增量数据同步中间件DataLink分享（已开源）

项目介绍

名称： DataLink['deitə liŋk]
译意： 数据链路，数据（自动）传输器
语言： 纯java开发（JDK1.8+）
定位： 满足各种异构数据源之间的实时增量同步，一个分布式、可扩展的数据同步系统
开源地址：https://github.com/ucarGroup/DataLink

此次开源为去除内部依赖后的版本（开源的是增量同步子系统），在集团内部datalink和阿里的datax还进行了深度集成，增量（datalink）+全量（datax）共同组成统一的数据交换平台

项目背景

随着神州优车集团业务的高速发展，各种各样的数据同步场景应运而生，原有的系统架构难以支撑复杂多变的业务需求，so，从2016年底开始，团队内部开始酝酿datalink这个产品。着眼于未来，我们的目标是打造一个新平台，满足各种异构数据源之间的实时增量同步，支撑公司业务的快速发展。在充分调研的基础之上，我们发现，没有任何一款开源产品能轻易的满足我们的目标，每个产品都有其明显的短板和局限性，所以最终的选项只有"自行设计"。但自行设计并不是凭空设计，现有的数据交换平台、已有的经验、大大小小的开源产品都是我们的设计根基，与其说是自行设计，倒不如说是站在巨人的肩膀上做了一次飞跃。由此诞生了DataLink这样一个产品，其产品特性主要如下：

• 满足各种异构数据源之间的实时增量同步，提供抽象模型，支持高可扩展
• 平台提供统一的基础设施（高可用、动态负载、同步任务管理、插件管理、监控报警、公用业务组件等等），让设计人员专注于同步插件开发，一次投入，长久受益
• 吸收、整合业内经验，在架构模型、设计方法论、功能特性、可运维、易用性上进行全面的升级，在前瞻性和扩展性上下足功夫，满足公司未来5-10年内的各种同步需求

应用现状

DataLink从2016年12月开始立项，第一版于2017年5月份上线，在神州优车集团内部服役到现在，基本上满足了公司所有业务线的同步需求，目前内部的同步规模大体如下

1. 日均数据同步量800G+
2. 涉及272个数据库实例之间的3208个同步映射
3. 60台Worker+2台Manager机器的集群规模

架构简介

DataLink是典型管理系统架构，Manager(Web管理)+Worker(工作节点)：
 a. Manager负责Worker的负载均衡、集群的配置管理和系统监控
 b. Worker核心功能是管理Task的生命周期，并配合Manager进行Re-Balance
下面对DataLink架构模型重点模块做概要介绍：

Manager

• Manager是整个DataLink集群的大脑
• Manager有三个核心功能

1. 担任整个集群的负载均衡协调器：当集群出现状态变更时，第一时间进行Re-Balance
2. 负责整个集群的配置管理：提供管理后台，配置发生变更时进行事件通知、缓存刷新等操作，保证系统能够获取到最新的变更
3. 监控整个集群的健康状况，主要有：同步是否出现延迟、同步是否出现异常、数据同步TPS、数据同步吞吐量、机器健康状况检查等等

Group

• 分组是DataLink的一个核心概念，Worker和Task在运行之前必须先知道自己属于哪个分组
• 分组的目的是：实现组内自治、组间隔离，不同分组会有不同的参数配置、运行策略、高可用级别等等

Worker

• Worker必须归属于某个分组
• Worker的核心功能是管理Task的生命周期，并配合Manager进行Re-Balance
• Worker运行哪些Task受Manager的分配

Task

• Task的核心功能是进行数据同步
• 一个Task由一个TaskReader和多个TaskWriter组成，Reader和Writer使用独立的Classloader
• Task必须归属于某个分组

(Re-)Balance

• (Re-)Balance的定义：通过一定的负载均衡策略，使Task在Worker节点上均衡的分布
• (Re-)Balance的单位是Group，一个分组发生(Re-)Balance不会影响其它分组的正常运行
• 发生(Re-)Balance的时机

1. Manager发生主备切换
2. 新的Worker加入分组
3. 某个Worker离开分组
4. 新增Task
5. 删除Task

Plugin

• 插件模型最大的意义在于解耦和复用，只需要提供一套基础框架，开发一系列同步插件，通过配置组合便可以支持"无限多"的同步场景
• 插件划分为两种：Reader插件和Writer插件，插件之间通过Task串联起来
• Task运行时，每个插件都有自己独立的Classloader，保证插件之间的jar包隔离

Mysql

• DataLink的运行需要依赖各种配置信息，这些配置信息统一保存到Mysql中
• DataLink在运行过程中会动态产生监控和统计数据，这些数据也统一保存到Mysql中
• 存储的配置信息主要有： 同步任务信息、工作节点信息、分组信息、数据源配置信息、映射规则信息、监控信息、角色权限信息等

Zookeeper

• Manager的高可用需要依赖于zookeeper，通过抢占和监听"/datalink/managers/active"节点，实现秒级switch
  注：Worker的高可用并不依赖zookeeper，只要manager能够保证高可用，worker就是高可用的
• Task会将运行时信息注册到zookeeper，注册信息主要有两类

1. Task的状态信息（运行、暂停还是出错），通过状态信息可以监控task的健康状况
2. Task的position信息，通过postion信息可以查看当前的同步进度，也可以实现故障恢复

Netty&Jetty

• Manager使用Netty提供Tcp服务，用来监听Worker端发送的Coordinator信息（注：Netty只用来做高可用和负载均衡）
• Manager使用Jetty提供Http服务，主要用来提供web管理功能和接收Worker发送的监控和统计数据
• Worker使用Jetty提供Http服务，主要用来接收Manager发送的管理指令

Kafka-Client

• DataLink套用了kafka的(Re-)balance协议
• 在Worker端和Manager端分别定义了各自的Coordinate模块，这些模块都需要依赖kafka的client包

同步模型

插件体系

• 插件体系一般由两部分组成：Framework+Plugin，DataLink中的Framework主要指【TaskRuntime】，Plugin对应的是各种类型的【TaskReader&TaskWriter】

TaskRuntime

• 提供了Task的高层抽象、Task的运行时环境和Task的插件规范

TaskReader&TaskWriter

• 一个个具体的数据同步插件，遵从Task插件规范，功能自治，和TaskRuntime完全解耦，理论上插件数量可无限扩充

Task

• DataLink中数据同步的基本单位是Task，一个Worker进程中可以运行一批Task，一个运行中的Task由一个TaskReader和至少一个TaskWriter组成，即有：

• 程序运行期，同一类型的插件在一个进程中可以有多个实例，实例个数取决于有多少个Task用到了该插件

• 程序运行期，插件的生命周期归属于Task，在不同的生命周期阶段，依照Task的配置信息或相关指令，进行创建、初始化、运行或销毁等操作

• 理论上，TaskReader和TaskWriter可动态任意组合（能否组合，主要取决于待组合的TaskWriter能否适配TaskReader的Record类型）

• 理论上，每新增一种插件，可支持的同步场景可以成倍数的增加（具体几倍，和插件类型和当前已有的插件数量有关系），新增一个TaskReader，可新增的同步场景数量取决于已有TaskWriter的数量，反之亦然

• 目前，DataLink的TaskReader支持的类型有MYSQL, FLEXIBLEQ, HBASE，TaskWriter支持的类型有Rdbms、ElasticSearch、Hdfs、HBase、FlexibleQ、SDDL

ClassLoader

• Datalink-Worker进程中，每个类型的插件，都有自己独立的classloader和classpath。
  原因很简单：class版本隔离的需要，DataLink中，可以开发任意多个插件，出现jar包冲突很正常，必须通过classloader隔离这些冲突。

Contract

• Contract是针对某种类型的数据源定义的【数据模型】，是一份契约和规范，是最高层次的抽象，和编程语言无关，和具体平台无关，和DataLink也没有必然关系
• Contract是TaskReader和TaskWriter可任意组合的关键，TaskReader输出Contract数据，TaskWriter输入Contract数据，互不感知，但都理解Contract定义的【数据模型】
• Contract定义的【数据模型】的主要表现形式是Record，如：RdbEventRecord，HRecord

Adapt

• TaskReader：
  负责输出Contract数据，适配模式很简单，一对一，直接把底层数据组装成对应的Record即可，如：MysqlTaskReader对应RdbEventRecord

• TaskWriter：
  负责输入Contract数据，并写入目标数据源。TaskWriter可以接收不同类型的【数据模型】，内部由不同的Handler把不同【数据模型】的数据写入目标数据源

应用场景

DataLink可以支撑的常见应用场景有：

• ReSharding
• BigData
• CQRS
• EDA
• SearchBuild
• 基础参数共享
• 实时归档
• 数据镜像
• 数据库的迁库、拆库、合库以及灾备等等

具体介绍可参见git文档：https://github.com/ucarGroup/DataLink/wiki/1.9_%E6%B7%B1%E5%85%A5%E5%9C%BA%E6%99%AF

项目未来

datalink项目借鉴了很多开源产品的思想，这里要重点感谢的产品有：canal，otter，datax，yugong，databus，kafka-connect，ersatz
站在巨人的肩膀上，我们进行了开源，一方面回馈社区，一方面抛砖引玉
展望未来，我们希望这个项目能够活跃起来，为社区做出更大的贡献，内部的各种新特性也会尽快同步到开源版本，同时也希望有更多的人参与进来
目前内部正在规划中的功能有：

• 双机房（中心）同步
• 通用审计功能
• 各种同步工具
• 等

问题反馈

目前有关datalink的问题交流方式有如下几种，欢迎各位加入进行技术讨论。

1. qq交流群： 758937055
2. 邮件交流： tech_plat_data@ucarinc.com
3. 报告issue：issues