通过kafka,canal进行数据异构同步的一套技术方案

业务背景说明：

本公司有一个业务场景是需要从A数据库异构同步至B数据库，在B数据库进行一些逻辑统计查询操作，大致如下图：

当时设计的技术架构如下：

第一步：通过canal监听A库的binlog日志，将binlog日志信息发送至kafka消息队列

第二步：部署消费者canal-kafka工程（纯java编写），消费kafka消息，异构原始数据，落B库，canal-kafka可以多节点分片部署

该方案咋一看可能存在一些问题，如同步性能如何，sql执行顺序问题如何保证，下面一一解答

biglog本身是有序的，写入kafka时可以保证有序，如果canal-kafka单节点部署，顺序消费那么，异构执行sql必定是有序的，但是这样会遇到性能瓶颈，同步数据量一大，必定造成大量消息阻塞，为了解决这一问题，canal-kafka必须得支持多节点分片部署。而kafka正好支持消息的分区功能，当一个消息投递至kafka时，可以选择这条消息至哪个分区，一个分区对应一个消费者，这样大幅提高了消费能力。消费能力提高了但是引进一个新问题，sql执行顺序问题，假设同一条数据的多个update语句，在不同的消费者执行，那么他们前后执行顺序问题如何保障？于是乎，必须确保同一条数据，从insert以及后面的各条update语句必须得是同一个消费者消费消息，有序执行。而canal拥有这一功能，参考文章链接：Canal Kafka RocketMQ QuickStart · alibaba/canal Wiki · GitHub ，可以查看 “mq顺序性问题” 这一小节。简单来说，每条数据在经过canal投递至kafka时 ，对其主键进行hash，选择其指定的kafka分区，这样之后这条数据修改均会投递至当初insert的的那个分区，这样消费时又是有序消费，从而保证了异构数据的有序性（A库单表数据对应B库单表数据的情况）。如下图：

当然，因为是异构，所以存在以下三种比较麻烦的情况：①A库的多表数据 对应 B库的单表数据，②A库的单表数据对应B的多表数据，③A库多表数据对应B库多表数据；第二种情况，在处理时比较简单，只要新增，修改时改造多条B库执行sql的语句，对于第一种跟第三种情况，就存在多个主键key都能造成某条B库数据的更新，为了保证数据的一致性，就需要通过业务代码来确保。举个例子：A的a1表，a2表，a3表均会更新B库的b1表数据，于是乎，当a1数据到达B时，需要回查a2,a3的数据，确定最后b1的执行sql，这样才确保了最终一致性。第三种情况也类似。如下图：

还有一种解决方案是设计合理的分区key，因为前面是将各张表的主键进行hash操作后分区，可能会导致顺序错乱，如果找到a1,a2,a3表的关联关系，如果他们的关联字段是同一个，进行hash消息分区后能保证有序，可以达到转化为单表对单表同步的效果，这样提高的性能不是一点点，当然在同步策略中需要考虑在a1,a2,a3数据到达时b1表的数据是否已经生成，这些都需要在业务逻辑中保障。当然出现万一a1,a2表的关联字段是 c1;a2,a3表的关联字段是c2，关联字段不是同一个，处理起来就不适用于此方法了，因为无论是对c1 hash分区还是c2 hash分区，都会对B库的b1表更新，又会产生顺序问题。

当然在数据一致性要求较低的情况下，可以在a1,a2,a3三张表中以更新频率最高的的表作为更新标记，在业务中只当某张表(a1,a2,a3中的一张)更新时才更新b1表数据，这样可以提高同步性能。

至此，将技术方案进行了简单说明，若有遗漏未考虑到bug情况望指教。