本文主要是介绍【科普小文】3分钟搞懂 Apache SeaTunnel CDC 数据同步，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！
CDC简介
CDC(Change Data Capture)是一种用于跟踪数据库库变更事件（插入、更新、删除）中的行级更改，并将事件以发生的顺序通知到其他系统处理。在容灾场景下，CDC主要实现的是主备间的数据同步，即从主数据库到备数据库的数据实时同步。
source ----------> CDC ----------> sink
Apache SeaTunne CDC
SeaTunnel CDC的数据同步分为两种：
快照读：读取表的历史数据
增量跟踪：读取表的增量日志更改数据
2.1 无锁快照同步
无锁快照同步阶段，为什么强调无锁，是因为现有的CDC平台在进行历史数据的同步时可能会进行锁表操作，例如Debezium。快照读阶段就是对数据库的历史数据库进行同步的过程，其基本概述流程如下：
storage------------->splitEnumerator----------split---------->reader^ || |\-----------------report------------/split划分：splitEnumerator(split分发器)按照指定的字段(例如表id或唯一键)和步长将表数据划分为多个分片split。 并行处理：每个split通过路由算法分配给不同的reader进行并行读取，一个reader会占用一个连接。 事件反馈：每个reader完成split读取后会向splitEnumerator报告进度。 splitEnumerator会发送给reader一个分片，分片的元数据信息如下：
String splitId 路由id
TableId tableId 表id
SeatunnelRowType splitKeyType 分片基于的字段的类型
Object splitStart 分片读取起点
Object splitEnd 分片读取终点reader收到split信息后会生成相关的sql语句，在此之前会记录当前split对应到数据库日志log的开始位置，等处理完当前split后上报report给splitEnumerator，report内容如下：
String splitId 分片id
Offset highWatermark 分片对应log的位置，用于后续的校对2.2 增量同步
增量同步阶段是基于上述快照读取阶段后，在源数据库发生变化时，实时将变更的数据同步到备数据库，不同的是，此阶段监听的是数据库的log日志，例如mysql的bin log。增量跟踪通常是单线程处理，这样可以避免重复拉取bin log，减轻对数据库的压力，因此该阶段只有一个reader工作，只占用一个连接。
data log------------->splitEnumerator----------split---------->reader^ || |\-----------------report------------/
增量同步会合成快照阶段所有split、table，因此只会存在一个split，增量同步阶段的split信息如下：
String splitId
Offset startingOffset 所有split中最小的log start
Offset endingOffset log的结束位置，若无则代表是持续的，例如增量阶段
List<TableId> tableIds
Map<TableId, Offset> tanleWatermarks 所有split的watermark
List<CompletedSnapshotSplitInfo> completedSnapshotSplitInfos 快照阶段读取的split细节信息其中CompletedSnapshotSplitInfo的具体字段如下：
String splitId
TableId tableId
SeatunnelRowType splitKeyType
Object splitStart
Object splitEnd
Offset watermark 对应了report中的highWatermark增量阶段的split包含了快照阶段所有split的watermark，会去从其中选出一个合适的位置进行增量同步，这个合适位置就是最小的watermark。
三、Exactly-once 无论是快照读还是增量读，同步的过程中数据库可能也在经历变化，如何保证exactly-once？
3.1 快照读阶段
在快照读阶段，例如某个split在同步的过程中，这段split中的数据发生了变换，例如下图操作，插入一条k3，更新k2，删除k1，如果在读的过程中不做任务标识，那么这部分的更新信息就会丢失，seatunnel的做法是：
在split读取之前首先去数据库查一下bin log位置：low watermark
读取split{start, end}数据
再记录一下高水位high watermark
如果high = low 说明在读取该split期间，该split的数据没有发生变化；如果(high - low) > 0，说明在处理的过程中发生了数据变化，会进行如下操作：①将读到的split数据在内存中建立内存表缓存；②将low watermark~high watermark的变更；③按顺序、主键重放操作到内存表
报告report high watermark
insert k3 update k2 delete k1| | |v v vbin log --|---------------------------------------------------|-- log offsetlow watermark high watermarkCDC读到的数据： k1 k3 k4| 重放v
真实的数据： k2 k3' k4增量阶段
在增量阶段开始之前首先会对上一个步骤的所有split做校验，因为在split和split之间的间隙也有可能出现数据更新，例如在split1和split2之间插入了若干条记录，在快照阶段就会遗漏掉，对于这种split之间的数据回捞，seatunnel的做法是：
从所有的split的report中找到最小的watermark，作为start watermark，开始读取log。 每读一条log都去completedSnapshotSplitInfos中找该条数据是否在某个split被处理过了，如果没有被处理过，说明是split间隙数据，应该被重新修正。 当表过滤完后，可以从completedSnapshotSplitInfos中删除，继续处理剩余的表。 直到所有的split都校验结束，就进入到了完全的增量阶段。
|------------filter split2-----------------||----filter split1------|
data log -|-----------------------|------------------|----------------------------------|- log offsetmin watermark split1 watermark split2 watermark max watermark 断点续传
如果做到暂停恢复？分布式快照算法(Chandy-Lamport)：
假设系统中包含了两个进程p1和p2，p1进程状态包含三个变量X1 Y1 Z1，p2包含了三个变量X2 Y2 Z2，初始状态如下：
p1 p2
X1:0 X2:4
Y1:0 Y2:2
Z1:0 Z2:3此时由p1发起全局snapshot记录，p1先记录本身的进程状态，然后向p2发送marker信息。在marker信息到达p2之前，p2向p1发送message M。
p1 p2
X1:0 -------marker-------> X2:4
Y1:0 <---------M---------- Y2:2
Z1:0 Z2:3p2收到p1发送来的marker信息后，记录自己的状态，然后p1收到p2之前发送来的message M，由于p1已经做了local snapshot了，所以p1只需要记录M。，所以最终的snapshot如下：
p1 M p2
X1:0 X2:4
Y1:0 Y2:2
Z1:0 Z2:3在SeaTunnel CDC的过程中，marker同发送给所有的reader、splitEnumerator、writer等节点都会保存自己的内存状态。
本文由 白鲸开源科技 提供发布支持！
这篇关于【科普小文】3分钟搞懂 Apache SeaTunnel CDC 数据同步的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！
