一、增量数据采集概述
数据采集通常是指ETL过程中Extract-数据抽取部分。除了ETL外在不同应用系统之间通常也需要传递数据,在某些环境条件限制下不能将数据从一个系统直接移到另一个系统,只能借助文本来作为中间媒介传递数据,且文本的生成有时间窗口的限制,所以对数据采集即数据抽取的性能有一定的要求。对增加数据的采集的方法常用的有以下几种:
1. 时间戳(Timestamps on rows)
2. 版本号(Version Numbers on rows)
3. 状态指示(Status indicators on rows)
4. 时间戳、版本号、状态指示混合使用(Time/Version/Status on rows)
5. 触发器 (Triggers on tables)
6. 表差异(Table differencing)
7. 数据库的日志扫描(Log scanners on databases)
对于增量数据采集情况在Oracle中推出了两种主要方案,一种是我们熟悉的物化视图(materialized view),另一种就是本文将要介绍的CDC组件(Change Data Capture 改变数据捕获)。
CDC 特性是在Oracle9i数据库中引入的。CDC能够帮助你识别从上次提取之后发生变化的数据。利用CDC,在对源表进行INSERT、UPDATE或 DELETE等操作的同时就可以提取数据,并且变化的数据被保存在数据库的变化表中。这样就可以捕获发生变化的数据,然后利用数据库视图以一种可控的方式提供给目标系统。
二、CDC的发布订阅模型
CDC体系结构基于发布者/订阅者模型。发布者捕捉变化数据并提供给订阅者。订阅者使用从发布者那里获得的变化数据。通常,CDC系统拥有一个发布者和多个订阅者。发布者首先需要识别捕获变化数据所需的源表。然后,它捕捉变化的数据并将其保存在特别创建的变化表中。它还使订阅者能够控制对变化数据的访问。订阅者需要清楚自己感兴趣的是哪些变化数据。一个订阅者可能不会对发布者发布的所有数据都感兴趣。 订阅者需要创建一个订阅者视图来访问经发布者授权可以访问的变化数据。
CDC有几个重要的基本概念需要先明确一下:
l 源表(Source Table),业务数据库的需要捕获数据的源表
l 变化表(Change Table) ,保存从源表捕获的变化数据(包括各种DML产生的数据)
l 变化集(Change Set),是保证事务一致性的数据集合。一个变化集对应多个变化表
l 订阅视图(Subscription View),提供给读取变化表数据的视图
l 订阅窗口(Subscription Window) ,定义了查看变化数据的时间范围.就象一个观察变化数据的滑动窗口。变化数据处理完成后,可以对清除订阅窗口。
三、CDC的同步与异步模式
l 同步模式,实时的捕获变化数据并存储到变化表中,发布者与订阅都位于同一数据库中,同步模式实际使用trigger的形式来捕捉变化数据。下图说明了同步模式的基本架构。
l 异步模式,以Oracle流复制技术为基础,从redo log中读取日志记录来捕捉变化数据。异步模式有三种:
1. Asynchronous HotLog