低峰期（比如夜間），使用方各自抽取所需資料。由於抽取時間不同，各個資料使用方資料不一致，資料發生衝突，而且重複抽取，相信不少DBA很頭疼這個事情。
公司統一的大資料平臺，透過Sqoop 在業務低峰期到各個系統統一抽取資料，並儲存到Hive表中, 然後為其他資料使用方提供資料服務。這種做法解決了一致性問題，但時效性差，基本是T+1的時效。
基於trigger的方式獲取增量變更，主要問題是業務方侵入性大，而且trigger也帶來效能損失。

這些方案都不算完美。我們在瞭解和考慮了不同實現方式後，最後借鑑了 linkedin的思想，認為要想同時解決資料一致性和實時性，比較合理的方法應該是來自於log。

（此圖來自：https://www.confluent.io/blog/using-logs-to-build-a-solid-data-infrastructure-or-why-dual-writes-are-a-bad-idea/）

把增量的Log作為一切系統的基礎。後續的資料使用方，透過訂閱kafka來消費log。

比如：

大資料的使用方可以將資料儲存到Hive表或者Parquet檔案給Hive或Spark查詢；
提供搜尋服務的使用方可以儲存到Elasticsearch或HBase 中；
提供快取服務的使用方可以將日誌快取到Redis或alluxio中；
資料同步的使用方可以將資料儲存到自己的資料庫中；
由於kafka的日誌是可以重複消費的，並且快取一段時間，各個使用方可以透過消費kafka的日誌來達到既能保持與資料庫的一致性，也能保證實時性；

為什麼使用log和kafka作為基礎，而不使用Sqoop進行抽取呢？因為：

為什麼不使用dual write（雙寫）呢？，請參考https://www.confluent.io/blog/using-logs-to-build-a-solid-data-infrastructure-or-why-dual-writes-are-a-bad-idea/

這裡就不多做解釋了。

二、總體架構

於是我們提出了構建一個基於log的公司級的平臺的想法。

下面解釋一下DWS平臺，DWS平臺是有3個子專案組成：

Dbus（資料匯流排）：負責實時將資料從源端實時抽出，並轉換為約定的自帶schema的json格式資料(UMS 資料)，放入kafka中；
Wormhole（資料交換平臺）：負責從kafka讀出資料將資料寫入到目標中；
Swifts（實時計算平臺）：負責從kafka中讀出資料，實時計算，並將資料寫回kafka中。

圖中：

Log extractor和dbus共同完成資料抽取和資料轉換，抽取包括全量和增量抽取。
Wormhole可以將所有日誌資料儲存到HDFS中；還可以將資料落地到所有支援jdbc的資料庫，落地到HBash，Elasticsearch，Cassandra等；
Swifts支援以配置和SQL的方式實現對進行流式計算，包括支援流式join，look up，filter，window aggregation等功能；
Dbus web是dbus的配置管理端，rider除了配置管理以外，還包括對Wormhole和Swifts執行時管理，資料質量校驗等。

由於時間關係，我今天主要介紹DWS中的Dbus和Wormhole，在需要的時候附帶介紹一下Swifts。

三、dbus解決方案

3.1 日誌解析

如前面所說，Dbus主要解決的是將日誌從源端實時的抽出。這裡我們以MySQL為例子，簡單說明如何實現。

我們知道，雖然MySQL InnoDB有自己的log，MySQL主備同步是透過binlog來實現的。如下圖：

圖片來自：

而binlog有三種模式：

Row 模式：日誌中會記錄成每一行資料被修改的形式，然後在slave端再對相同的資料進行修改。
Statement 模式: 每一條會修改資料的sql都會記錄到 master的bin-log中。slave在複製的時候SQL程式會解析成和原來master端執行過的相同的SQL來再次執行。
Mixed模式： MySQL會根據執行的每一條具體的sql語句來區分對待記錄的日誌形式，也就是在Statement和Row之間選擇一種。

他們各自的優缺點如下：

此處來自：

由於statement 模式的缺點，在與我們的DBA溝透過程中瞭解到，實際生產過程中都使用row 模式進行復制。這使得讀取全量日誌成為可能。

通常我們的MySQL佈局是採用 2個master主庫（vip）+ 1個slave從庫 + 1個backup容災庫的解決方案，由於容災庫通常是用於異地容災，實時性不高也不便於部署。

為了最小化對源端產生影響，顯然我們讀取binlog日誌應該從slave從庫讀取。

讀取binlog的方案比較多，github上不少，參考%E2%9C%93&q=binlog。最終我們選用了阿里的canal做位日誌抽取方。

Canal最早被用於阿里中美機房同步， canal原理相對比較簡單：

Canal模擬MySQL Slave的互動協議，偽裝自己為MySQL Slave，向MySQL Slave傳送dump協議
MySQL master收到dump請求，開始推送binary log給Slave(也就是canal)
Canal解析binary log物件(原始為byte流)

圖片來自：

3.2 解決方案

Dbus 的MySQL版主要解決方案如下：

對於增量的log，透過訂閱Canal Server的方式，我們得到了MySQL的增量日誌：

按照Canal的輸出，日誌是protobuf格式，開發增量Storm程式，將資料實時轉換為我們定義的UMS格式(json格式,稍後我會介紹），並儲存到kafka中；
增量Storm程式還負責捕獲schema變化，以控制版本號；
增量Storm的配置資訊儲存在Zookeeper中，以滿足高可用需求。
Kafka既作為輸出結果也作為處理過程中的緩衝器和訊息解構區。

在考慮使用Storm作為解決方案的時候，我們主要是認為Storm有以下優點：

技術相對成熟，比較穩定，與kafka搭配也算標準組合；
實時性比較高，能夠滿足實時性需求；
滿足高可用需求；
透過配置Storm併發度，可以活動效能擴充套件的能力；

3.3 全量抽取

對於流水錶，有增量部分就夠了，但是許多表需要知道最初（已存在）的資訊。這時候我們需要initial load（第一次載入）。

對於initial load（第一次載入），同樣開發了全量抽取Storm程式透過jdbc連線的方式，從源端資料庫的備庫進行拉取。initial load是拉全部資料，所以我們推薦在業務低峰期進行。好在只做一次，不需要每天都做。

全量抽取，我們借鑑了Sqoop的思想。將全量抽取Storm分為了2 個部分：

資料分片
實際抽取

資料分片需要考慮分片列，按照配置和自動選擇列將資料按照範圍來分片，並將分片資訊儲存到kafka中。

下面是具體的分片策略：

全量抽取的Storm程式是讀取kafka的分片資訊，採用多個併發度並行連線資料庫備庫進行拉取。因為抽取的時間可能很長。抽取過程中將實時狀態寫到Zookeeper中，便於心跳程式監控。

3.4 統一訊息格式

無論是增量還是全量，最終輸出到kafka中的訊息都是我們約定的一個統一訊息格式,稱為UMS(unified message schema)格式。

如下圖所示：

訊息中schema部分，定義了namespace 是由型別+資料來源名+schema名+表名+版本號+分庫號+分表號能夠描述整個公司的所有表，透過一個namespace就能唯一定位。

_ums_op_ 表明資料的型別是I（insert），U（update），D（刪除）；
_ums_ts_ 發生增刪改的事件的時間戳，顯然新的資料發生的時間戳更新；
_ums_id_ 訊息的唯一id，保證訊息是唯一的，但這裡我們保證了訊息的先後順序（稍後解釋）；

payload是指具體的資料，一個json包裡面可以包含1條至多條資料，提高資料的有效載荷。

UMS中支援的資料型別，參考了Hive型別並進行簡化，基本上包含了所有資料型別。

3.5 全量和增量的一致性

在整個資料傳輸中，為了儘量的保證日誌訊息的順序性，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。

但是我們知道寫kafka會失敗，有可能重寫，Storm也用重做機制，因此，我們並不嚴格保證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。

對於全量抽取，_ums_id_是唯一的，從zk中每個併發度分別取不同的id片區，保證了唯一性和效能，填寫負數，不會與增量資料衝突，也保證他們是早於增量訊息的。

對於增量抽取，我們使用的是MySQL的日誌檔案號 + 日誌偏移量作為唯一id。Id作為64位的long整數，高7位用於日誌檔案號，低12位作為日誌偏移量。

例如：000103000012345678。 103 是日誌檔案號，12345678 是日誌偏移量。

這樣，從日誌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（還能定位日誌）。透過比較_ums_id_ 消費日誌就能透過比較_ums_id_知道哪條訊息更新。

其實_ums_ts_與_ums_id_意圖是類似的，只不過有時候_ums_ts_可能會重複,即在1毫秒中發生了多個操作，這樣就得靠比較_ums_id_了。

3.6 心跳監控和預警

整個系統涉及到資料庫的主備同步，Canal Server，多個併發度Storm程式等各個環節。

因此對流程的監控和預警就尤為重要。

透過心跳模組，例如每分鐘（可配置）對每個被抽取的表插入一條心態資料並儲存傳送時間，這個心跳錶也被抽取，跟隨著整個流程下來，與被同步表在實際上走相同的邏輯（因為多個併發的的Storm可能有不同的分支），當收到心跳包的時候，即便沒有任何增刪改的資料，也能證明整條鏈路是通的。

Storm程式和心跳程式將資料傳送公共的統計topic，再由統計程式儲存到influxdb中，使用grafana進行展示，就可以看到如下效果：

圖中是某業務系統的實時監控資訊。上面是實時流量情況，下面是實時延時情況。可以看到，實時性還是很不錯的，基本上1~2秒資料就已經到末端kafka中。

Granfana提供的是一種實時監控能力。

如果出現延時，則是透過dbus的心跳模組傳送郵件報警或簡訊報警。

3.7 實時脫敏

考慮到資料安全性，對於有脫敏需求的場景，Dbus的全量storm和增量storm程式也完成了實時脫敏的功能。脫敏方式有3種：

總結一下：簡單的說，Dbus就是將各種源的資料，實時的匯出，並以UMS的方式提供訂閱，支援實時脫敏，實際監控和報警。

四、Wormhole解決方案

說完Dbus，該說一下Wormhole，為什麼兩個專案不是一個，而要透過kafka來對接呢？

其中很大一個原因就是解耦，kafka具有天然的解耦能力，程式直接可以透過kafka做非同步的訊息傳遞。Dbus和Wornhole內部也使用了kafka做訊息傳遞和解耦。

另外一個原因就是，UMS是自描述的，透過訂閱kafka，任何有能力的使用方來直接消費UMS來使用。

雖然UMS的結果可以直接訂閱，但還需要開發的工作。Wormhole解決的是：提供一鍵式的配置，將kafka中的資料落地到各種系統中，讓沒有開發能力的資料使用方透過wormhole來實現使用資料。

如圖所示，Wormhole 可以將kafka中的UMS 落地到各種系統，目前用的最多的HDFS，JDBC的資料庫和HBase。

在技術棧上， wormhole選擇使用spark streaming來進行。

在Wormhole中，一條flow是指從一個namaspace從源端到目標端。一個spark streaming服務於多條flow。

選用Spark的理由是很充分的：

Spark天然的支援各種異構儲存系統；
雖然Spark Stream比Storm延時稍差，但Spark有著更好的吞吐量和更好的計算效能；
Spark在支援平行計算方面有更強的靈活性；
Spark提供了一個技術棧內解決Sparking Job，Spark Streaming，Spark SQL的統一功能，便於後期開發；

這裡補充說一下Swifts的作用：

Swifts的本質是讀取kafka中的UMS資料，進行實時計算，將結果寫入到kafka的另外一個topic。
實時計算可以是很多種方式：比如過濾filter，projection（投影），lookup，流式join window aggregation，可以完成各種具有業務價值的流式實時計算。

Wormhole和Swifts對比如下：

4.1 落HDFS

透過Wormhole Wpark Streaming程式消費kafka的UMS，首先UMS log可以被儲存到HDFS上。

kafka一般只儲存若干天的資訊，不會儲存全部資訊，而HDFS中可以儲存所有的歷史增刪改的資訊。這就使得很多事情變為可能：

透過重放HDFS中的日誌，我們能夠還原任意時間的歷史快照。
可以做拉鍊表，還原每一條記錄的歷史資訊，便於分析；
當程式出現錯誤是，可以透過回灌（backfill），重新消費訊息，重新形成新的快照。

可以說HDFS中的日誌是很多的事情基礎。

介於Spark原生對parquet支援的很好，Spark SQL能夠對Parquet提供很好的查詢。UMS落地到HDFS上是儲存到Parquet檔案中的。Parquet的內容是所有log的增刪改資訊以及_ums_id_，_ums_ts_都存下來。

Wormhole spark streaming根據namespace 將資料分佈儲存到不同的目錄中，即不同的表和版本放在不同目錄中。

由於每次寫的Parquet都是小檔案，大家知道HDFS對於小檔案效能並不好，因此另外還有一個job，每天定時將這些的Parquet檔案進行合併成大檔案。

每個Parquet檔案目錄都帶有檔案資料的起始時間和結束時間。這樣在回灌資料時，可以根據選取的時間範圍來決定需要讀取哪些Parquet檔案，不必讀取全部資料。

4.2 插入或更新資料的冪等性

常常我們遇到的需求是，將資料經過加工落地到資料庫或HBase中。那麼這裡涉及到的一個問題就是，什麼樣的資料可以被更新到資料？

這裡最重要的一個原則就是資料的冪等性。

無論是遇到增刪改任何的資料，我們面臨的問題都是：

該更新哪一行；
更新的策略是什麼。

對於第一個問題，其實就需要定位資料要找一個唯一的鍵，常見的有：

使用業務庫的主鍵；
由業務方指定幾個列做聯合唯一索引；

對於第二個問題，就涉及到_ums_id_了，因為我們已經保證了_ums_id_大的值更新，因此在找到對應資料行後，根據這個原則來進行替換更新。

之所以要軟刪除和加入_is_active_列，是為了這樣一種情況：

如果已經插入的 ums id 比較大，是刪除的資料（表明這個資料已經刪除了），如果不是軟刪除，此時插入一個 ums id 小的資料（舊資料），就會真的插入進去。

這就導致舊資料被插入了。不冪等了。所以被刪除的資料依然保留（軟刪除）是有價值的，它能被用於保證資料的冪等性。

4.3 HBase的儲存

插入資料到Hbase中，相當要簡單一些。不同的是HBase可以保留多個版本的資料（當然也可以只保留一個版本）預設是保留3個版本；

因此插入資料到HBase，需要解決的問題是：

選擇合適的rowkey：Rowkey的設計是可以選的，使用者可以選擇源表的主鍵，也可以選擇若干列做聯合主鍵。
選擇合適的version：使用_ums_id_+ 較大的偏移量（比如100億）作為row的version。

Version的選擇很有意思，利用_ums_id_的唯一性和自增性，與version自身的比較關係一致：即version較大等價於_ums_id_較大，對應的版本較新。

從提高效能的角度，我們可以將整個Spark Streaming的Dataset集合直接插入到HBase，不需要比較。讓HBase基於version自動替我們判斷哪些資料可以保留，哪些資料不需要保留。

Jdbc的插入資料：插入資料到資料庫中，保證冪等的原理雖然簡單，要想提高效能在實現上就變得複雜很多，總不能一條一條的比較然後在插入或更新。

我們知道Spark的RDD/dataset都是以集合的方式來操作以提高效能，同樣的我們需要以集合操作的方式實現冪等性。

具體思路是：

首先根據集合中的主鍵到目標資料庫中查詢，得到一個已有資料集合；
與dataset中的集合比較，分出兩類：

A：不存在的資料，即這部分資料insert就可以；

B：存在的資料，比較_ums_id_，最終只將哪些_ums_id_更新較大row到目標資料庫，小的直接拋棄。

使用Spark的同學都知道，RDD/dataset都是可以partition的，可以使用多個worker並進行操作以提高效率。

在考慮併發情況下，插入和更新都可能出現失敗，那麼還有考慮失敗後的策略。

比如：因為別的worker已經插入，那麼因為唯一性約束插入失敗，那麼需要改為更新，還要比較_ums_id_看是否能夠更新。

對於無法插入其他情況（比如目標系統有問題），Wormhole還有重試機制。插入到其他儲存中的就不多介紹了，總的原則是：根據各自儲存自身特性，設計基於集合的，併發的插入資料實現。這些都是Wormhole為了效能而做的努力，使用Ｗormhole的使用者不必關心。

五、運用案例

5.1 實時營銷

說了那麼多，DWS有什麼實際運用呢？下面我來介紹某系統使用DWS實現了的實時營銷。

如上圖所示：

系統A的資料都儲存到自己的資料庫中，我們知道，宜信提供很多金融服務，其中包括借款，而借款過程中很重要的就是信用稽核。

借款人需要提供證明具有信用價值的資訊，比如央行徵信報告，是具有最強信用資料的資料。而銀行流水，網購流水也是具有較強的信用屬性的資料。

借款人透過Web或手機APP在系統A中填寫信用資訊時，可能會某些原因無法繼續，雖然可能這個借款人是一個優質潛在客戶，但以前由於無法或很久才能知道這個資訊，所以實際上這樣的客戶是流失了。

應用了DWS以後，借款人已經填寫的資訊已經記錄到資料庫中，並透過DWS實時的進行抽取、計算和落地到目標庫中。根據對客戶的打分，評價出優質客戶。然後立刻將這個客戶的資訊輸出到客服系統中。

客服人員在很短的時間（幾分鐘以內）就透過打電話的方式聯絡上這個借款人（潛客），進行客戶關懷，將這個潛客轉換為真正的客戶。我們知道借款是有時效性的，如果時間太久就沒有價值了。

如果沒有實時抽取/計算/落庫的能力，那麼這一切都無法實現。

5.2 實時報表系統

另外一個實時報表的應用如下：

我們資料使用方的資料來自多個系統，以前是透過T+1的方式獲得報表資訊，然後指導第二天的運營，這樣時效性很差。

透過DWS，將資料從多個系統中實時抽取，計算和落地，並提供報表展示，使得運營可以及時作出部署和調整，快速應對。

六、總結

DWS技術上基於主流實時流式大資料技術框架，高可用大吞吐強水平擴容，低延遲高容錯最終一致。
DWS能力上支援異構多源多目標系統，支援多資料格式（結構化半結構化非結構化資料）和實時技術能力。
DWS將三個子專案合併作為一個平臺推出，使得我們具備了實時的能力，驅動各種實時場景應用。
適合場景包括：實時同步／實時計算／實時監控／實時報表／實時分析／實時洞察／實時管理／實時運營／實時決策

作者：王東

來源：宜信技術學院

如何基於日誌，同步實現資料的一致性和實時抽取?