乐趣区

DM 源码阅读系列文章(三)数据同步处理单元介绍

作者:lan
本文为 DM 源码阅读系列文章的第三篇,上篇文章 介绍了 DM 的整体架构,DM 组件 DM-master 和 DM-worker 的入口代码,以及两者之间的数据交互模型。本篇文章详细地介绍 DM 数据同步处理单元(DM-worker 内部用来同步数据的逻辑单元),包括数据同步处理单元实现了什么功能,数据同步流程、运行逻辑,以及数据同步处理单元的 interface 设计。
数据同步处理单元

从上图可以了解到目前 DM 包含 relay log、dump、load、binlog replication(sync)4 个数据同步处理单元,涵盖了以下数据同步处理的功能:

处理单元
功能

relay log
持久化 MySQL/MariaDB Binlog 到磁盘

dump
从 MySQL/MariaDB dump 全量数据

load
加载全量数据到 TiDB cluster

binlog replication(sync)
复制 relay log 存储的 Binlog 到 TiDB cluster

数据同步流程
Task 数据同步流程初始化操作步骤:

DM-master 接收到 task,将 task 拆分成 subtask 后 分发给对应的各个 DM-worker;
DM-worker 接收到 subtask 后 创建一个 subtask 对象,然后 初始化数据同步流程。

从 初始化数据同步流程 的代码中我们可以看到,根据 task 配置项 task-mode 的不同,DM-worker 会初始化不同的数据同步流程:

task-mode
同步流程
需要的数据同步处理单元

all
全量同步 -> 增量数据同步
relay log、dump、load、binlog replication(sync)

full
全量同步
dump、load

incremental
增量同步
relay log,binlog replication(sync)

运行逻辑
DM 数据同步处理单元 interface 定义在 dm/unit,relay log、dump、load、binlog replication(sync)都实现了该 interface(golang interface 介绍)。
实际上 DM-worker 中的数据同步处理单元分为两类:

全局共享单例。dm-worker 启动的时候只初始化一次这类数据同步处理单元,所有的 subtask 都可以使用这类数据同步处理单元的服务;relay log 属于这种类型。
subtask 独享。dm-worker 会为每个 subtask 初始化一系列的数据同步处理单元;dump、load、binlog replication(sync)属于这种类型。

两类数据同步处理单元的使用逻辑不同,这篇文档会着重讲一下 subtask 独享的数据同步处理单元的使用逻辑,不会囊括更多的 relay log 相关的内容,后面会有单独一篇文章详细介绍它。
relay log 相关使用代码在 dm/worker/relay.go、具体功能实现代码在 relay/relay.go,有兴趣的同学也可以先行阅读一下相关代码,relay log 的代码注释也是比较丰富,并且简单易懂。
subtask 独享数据同步处理单元使用逻辑相关代码在 dm/worker/subtask.go。subtask 对象包含的主要属性有:

units:初始化后要运行的数据同步处理单元。
currUnit:当前正在运行的数据同步处理单元。
prevUnit:上一个运行的数据同步处理单元。
stage:subtask 的运行阶段状态,包含 New、Running、Paused,Stopped,Finished,具体定义的代码在 dm/proto/dmworker.proto。
result:subtask 当前数据同步处理单元的运行结果,对应着 stage = Paused/Stopped/Finished 的详细信息。

主要的逻辑有:

初始化 subtask 对象实例的时候会 编排数据同步处理单元的运行先后顺序。所有的数据同步处理单元都实现了 dm/unit interface,所以接下来的运行中就不需要关心具体的数据同步处理单元的类型,可以按照统一的 interface 方法来运行数据同步处理单元,以及对其进行状态监控。

初始化各个数据同步处理单元。subtask 在运行前集中地初始化所有的数据同步处理单元,我们计划之后优化成在各个数据同步处理单元运行前再进行初始化,这样子减少资源的提前或者无效的占用。
数据同步处理单元运行状态监控。通过监控当前运行的数据同步处理单元的结果,将 subtask 的 stage 设置为 Paused/Stopped/Finished。

如果 当前的数据同步处理单元工作已经完成,则会根据 units 来 选取下一个需要运行的数据同步处理单元,如果没有需要的数据同步处理单元,那么会将 subtask 的 stage 设置为 Finished。这里有个注意点,因为 binlog replication 单元永远不会结束,所以不会进入 Finished 的状态。
如果 返回的 result 里面包含有错误信息,则会将 subtask 的 stage 设置为 Paused,并且打印具体的错误信息。

如果是用户手动暂停或者停止,则会将 subtask 的 stage 设置为 Paused/Stopped。这里有个注意点,这个时候 stage=Paused 是没有错误信息的。

数据同步处理单元之间的运行交接处理逻辑。部分数据同步处理单元在开始工作的时候需要满足一些前置条件,例如 binlog replication(sync)的运行需要等待 relay log 处理单元已经储存下来其开始同步需要的 binlog 文件,否则 subtask 将处于 stage=Paused 的暂停等待状态。

小结
本篇文章主要介绍了数据同步处理单元实现了什么功能,数据同步流程、运行逻辑,以及数据同步处理单元的 interface 设计。后续会分三篇文章详细地介绍数据同步处理单元的实现,包括:

dump/load 全量同步实现
binlog replication 增量同步实现
relay log 实现

退出移动版