背景
在數據倉庫建模中，未經任何加工處理的原始業務層數據，我們稱之爲ODS（Operational Data Store）數據。在互聯網企業中，常見的ODS數據有業務日誌數據（Log）和業務DB數據（DB）兩類。對於業務DB數據來說，從MySQL等關係型數據庫的業務數據進行採集，然後導入到Hive中，是進行數據倉庫生產的重要環節。
如何準確、高效地把MySQL數據同步到Hive中？一般常用的解決方案是批量取數並Load：直連MySQL去Select表中的數據，然後存到本地文件作爲中間存儲，最後把文件Load到Hive表中。這種方案的優點是實現簡單，但是隨着業務的發展，缺點也逐漸暴露出來：
-
性能瓶頸：隨着業務規模的增長，Select From MySQL -> Save to Localfile -> Load to Hive這種數據流花費的時間越來越長，無法滿足下游數倉生產的時間要求。
-
直接從MySQL中Select大量數據，對MySQL的影響非常大，容易造成慢查詢，影響業務線上的正常服務。
-
由於Hive本身的語法不支持更新、刪除等SQL原語，對於MySQL中發生Update/Delete的數據無法很好地進行支持。
爲了徹底解決這些問題，我們逐步轉向CDC（Change Data Capture）+ Merge的技術方案，即實時Binlog採集 + 離線處理Binlog還原業務數據這樣一套解決方案。Binlog是MySQL的二進制日誌，記錄了MySQL中發生的所有數據變更，MySQL集羣自身的主從同步就是基於Binlog做的。
本文主要從Binlog實時採集和離線處理Binlog還原業務數據兩個方面，來介紹如何實現DB數據準確、高效地進入數倉。
整體架構
整體的架構如上圖所示。在Binlog實時採集方面，我們採用了阿里巴巴的開源項目Canal，負責從MySQL實時拉取Binlog並完成適當解析。Binlog採集後會暫存到Kafka上供下游消費。整體實時採集部分如圖中紅色箭頭所示。
離線處理Binlog的部分，如圖中黑色箭頭所示，通過下面的步驟在Hive上還原一張MySQL表：
-
採用Linkedin的開源項目Camus，負責每小時把Kafka上的Binlog數據拉取到Hive上。
-
對每張ODS表，首先需要一次性製作快照（Snapshot），把MySQL裏的存量數據讀取到Hive上，這一過程底層採用直連MySQL去Select數據的方式。
-
對每張ODS表，每天基於存量數據和當天增量產生的Binlog做Merge，從而還原出業務數據。
我們回過頭來看看，背景中介紹的批量取數並Load方案遇到的各種問題，爲什麼用這種方案能解決上面的問題呢？
-
首先，Binlog是流式產生的，通過對Binlog的實時採集，把部分數據處理需求由每天一次的批處理分攤到實時流上。無論從性能上還是對MySQL的訪問壓力上，都會有明顯地改善。
-
第二，Binlog本身記錄了數據變更的類型（Insert/Update/Delete），通過一些語義方面的處理，完全能夠做到精準的數據還原。
Binlog實時採集
對Binlog的實時採集包含兩個主要模塊：一是CanalManager，主要負責採集任務的分配、監控報警、元數據管理以及和外部依賴系統的對接；二是真正執行採集任務的Canal和CanalClient。
當用戶提交某個DB的Binlog採集請求時，CanalManager首先會調用DBA平臺的相關接口，獲取這一DB所在MySQL實例的相關信息，目的是從中選出最適合Binlog採集的機器。然後把採集實例（Canal Instance）分發到合適的Canal服務器上，即CanalServer上。在選擇具體的CanalServer時，CanalManager會考慮負載均衡、跨機房傳輸等因素，優先選擇負載較低且同地域傳輸的機器。
CanalServer收到採集請求後，會在ZooKeeper上對收集信息進行註冊。註冊的內容包括：
-
以Instance名稱命名的永久節點。
-
在該永久節點下注冊以自身ip:port命名的臨時節點。
這樣做的目的有兩個：
-
高可用：CanalManager對Instance進行分發時，會選擇兩臺CanalServer，一臺是Running節點，另一臺作爲Standby節點。Standby節點會對該Instance進行監聽，當Running節點出現故障後，臨時節點消失，然後Standby節點進行搶佔。這樣就達到了容災的目的。
-
與CanalClient交互：CanalClient檢測到自己負責的Instance所在的Running CanalServer後，便會進行連接，從而接收到CanalServer發來的Binlog數據。
對Binlog的訂閱以MySQL的DB爲粒度，一個DB的Binlog對應了一個Kafka Topic。底層實現時，一個MySQL實例下所有訂閱的DB，都由同一個Canal Instance進行處理。這是因爲Binlog的產生是以MySQL實例爲粒度的。CanalServer會拋棄掉未訂閱的Binlog數據，然後CanalClient將接收到的Binlog按DB粒度分發到Kafka上。
離線還原MySQL數據
完成Binlog採集後，下一步就是利用Binlog來還原業務數據。首先要解決的第一個問題是把Binlog從Kafka同步到Hive上。
Kafka2Hive
整個Kafka2Hive任務的管理，在美團數據平臺的ETL框架下進行，包括任務原語的表達和調度機制等，都同其他ETL類似。而底層採用LinkedIn的開源項目Camus，並進行了有針對性的二次開發，來完成真正的Kafka2Hive數據傳輸工作。
對Camus的二次開發
Kafka上存儲的Binlog未帶Schema，而Hive表必須有Schema，並且其分區、字段等的設計，都要便於下游的高效消費。對Camus做的第一個改造，便是將Kafka上的Binlog解析成符合目標Schema的格式。
對Camus做的第二個改造，由美團的ETL框架所決定。在我們的任務調度系統中，目前只對同調度隊列的任務做上下游依賴關係的解析，跨調度隊列是不能建立依賴關係的。而在MySQL2Hive的整個流程中，Kafka2Hive的任務需要每小時執行一次（小時隊列），Merge任務每天執行一次（天隊列）。而Merge任務的啓動必須要嚴格依賴小時Kafka2Hive任務的完成。
爲了解決這一問題，我們引入了Checkdone任務。Checkdone任務是天任務，主要負責檢測前一天的Kafka2Hive是否成功完成。如果成功完成了，則Checkdone任務執行成功，這樣下游的Merge任務就可以正確啓動了。
Checkdone的檢測邏輯
Checkdone是怎樣檢測的呢？每個Kafka2Hive任務成功完成數據傳輸後，由Camus負責在相應的HDFS目錄下記錄該任務的啓動時間。Checkdone會掃描前一天的所有時間戳，如果最大的時間戳已經超過了0點，就說明前一天的Kafka2Hive任務都成功完成了，這樣Checkdone就完成了檢測。
此外，由於Camus本身只是完成了讀Kafka然後寫HDFS文件的過程，還必須完成對Hive分區的加載才能使下游查詢到。因此，整個Kafka2Hive任務的最後一步是加載Hive分區。這樣，整個任務纔算成功執行。
每個Kafka2Hive任務負責讀取一個特定的Topic，把Binlog數據寫入original_binlog庫下的一張表中，即前面圖中的original_binlog.db，其中存儲的是對應到一個MySQL DB的全部Binlog。
上圖說明了一個Kafka2Hive完成後，文件在HDFS上的目錄結構。假如一個MySQL DB叫做user，對應的Binlog存儲在original_binlog.user表中。ready目錄中，按天存儲了當天所有成功執行的Kafka2Hive任務的啓動時間，供Checkdone使用。每張表的Binlog，被組織到一個分區中，例如userinfo表的Binlog，存儲在table_name=userinfo這一分區中。每個table_name一級分區下，按dt組織二級分區。圖中的xxx.lzo和xxx.lzo.index文件，存儲的是經過lzo壓縮的Binlog數據。
Merge
Binlog成功入倉後，下一步要做的就是基於Binlog對MySQL數據進行還原。Merge流程做了兩件事，首先把當天生成的Binlog數據存放到Delta表中，然後和已有的存量數據做一個基於主鍵的Merge。Delta表中的數據是當天的最新數據，當一條數據在一天內發生多次變更時，Delta表中只存儲最後一次變更後的數據。
把Delta數據和存量數據進行Merge的過程中，需要有唯一鍵來判定是否是同一條數據。如果同一條數據既出現在存量表中，又出現在Delta表中，說明這一條數據發生了更新，則選取Delta表的數據作爲最終結果；否則說明沒有發生任何變動，保留原來存量表中的數據作爲最終結果。Merge的結果數據會Insert Overwrite到原表中，即圖中的origindb.table。
Merge流程舉例
下面用一個例子來具體說明Merge的流程。
數據表共id、value兩列，其中id是主鍵。在提取Delta數據時，對同一條數據的多次更新，只選擇最後更新的一條。所以對id=1的數據，Delta表中記錄最後一條更新後的值value=120。Delta數據和存量數據做Merge後，最終結果中，新插入一條數據（id=4），兩條數據發生了更新（id=1和id=2），一條數據未變（id=3）。
默認情況下，我們採用MySQL表的主鍵作爲這一判重的唯一鍵，業務也可以根據實際情況配置不同於MySQL的唯一鍵。
上面介紹了基於Binlog的數據採集和ODS數據還原的整體架構。下面主要從兩個方面介紹我們解決的實際業務問題。
實踐一：分庫分表的支持
隨着業務規模的擴大，MySQL的分庫分表情況越來越多，很多業務的分表數目都在幾千個這樣的量級。而一般數據開發同學需要把這些數據聚合到一起進行分析。如果對每個分表都進行手動同步，再在Hive上進行聚合，這個成本很難被我們接受。因此，我們需要在ODS層就完成分表的聚合。
首先，在Binlog實時採集時，我們支持把不同DB的Binlog寫入到同一個Kafka Topic。用戶可以在申請Binlog採集時，同時勾選同一個業務邏輯下的多個物理DB。通過在Binlog採集層的彙集，所有分庫的Binlog會寫入到同一張Hive表中，這樣下游在進行Merge時，依然只需要讀取一張Hive表。
第二，Merge任務的配置支持正則匹配。通過配置符合業務分表命名規則的正則表達式，Merge任務就能瞭解自己需要聚合哪些MySQL表的Binlog，從而選取相應分區的數據來執行。
這樣通過兩個層面的工作，就完成了分庫分表在ODS層的合併。
這裏面有一個技術上的優化，在進行Kafka2Hive時，我們按業務分表規則對錶名進行了處理，把物理表名轉換成了邏輯表名。例如userinfo123這張表名會被轉換爲userinfo，其Binlog數據存儲在original_binlog.user表的table_name=userinfo分區中。這樣做的目的是防止過多的HDFS小文件和Hive分區造成的底層壓力。
實踐二：刪除事件的支持
Delete操作在MySQL中非常常見，由於Hive不支持Delete，如果想把MySQL中刪除的數據在Hive中刪掉，需要採用“迂迴”的方式進行。
對需要處理Delete事件的Merge流程，採用如下兩個步驟：
-
首先，提取出發生了Delete事件的數據，由於Binlog本身記錄了事件類型，這一步很容易做到。將存量數據（表A）與被刪掉的數據（表B）在主鍵上做左外連接（Left outer join），如果能夠全部join到雙方的數據，說明該條數據被刪掉了。因此，選擇結果中表B對應的記錄爲NULL的數據，即是應當被保留的數據。
-
然後，對上面得到的被保留下來的數據，按照前面描述的流程做常規的Merge。
總結與展望
作爲數據倉庫生產的基礎，美團數據平臺提供的基於Binlog的MySQL2Hive服務，基本覆蓋了美團內部的各個業務線，目前已經能夠滿足絕大部分業務的數據同步需求，實現DB數據準確、高效地入倉。在後面的發展中，我們會集中解決CanalManager的單點問題，並構建跨機房容災的架構，從而更加穩定地支撐業務的發展。
本文主要從Binlog流式採集和基於Binlog的ODS數據還原兩方面，介紹了這一服務的架構，並介紹了我們在實踐中遇到的一些典型問題和解決方案。希望能夠給其他開發者一些參考價值，同時也歡迎大家和我們一起交流。