[大数据]ETL之增量数据抽取(CDC)

关于：转载/知识产权

本文遵循 GPL开源协议，如若转载：

• 1 请发邮件至博主，以作申请声明。
• 2 请于引用文章的显著处注明来源（[大数据]ETL之增量数据抽取(CDC) - https://www.cnblogs.com/johnnyzen/p/12781942.html）。

关于：本文由来

本文系成都四方伟业公司第二阶段产品培训（ETL融合数据产品）的试题部分的个人思考答案（员工：Zeng Tai - Johnny）

• 文中所涉技术、观点均具备行业内公开技术的特征
• 博文内容与公司和产品本身无关，故与保密无关
• 网络中，CDC相关博文甚少，故而觉得有必要写一篇笔记性的、科普性的文章~
• 如若描述不当之处，欢迎指正、并进一步沟通，感谢~

1 CDC 概念

1.1 定义

Change Data Capture，变化的数据捕获，也称：【增量数据抽取】（名词解释）

CDC是一种实现数据的增量抽取解决方案，是实现【ETL整体解决方案】中的一项子方案/子问题。(对CDC的定位）

1.2 需求背景

在ETL项目中，面临需要抽取哪部分数据加载到数据仓库？全量抽取，还是增量抽取？

1.3 考察指标

如何捕获变化的数据是增量抽取的关键，对捕获方法一般有2点要求：

• 准确性：能够将业务系统中的变化数据准确地捕获到；
• 性能：尽量减少对业务系统造成太大的压力，影响现有业务。

2 CDC 常见解决方案

按CDC方案的任一操作是否对数据源系统产生影响（性能、功能等），分为：【侵入式CDC】、【非侵入式CDC】

按CDC方案所抽取的数据与数据源系统的变化数据是否在规定时间内同步，分为：【同步CDC】、【异步CDC】

以下，对各实现方案进一步地详细描述。

2.1 基于时间戳的CDC 【侵入式CDC + 异步CDC】

• 【过程】
  
  首先，对数据加上【时间戳】；（加时间戳）
  
  然后，全记录中通过【关键字段】(新设判断是否新增、更新等状态的属性、索引等)对比；（全量对比）
  
  最终，将未出现在已采集/存储的数据集中的新采集数据记录存储下来；反之，则：不予采集/存储。

• 【特点】简单、常用、暴力
  
  1 需要【新建数据库表】，以存储变化的、新增的数据记录。
  
  2 大数据量的情况下，需要有优异的查找、排序【算法】作支撑，否则，对比效率低而导致效率低下
  
  3 【无法实时】捕获
  
  4 不能记录删除记录的操作
  
  5 无法识别单位捕获时间差内的【多次更新】（∵无法实时捕获，存在抽取时间差）

2.2 基于触发器的CDC 【侵入式CDC / 非侵入式CDC + 同步CDC】

• 【概念】
  
  当执行INSERT、UPDATE、DELETE等SQL语句时，可预先编写、激活数据库里的触发器，以调用、执行数据抽取动作。

• 【过程】
  
  首先，可用触发器来捕获变更的数据，并把数据保存在中间临时表里；
  
  然后，将这些变更数据再从临时表取出，抽取到数据仓库的过渡区中。

• 【特点】实时
  
  1 大多数场合下，不允许向操作型数据库里添加触发器，且这种方法会降低系统性能，所以用的不多。
  
  2 可在调用数据库的后端服务器层面编写触发器模式的程序，间接实现数据库中触发器的能力。
  
  3 基本能达到实时增量抽取

2.3 基于快照的CDC 【非侵入式CDC + 异步CDC】

• 【概念】
  
  可通过比较源表和快照表来获得数据变化。

• 【特点】
  
  1基于快照的CDC可检测到插入、更新和删除的数据 （相比基于时间戳的CDC的优点）
  
  2需要大量存储空间来保存快照

2.4 基于日志的CDC 【非侵入式CDC + 异步CDC】

• 【概念】
  
  源数据库会把每个插入、更新、删除操作记录到日志里。
  
  通过分析已经发生的事件提交(commit)的日志记录来得到增量数据信息，有一定的时间延迟。
• 【特点】复杂、异步、非侵入式

2.5 补充方案：与数据库引擎直接集成的CDC 【侵入式CDC + 同步CDC】

例如：数据库厂商Oracle

Oracle新增CDC特性，其在【数据库层面】上直接实现增量抽取功能；

在【性能层面】，由于和数据库引擎的直接集成，比第三方的实现方案应具有一定的优势。

3 参考文献

• 数据抽取中的CDC（变化数据捕获）方式 – 简书
• CDC（oracle增量抽取解决方案） - 百科

X 推荐文献

• 数据仓库学习笔记：数据仓库增量抽取(CDC)有哪些方式? - CSDN
  
  (2021-01-06 补充)