分享一次海量数据平滑迁移实战

背景

采购系统（BIP）在经历多年演进后，系统整体复杂度和数据量俨然已经极具规模，本文着重讨论海量数据的治理

存储现状：工程端实时订单库采用MySQL 5.5集群，其中主库配置为32C/48G/6000G，无法归档的订单热数据占磁盘空间85%（5.1T）

痛点：6T磁盘已经单容器最大，无法继续扩容，剩余磁盘余量过小，难适应未来发展

目标

降低磁盘容量，优化数据模型，提升系统稳定性

调研

首先，既然是要解决存储容量的问题，就要对详细的容量情况有个更加清楚的了解。总结下当前存储容量问题，最大的表是订单操作日志表lifecycle共1.3T，大于500G的表2张共1.5T；100G~500G的表10张共2.6T。以下是优化前库里大表（大于100G）的详细空间占用情况：

序号	表名	空间大小（行数｜总大小｜数据大小｜索引大小）
1	lifecycle	**46亿
2	cgfenpei	5.8亿
3	cgtable	5.8亿
4	cgdetail	5.5亿
5	po_asn_receipt_detail	4.5亿
6	po_data	2.5亿
7	purchase_order_extension	4.2亿
8	po_stock_detail	7.3亿
9	po_channel	6.1亿
10	cgtablesubtable	6亿
11	unduprecord	4.2亿
12	po_stock	2.8亿
	合计	4.6T

其次，确认当前最高效的优化思路是将lifecycle表迁移到其他库，原因有二：1.lifecycle表的含义是操作日志，在业务上不算订单域内最核心的模型，风险可控；2.占用空间大，单表46亿行数据，空间占用1.3T，一张表占了磁盘空间的22%，优化的ROI高

最后，想说明下，为什么没有直接将整个库，从传统MySQL切换到JED，原因也有二：1.JED和MySQL的查询语法还是有一定差异，直接切换，成本和风险极高；2.切换存储中间件，获取分布式架构下更大的存储空间并不是银弹，理智告诉我们要结合系统现状，不可盲目下定论

挑战

保障海量数据（存量46亿行，增量600w+行/天，TPS峰值：500+，QPS峰值：200+）迁移期间读、写稳定和准确。 需要补充一下：lifecycle虽然不算订单最核心业务模型，但依旧是辅助业务决策的关键数据，也非常重要

例子：

方案

整体方案

数据同步 -> 双读 -> 双写 -> 离线验证 -> 数据清理

详细设计

•数据同步，通过DRC实现，历史全量+增量，其中有以下几点使用心得：

◦同步速度问题，本次是使用传统MySQL5.5 -> JED 底层MySQL 8.0 单表同步，效率大概是4M/S，一共花了3天半左右

◦数据同步过程中不要操作暂停，否则任务重启后，会重新同步历史数据，导致数据同步周期变长。详情参考： 关于全量任务暂停重启之后数据同步慢的原因

◦字段兼容问题，老库历史时间字段类型是datetime，新库需要改为datetime(3)，这种数据同步是可以兼容的（下文会讲为什么要优化时间字段精度）

◦数据验证问题，当时在历史数据全量同步完毕后开启了DRC数据验证，但是许久未执行完成，收到DRC运维告知出现大量报错，最终结论是暂时不支持这两个版本的数据比对（5.5->8.0），这也是为什么整体架构上采用BDP抽数比对数据的主要原因

•数据验证，业务程序完成双写、双读改造

◦双写

▪为什么采用双写？答：控制风险。 1.团队内还没有应用直接写入多分片JED的先例，而且新、老库的底层MySQL版本也差异比较大（5.5 vs 8.0），当时通过分批次灰度上线完成逐步切量验证；2.方便进行数据验证，lifecycle是业务操作日志，基本涵盖了所有的写入场景，其中因为历史问题，不乏一部分逻辑和订单更新在同一事务中，现在迁移到新库，本地事务会存在不生效的场景

▪具体改造方案：

▪新增【验证开关】 ，开启后新/老库双写，另外需要要引入vitess驱动，目前只支持JDK8及以上

▪新增【上线开关】 ，开启后只写新库，此开关是在验证逻辑无问题后，最终切换的开关，代表迁移完成

▪注意，开关改造完成上线后，“全量+增量DRC任务”在验证期间是一直启用的，也就是说验证期间，增量数据会写两份到新库

▪一部分是实际的生产数据，一部分是待验证的测试数据。那么就带来另一个问题，如何识别和区分这两部分数据，我们采用的方案是：JED建表指定趋势自增的最小id（200亿）+【验证开关】开启的时间戳进行区分

▪如下图，其中A和A’都是【验证开关】切换后的增量数据，由于老库的id已经自增写到了70亿，并且DRC同步任务也是指定id写入，所以建表时指定新增数据id是200亿（详情参考： 数据库自增ID列设置 ），和老数据之间存在一定gap方便识别。BDP脚本数据比对的也是：老库.A和新库.A’（这里默认DRC增量同步的数据是准确的）

▪清除测试数据，真正完成【上线开关】切换，需要提前清除测试数据，只需指定id>200亿的物理删除即可。注意：针对多分片的JED物理删除delete语句，我们程序上如果为了防止大事务，而采用“for循环+limit n”的方式执行，实际的每次SQL语句执行结果是多个分片的n的聚合，而不是n，如果程序上对结果有判断逻辑，需要额外注意

◦双读

▪整体逻辑基本复用写入期间已有开关，其中针对新库当中DRC实时同步的数据（上图：新库.A）会根据开关开启时间进行过滤

▪其中，在验证期间，新、老库都会根据采购单号进行查询并实际返回老库的查询结果，其中还会进行结果比对，出现数据不一致会输出异常日志关键字

▪另外，因为lifecycle操作日志数据是有先后顺序的，老库的处理方式是根据自增id进行倒排，到了新库以后，由于采用的是JED分片（分布式存储的磁盘空间更大），考虑到开发成本，数据id采用的是趋势递增的自增主键（详情参考： Vitess全局唯一ID生成的实现方案 ），这时多集群并行写入无法继续使用基于id倒排的方式返回结果（后写入的数据可能id较小，可以参考sequece发号器的ID生成），所以将原始的数据写入时间戳从datetime提高精度到datetime(3)，通过数据写入时间进行倒排，这里也解释了上文，新库DRC数据同步为什么要考虑字段兼容的问题

▪补充1：这里基于时间倒排在业务上是准确的，因为lifecycle数据是根据订单号进行分片的，所以同一订单一定落在单分片上，也就是说不存在不同分片时钟偏移的问题，单订单的操作日志的时间序列一定是按照写入顺序逐渐增加的

▪补充2：新库字段类型变更（datetime->datetime(3)），32分片，共46亿行数据，执行了大概1小时，期间主从延迟最高30分钟，容器负载正常

▪补充3：应用的关键字告警配置，日志文件仅支持以error.log、err.log、exception.log结尾，并开启历史日志的路径

▪最后，双读期间共通过业务的实际查询流量发现数据不一致问题2个+，在并未影响到业务使用的前提下及时发现了系统异常

◦离线验证

▪lifecycle归根结底还是写多读少的业务场景，为了防止出现上文数据比对验证的遗漏，我们会采用BDP离线任务会分别开启增量数据+历史全量数据验证。通过对新、老库的全量数据字段相互sql inner join的方式完成比对，其中会忽略id和写入时间，因为新库的id不是单调递增、时间精确到了毫秒。期间共发现有效数据问题3个+，均是因为本地事务回滚导致的数据不一致的场景

•收尾工作

◦完成【上线开关】切换，只读、写新库，完成整体平滑迁移。在无QA参与前提下，验证期间未出现过数据丢失、重复、错误等异常

◦切换完成后，老库老表和DRC同步任务依旧保留了一周的时间，防止出现场景遗漏，产生数据丢失

◦46亿行大表清理，采用drop+create的方式实现效率、稳定性更高，在业务低峰期完成脚本执行，大概花费10秒的时间，容器负载、内存等指标正常。但是当时碰上了DBA的备份任务，导致有一个从库主从延迟升高，这个后续需要注意