本文根據dbaplus社群第85期線上分享整理而成
講師介紹
王東
宜信技術研發中心架構師
目前就職于宜信技術研發中心，任架構師，負責流式計算和大資料業務産品解決方案。
曾任職于naver china（南韓最大搜尋引擎公司）中國研發中心資深工程師，多年從事cubrid分布式資料庫叢集開發和cubrid資料庫引擎開發
http://www.cubrid.org/blog/news/cubrid-cluster-introduction/
主題簡介：
dws 的背景介紹
dbus+wormhole 總體架構和技術實作方案
dws的實際運用案例
前言
大家好，我是王東，來自宜信技術研發中心，這是我來社群的第一次分享，如果有什麼不足，請大家多多指正、包涵。
本次分享的主題是《基于日志的dws平台實作和應用》， 主要是分享一下目前我們在宜信做的一些事情。這個主題裡面包含到2個團隊很多兄弟姐妹的努力的結果（我們團隊和山巍團隊的成果）。這次就由我代為執筆，盡我努力給大家介紹一下。
其實整個實作從原理上來說是比較簡單的，當然也涉及到不少技術。我會嘗試用盡量簡單的方式來表達，讓大家了解這個事情的原理和意義。在過程中，大家有問題可以随時提出，我會盡力去解答。
dws是一個簡稱，是由3個子項目組成，我稍後做解釋。
一、背景
事情是從公司前段時間的需求說起，大家知道宜信是一個網際網路金融企業，我們的很多資料與标準網際網路企業不同，大緻來說就是：
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緻性、實時的資料呢？
過去的通用做法有幾種是：
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。由于抽取時間不同，各個資料使用方資料不一緻，資料發生沖突，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台，通過sqoop 在業務低峰期到各個系統統一抽取資料， 并儲存到hive表中, 然後為其他資料使用方提供資料服務。這種做法解決了一緻性問題，但時效性差，基本是t+1的時效。
基于trigger的方式擷取增量變更，主要問題是業務方侵入性大，而且trigger也帶來性能損失。
這些方案都不算完美。我們在了解和考慮了不同實作方式後，最後借鑒了 linkedin的思想，認為要想同時解決資料一緻性和實時性，比較合理的方法應該是來自于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，通過訂閱kafka來消費log。
比如：
大資料的使用方可以将資料儲存到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；
提供緩存服務的使用方可以将日志緩存到redis或alluxio中；
資料同步的使用方可以将資料儲存到自己的資料庫中；
由于kafka的日志是可以重複消費的，并且緩存一段時間，各個使用方可以通過消費kafka的日志來達到既能保持與資料庫的一緻性，也能保證明時性；
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/
我這裡就不多做解釋了。
二、總體架構
于是我們提出了建構一個基于log的公司級的平台的想法。
下面解釋一下dws平台， dws平台是有3個子項目組成：
dbus（資料總線）：負責實時将資料從源端實時抽出，并轉換為約定的自帶schema的json格式資料(ums 資料)，放入kafka中；
wormhole（資料交換平台）：負責從kafka讀出資料 将資料寫入到目标中；
swifts（實時計算平台）：負責從kafka中讀出資料，實時計算，并将資料寫回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可以将所有日志資料儲存到hdfs中； 還可以将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的方式實作對進行流式計算，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運作時管理，資料品質校驗等。
由于時間關系，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
日志解析
如前面所說，dbus主要解決的是将日志從源端實時的抽出。 這裡我們以mysql為例子，簡單說明如何實作。
我們知道，雖然mysql innodb有自己的log，mysql主備同步是通過binlog來實作的。如下圖：
圖檔來自：https://github.com/alibaba/canal
而binlog有三種模式：
row 模式：日志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在複制的時候sql程序會解析成和原來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志形式，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：http://www.jquerycn.cn/a_13625
由于statement 模式的缺點，在與我們的dba溝通過程中了解到，實際生産過程中都使用row 模式進行複制。這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。
為了最小化對源端産生影響，顯然我們讀取binlog日志應該從slave從庫讀取。
讀取binlog的方案比較多，github上不少，參考https://github.com/search?utf8=%e2%9c%93&q=binlog。最終我們選用了阿裡的canal做位日志抽取方。
canal最早被用于阿裡中美機房同步， canal原理相對比較簡單：
canal模拟mysql slave的互動協定，僞裝自己為mysql slave，向mysql slave發送dump協定
mysql master收到dump請求，開始推送binary log給slave(也就是canal)
canal解析binary log對象(原始為byte流)
解決方案
dbus 的mysql版主要解決方案如下：
對于增量的log，通過訂閱canal server的方式，我們得到了mysql的增量日志：
按照canal的輸出，日志是protobuf格式，開發增量storm程式，将資料實時轉換為我們定義的ums格式(json格式,稍後我會介紹），并儲存到kafka中；
增量storm程式還負責捕獲schema變化，以控制版本号；
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沖器和消息解構區。
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搭配也算标準組合；
實時性比較高，能夠滿足實時性需求；
滿足高可用需求；
通過配置storm并發度，可以活動性能擴充的能力；
全量抽取
對于流水表，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（第一次加載）。
對于initial load（第一次加載），同樣開發了全量抽取storm程式通過jdbc連接配接的方式，從源端資料庫的備庫進行拉取。initial load是拉全部資料，是以我們推薦在業務低峰期進行。好在隻做一次，不需要每天都做。
全量抽取，我們借鑒了sqoop的思想。将全量抽取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将資料按照範圍來分片，并将分片資訊儲存到kafka中。
下面是具體的分片政策：
全量抽取的storm程式是讀取kafka的分片資訊，采用多個并發度并行連接配接資料庫備庫進行拉取。因為抽取的時間可能很長。抽取過程中将實時狀态寫到zookeeper中，便于心跳程式監控。
統一消息格式
無論是增量還是全量，最終輸出到kafka中的消息都是我們約定的一個統一消息格式,稱為ums(unified message schema)格式。
如下圖所示：
消息中schema部分，定義了namespace 是由 類型+資料源名+schema名+表名+版本号+分庫号+分表号 能夠描述整個公司的所有表，通過一個namespace就能唯一定位。
_ums_op_ 表明資料的類型是i（insert），u（update），d（删除）；
_ums_ts_ 發生增删改的事件的時間戳，顯然新的資料發生的時間戳更新；
_ums_id_ 消息的唯一id，保證消息是唯一的，但這裡我們保證了消息的先後順序（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中支援的資料類型，參考了hive類型并進行簡化，基本上包含了所有資料類型。
全量和增量的一緻性
在整個資料傳輸中，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。
但是我們知道寫kafka會失敗，有可能重寫，storm也用重做機制，是以，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。
是以_ums_id_變得尤為重要。
對于全量抽取，_ums_id_是唯一的，從zk中每個并發度分别取不同的id片區，保證了唯一性和性能，填寫負數，不會與增量資料沖突，也保證他們是早于增量消息的。
對于增量抽取，我們使用的是mysql的日志檔案号 + 日志偏移量作為唯一id。id作為64位的long整數，高7位用于日志檔案号，低12位作為日志偏移量。
例如：000103000012345678。 103 是日志檔案号，12345678 是日志偏移量。
這樣，從日志層面保證了實體唯一性（即便重做也這個id号也不變），同時也保證了順序性（還能定位日志）。通過比較_ums_id_ 消費日志就能通過比較_ums_id_知道哪條消息更新。
其實_ums_ts_與_ums_id_意圖是類似的，隻不過有時候_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。
心跳監控和預警
整個系統涉及到資料庫的主備同步，canal server，多個并發度storm程序等各個環節。
是以對流程的監控和預警就尤為重要。
通過心跳子產品，例如每分鐘（可配置）對每個被抽取的表插入一條心态資料并儲存發送時間，這個心跳表也被抽取，跟随着整個流程下來，與被同步表在實際上走相同的邏輯（因為多個并發的的storm可能有不同的分支），當收到心跳包的時候，即便沒有任何增删改的資料，也能證明整條鍊路是通的。
storm程式和心跳程式将資料發送公共的統計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，則是通過dbus的心跳子產品發送郵件報警或短信報警。
實時脫敏
考慮到資料安全性，對于有脫敏需求的場景，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就是将各種源的資料，實時的導出，并以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，為什麼兩個項目不是一個，而要通過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，程式直接可以通過kafka做異步的消息傳遞。dbus和wornhole内部也使用了kafka做消息傳遞和解耦。
另外一個原因就是，ums是自描述的，通過訂閱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，将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通過wormhole來實作使用資料。
如圖所示，wormhole 可以将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從源端到目标端。一個spark streaming服務于多條flow。
選用spark的理由是很充分的：
spark天然的支援各種異構存儲系統；
雖然spark stream比storm延時稍差，但spark有着更好的吞吐量和更好的計算性能；
spark在支援并行計算方面有更強的靈活性；
spark提供了一個技術棧内解決sparking job，spark streaming，spark sql的統一功能，便于後期開發；
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，将結果寫入到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：
落hdfs
通過wormhole wpark streaming程式消費kafka的ums，首先ums log可以被儲存到hdfs上。
kafka一般隻儲存若幹天的資訊，不會儲存全部資訊，而hdfs中可以儲存所有的曆史增删改的資訊。這就使得很多事情變為可能：
通過重放hdfs中的日志，我們能夠還原任意時間的曆史快照。
可以做拉連結清單，還原每一條記錄的曆史資訊，便于分析；
當程式出現錯誤是，可以通過回灌（backfill），重新消費消息，重新形成新的快照。
可以說hdfs中的日志是很多的事情基礎。
介于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的内容是所有log的增删改資訊以及_ums_id_，_ums_ts_都存下來。
wormhole spark streaming根據namespace 将資料分布存儲到不同的目錄中，即不同的表和版本放在不同目錄中。
由于每次寫的parquet都是小檔案，大家知道hdfs對于小檔案性能并不好，是以另外還有一個job，每天定時将這些的parquet檔案進行合并成大檔案。
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。
插入或更新資料的幂等性
常常我們遇到的需求是，将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幂等性。
無論是遇到增删改任何的資料，我們面臨的問題都是：
該更新哪一行；
更新的政策是什麼。
對于第一個問題，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；
對于第二個問題，就涉及到_ums_id_了，因為我們已經保證了_ums_id_大的值更新，是以在找到對應資料行後，根據這個原則來進行替換更新。
之是以要軟删除和加入_is_active_列，是為了這樣一種情況：
如果已經插入的_ums_id_比較大，是删除的資料（表明這個資料已經删除了）， 如果不是軟删除，此時插入一個_ums_id_小的資料（舊資料），就會真的插入進去。
這就導緻舊資料被插入了。不幂等了。是以被删除的資料依然保留（軟删除）是有價值的，它能被用于保證資料的幂等性。
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（當然也可以隻保留一個版本）預設是保留3個版本；
是以插入資料到hbase，需要解決的問題是：
選擇合适的rowkey：rowkey的設計是可以選的，使用者可以選擇源表的主鍵，也可以選擇若幹列做聯合主鍵。
選擇合适的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自身的比較關系一緻：即version較大等價于_ums_id_較大，對應的版本較新。
從提高性能的角度，我們可以将整個spark streaming的dataset集合直接插入到hbase，不需要比較。讓hbase基于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，保證幂等的原理雖然簡單，要想提高性能在實作上就變得複雜很多，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性能，同樣的我們需要以集合操作的方式實作幂等性。
具體思路是：
首先根據集合中的主鍵到目标資料庫中查詢，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_， 最終隻将哪些_ums_id_更新較大row到目标資料庫，小的直接抛棄。
使用spark的同學都知道，rdd/dataset都是可以partition的，可以使用多個worker并進行操作以提高效率。
在考慮并發情況下，插入和更新都可能出現失敗，那麼還有考慮失敗後的政策。
比如：因為别的worker已經插入，那麼因為唯一性限制插入失敗，那麼需要改為更新，還要比較_ums_id_看是否能夠更新。
對于無法插入其他情況（比如目标系統有問題），wormhole還有重試機制。說起來細節特别多。這裡就不多介紹了。
有些還在開發中。
插入到其他存儲中的就不多介紹了，總的原則是：根據各自存儲自身特性，設計基于集合的，并發的插入資料實作。這些都是wormhole為了性能而做的努力，使用Ｗormhole的使用者不必關心 。
五、運用案例
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實作了的實時營銷。
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，比如央行征信報告，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。
借款人通過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，但以前由于無法或很久才能知道這個資訊，是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，并通過dws實時的進行抽取、計算和落地到目标庫中。根據對客戶的打分，評價出優質客戶。然後立刻将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（幾分鐘以内）就通過打電話的方式聯系上這個借款人（潛客），進行客戶關懷，将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作。
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，以前是通過t+1的方式獲得報表資訊，然後指導第二天的營運，這樣時效性很差。
通過dws，将資料從多個系統中實時抽取，計算和落地，并提供報表展示，使得營運可以及時作出部署和調整，快速應對。
六、總結
說了那麼多，大緻總結一下：
dws技術上基于主流實時流式大資料技術架構，高可用大吞吐強水準擴容，低延遲高容錯最終一緻。
dws能力上支援異構多源多目标系統，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将三個子項目合并作為一個平台推出，使得我們具備了實時的能力， 驅動各種實時場景應用。
适合場景包括：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／實時營運／實時決策
感謝大家的聆聽，此次分享到此為止。
q&a
q1：oracle log reader有開源方案嗎？
Ａ1：對于oracle業界也有許多商業解決方案，例如：oracle goldengate(原來的goldengate), oracle xstream, ibm infosphere change data capture(原來的datamirror)，dell shareplex (原來的quest)，國内的dsg supersync等，開源的方案好用的很少。
q2：這個項目投入了多少人力物力？感覺有點複雜。
q2：dws是三個子項目組成，平均每個項目5~7人。是有點複雜，其實也是試圖使用大資料技術來解決我們公司目前遇到的困難。
因為是搞大資料相關技術，所有團隊裡面的兄弟姐妹都還是比較happy的：）
其實這裡面，dbus和wormhole相對固定模式化，容易輕松複用。swifts實時計算是與每個業務相關比較大的，自定義比較強，相對比較麻煩一些。
q3：宜信的這個dws系統會開源麼？
a3：我們也考慮過向社群貢獻，就像宜信的其他開源項目一樣，目前項目剛剛成形，還有待進一步磨煉，我相信未來的某個時候，我們會給它開源出來。
q4：架構師怎麼了解，是不是系統工程師？
a4：不是系統工程師，在我們宜信有多位架構師，應該算是以技術驅動業務的技術管理人員。包含産品設計，技術管理等。
q5：複制方案是否是ogg?
a5：ogg與上面提到的其他商業解決方案都是可選方案。
原文釋出時間為：2016-12-19
本文來自雲栖社群合作夥伴dbaplus