MySQL由于自身简单、高效、可靠的特点，成为小米内部使用最广泛的数据库，但是当数据量达到千万/亿级别的时候，MySQL的相关操作会变的非常迟缓；如果这时还有实时BI展示的需求，对于MySQL来说是一种灾难。

为了解决sql查询慢，查不了的业务痛点，我们探索出一套完整的实时同步，即席查询的解决方案，本文主要从实时同步的角度介绍相关工作。

早期业务借助Sqoop将MySQL中的数据同步到Hive来进行数据分析，使用过程中也带来了一些问题：

• 虽然Sqoop支持增量同步但还属于粗粒度的离线同步，无法满足实时性的需求；

• 每次同步Sqoop以sql的方式向MySQL发出数据请求也在一定程度上对MySQL带来一定的压力；

• 同时Hive对数据更新的支持也相对较弱。

为了更有效地连接前端业务数据系统（MySQL）和后端统计分析系统（查询分析引擎），我们需要一套实时同步MySQL数据的解决方案。

如何能够做到数据的实时同步呢？我们想到了MySQL主从复制时使用的binlog日志，它记录了所有的DDL和DML语句（除了数据查询语句select、show等），以事件形式记录，还包含语句所执行的消耗时间。

下面来看一下MySQL主从复制的原理，主要有以下几个步骤：

• master（主库）在每次准备提交事务完成数据更新前，将改变记录到二进制日志(binary log)中；

• slave（从库）发起连接，连接到master，请求获取指定位置的binlog文件；

• master创建dump线程，推送binlog的slave；

• slave启动一个I/O线程来读取主库上binary log中的事件，并记录到slave自己的中继日志(relay log)中；

• slave还会起动一个SQL线程，该线程从relay log中读取事件并在备库执行，完成数据同步；

• slave记录自己的binlog。

binlog记录了Mysql数据的实时变化，是数据同步的基础，服务需要做的就是遵守Mysql的协议，将自己伪装成Mysql的slave来监听业务从库，完成数据实时同步。

结合小米内部系统特点，构建了Mysql数据同步服务LCSBinlog，作为一种独立的数据接入方式整合在Talos Platform中，Talos Platform作为大数据集成的基础解决方案，以自研消息队列Talos为数据总线，连接各种系统为主要目标，提供丰富的数据Source输入和数据Sink输出，并且Talos天然支持流式计算，因此业务可以充分利用Talos Platform互联互通的特性，并结合自身的业务需求实现更加高阶的业务场景。

上图是Talos Platform中的整体流程架构，其中标红部分是目前LCSBinlog在小米内部使用最广泛的一条链路：Mysql --->  Talos  --->   Kudu  --->   BI，数据同步到kudu后借助Sparksql查询引擎为上层BI系统提供即席查询服务，Kudu和Sparksql的整合细节可以参见往期内容：告别”纷纷扰扰”—小米OLAP服务架构演进。

服务一共有两种角色：

• Master ：主要负责作业的调度；

• Worker：主要完成具体的数据同步任务

在Worker上运行两种作业：

• BinlogSyncJob：每一个mysql库都会对应这样一个Job，将binlog日志完整地写入到服务创建的Talos topic中；

• MysqlSyncJob：同步历史数据，消费binlog数据，过滤特定库表数据实时同步至用户配置的topic中。

服务整体依赖于Zookeeper来同步服务状态，记录作业调度信息和标记作业运行状态；在kudu表中记录作业同步进度。

控制流程如下：

• Worker节点通过在Zookeeper上注册告知自己可以被调度；

• 通过在Zookeeper上抢占EPHEMERAL临时节点实现Master的HA；

• 用户在融合云（Web）上注册BinlogSource同步任务；

• Master周期性从配置服务读取Binlog同步作业配置；

• Master更新Zookeeper中的调度信息；

• Worker节点 根据Zookeeper上的调度信息启动新分配任务，停止配置失效任务；作业启动后完成数据实时同步并周期性将同步进度记录在kudu中；

• 服务上报监控信息到Falcon平台，作业异常退出发送报警邮件。

   

用户配置的每一个BinlogSource 都会绑定一个Talos的topic，在进行消费的时候需要保证同一条mysql记录操作的顺序性，消息队列Talos是无法保证全局消息有序的，只能保证partition内部有序。

对于配置分库分表或者多库同步任务的BinlogSource，服务会根据库表信息进行hash，将数据写入相应的partiton，保证同一张表的数据在一个partition中，使得下游消费数据的顺序性。

对于单表同步的作业目前使用一个partition保证其数据有序。

如何保证在作业异常退出后，作业重新启动能够完整地将mysql中的数据同步到下游系统，主要依赖于以下三点：

• 服务会记录作业同步的offset，重启后从上次commit的offset继续消费；

• Binlog数据的顺序性保证了即便数据被重复消费（未commit的数据），也能对同一条记录的操作以相同的顺序执行；

• 下游存储系统kudu，Es ，Redis基于主键的操作能够保证binlog重复回放后数据的最终一致性。

有了这份数据我们可以做些什么事情呢，本节例举了几种常见的应用场景。

业务查询类服务往往会在mysql之上架设一个缓存，减少对底层数据库的访问；当mysql库数据变化时，如果缓存还没有过期那么就会拿到过期的数据，业务期望能够实时更新缓存。

利用binlog服务，根据策略实时将数据同步到redis中，这样就能够保证了缓存中数据有效性，减少了对数据库的调用，从而提高整体性能。

随着业务的发展，同一份数据可能有不同的分析用途，数据成功写入到mysql的同时也需要被同步到其他系统；如果用同步的方式处理，一方面拉长了一次事务整个流程，另一方面系统间也会相互影响。

数据在mysql中操作成功后才会记录在binlog中，保证下游处理到时的一致性；使用binlog服务完成数据的下发，有助于系统的解耦。

关于异步处理，系统解耦在消息队列价值思考一文中有更深入的解读。

就如文章开篇提到的，mysql在一定场景下的性能瓶颈，mysql数据同步到kudu后可以借助sparksql完成性能的提升。

因为同样是sql接口，对使用者的切换成本也是较低的，数据同步到更适合的存储中进行查询，也能够避免因大查询而对原mysql库其他查询的影响。

目前小米内部稳定运行3000+的同步作业，使用binlog服务同步数据到kudu中；小米内部BI明星产品XDATA借助整套同步流程很好地支持了运营、sql分析同学日常统计分析的需求。

用户接入数据的时候要求mysql库开启binlog日志格式必须为Row模式：记录的是每一行记录的每个字段变化前后的值，虽然会造成binlog数据量的增多，但是能够确保每一条记录准确性，避免数据同步不一致情况的出现。

最终通过监听binlog日志，LCSBinlog服务将数据转换成如下的数据结构，写入用户注册的Topic中， 目前Sink服务使用SparkStreaming实时转储数据到kudu中，后续也将逐步迁移到Flink上以提升资源利用、降低延迟。

业务用户也可以根据我们提供的数据格式，实时消费Talos数据以实现更复杂的业务逻辑，下表为每一种数据操作，是否保存修改前后的列表。   

下面分享2个上线后遇到的有趣问题。

1）数据不一致问题，业务使用唯一索引

业务接入一段时间后，发现部分表会偶尔存在kudu表的数据条目数多于同步的mysql表的数据条目数，我们将多出来的数据与mysql产生的binlog日志经过一一对比，发现用户在mysql表中设置了唯一索引，通过唯一索引修改了主键，而kudu中的数据是通过主键标识或更新一条记录的，于是update操作变成了insert操作，这就造成了原来的1条记录变成了2条。

解决办法：对于这种类型的表，LCSBinlog服务会把一次Update操作转换成一条Delete数据和一条Insert数据。

2）Full Dump同步历史数据时，客户端超时

服务刚上线的时候，通过jdbc 执行sql的方式完成全量历史数据的同步，在同步的过程中会发现dump任务会卡顿很长时间才会返回结果，当数据量很大会出现超时同步失败的情况，会造成数据的延迟。调研后发现使用mysql官方jdbc在客户端查询数据的时候，默认为从服务器一次取出所有数据放在客户端内存中，fetch size参数不起作用，当一条SQL返回数据量较大时可能会出现OOM。

解决办法：当statement设置以下属性时，采用的是流数据接收方式，每次只从服务器接收部份数据，直到所有数据处理完毕。优化后历史数据同步稳定运行，对mysql端的压力也很小。    

MySQL以Binlog日志的方式记录数据变化，基于流式数据的Change Data Caputre (CDC)机制实现了LCSBinlog服务。

本文主要对LCSBinlog的服务架构、应用场景以及在小米内部的实践经验进行了介绍，也和大家分享了我们实际中遇到的问题和解决方案，希望能够帮助到大家理解服务的原理，带来启发，也欢迎大家和我们一起交流。

2020年4月17日，北京，Gdevops全球敏捷运维峰会将开启年度首站！重点围绕数据库、智慧运维、Fintech金融科技领域，携手阿里、腾讯、蚂蚁金服、中国银行、平安银行、中邮消费金融、中国农业银行、中国民生银行、中国联通大数据、浙江移动、新炬网络等技术代表，展望云时代下数据库发展趋势、破解运维转型困局。