关于canal:canal探究

后面的文章应用 canal 订阅 mysql 数据变动进而同步数据，这里钻研 canal 的外部个性，进而更好地应用 canal，大部分内容来自官网，还有一部分来自我的了解。
canal 主要用途是基于 MySQL 数据库增量日志解析，提供增量数据订阅和生产。

利用场景：

• 异构数据同步
• 数据库实时备份
• 业务 cache 刷新

原理

canal 模仿成 mysql slave 向 master 发送 dump 申请，收到 binlog 数据进行解析

slave 同步 master 原理：

• master 将扭转记录到二进制日志 (binary log) 中（这些记录叫做二进制日志事件，binary log events，能够通过 show binlog events 进行查看）
• slave 将 binary log events 拷贝到它的中继日志(relay log)
• slave 重做中继日志中的事件，将扭转反映它本人的数据

架构

server 代表一个 canal 运行实例，对应于一个 jvm
instance 对应一个数据队列，一个 destination，相当于一个数据库实例变更的监听，1 个 server 对应 1 - n 个 instance
instance 模块：

• eventParser (数据源接入，模仿 slave 协定和 master 进行交互，协定解析)
• eventSink (Parser 和 Store 链接器，进行数据过滤，加工，散发的工作)
• eventStore (数据存储)
• metaManager (增量订阅 & 生产信息管理器)

EventParser

1. Connection 获取上一次解析胜利的地位 (如果第一次启动，则获取初始指定的地位或者是以后数据库的 binlog 位点)
2. Connection 建设链接，发送 BINLOG_DUMP 指令
3. Mysql 开始推送 Binaly Log
4. 接管到的 Binaly Log 的通过 Binlog parser 进行协定解析，补充一些特定信息
5. 传递给 EventSink 模块进行数据存储，是一个阻塞操作，直到存储胜利
6. 存储胜利后，定时记录 Binaly Log 地位

EventSink

• 数据过滤：反对通配符的过滤模式，表名，字段内容等
• 数据路由 / 散发：解决 1:n (1 个 parser 对应多个 store 的模式)
• 数据归并：解决 n:1 (多个 parser 对应 1 个 store)
• 数据加工：在进入 store 之前进行额定的解决，比方 join

EventStore

Instance 设计

instance 代表了一个理论运行的数据队列，包含了 EventPaser,EventSink,EventStore 等组件。形象了 CanalInstanceGenerator，次要是思考配置的治理形式：

• manager 形式：提供 http 形式，能够和公司外部 web console/manager 零碎进行对接。
• spring 形式：基于 spring xml + properties 进行定义，通过 spring 配置

Spring 配置

spring 配置的原理是将整个配置形象为两局部：

• xxxx-instance.xml (canal 组件的配置定义，能够在多个 instance 配置中共享，在 canal.properties 中配置)
• xxxx.properties (每个 instance 通道都有各自一份定义，因为每个 mysql 的 ip，帐号，明码等信息不会雷同)

通过 spring 的 PropertyPlaceholderConfigurer 通过机制将其交融，生成一份 instance 实例对象，每个 instance 对应的组件都是互相独立的，互不影响

properties 配置文件

properties 配置分为两局部：

• canal.properties (零碎根配置文件，配置 destinations，注册 IP，启动端口)
• instance.properties (instance 级别的配置文件，每个 instance 一份，配置数据库信息，监听的表)

canal.properties 介绍：
canal 配置次要分为两局部定义：

• instance 列表定义 (列出以后 server 上有多少个 instance，每个 instance 的加载形式是 spring/manager 等)
• common 参数定义，比方能够将 instance.properties 的专用参数，抽取搁置到这里，这样每个 instance 启动的时候就能够共享.【instance.properties 配置定义优先级高于 canal.properties】

canal 如何保护一份增量订阅 & 生产的关系信息：

• 解析位点 (parse 模块会记录，上一次解析 binlog 到了什么地位，对应组件为：CanalLogPositionManager)
• 生产位点 (canal server 在接管了客户端的 ack 后，就会记录客户端提交的最初位点，对应的组件为：CanalMetaManager)

对应的两个位点组件，目前都有几种实现：

• memory

  • memory-instance.xml 中应用，所有的组件 (parser , sink , store) 都抉择了内存版模式，记录位点的都抉择了 memory 模式，重启后又会回到初始位点进行解析
  • 速度最快，依赖起码(不须要 zookeeper)
  • 场景：个别利用在 quickstart，或者是呈现问题后，进行数据分析的场景，不应该将其利用于生产环境
• zookeeper
• mixed

• period：

  • default-instance.xml 中应用，汇合了 zookeeper+memory 模式，store 抉择了内存模式，其余的 parser/sink 依赖的位点治理抉择了长久化模式，目前长久化的形式次要是写入 zookeeper，保证数据集群共享
  • 反对 HA，可用于生产环境，集群化部署

一份 instance.xml 中有一份或者多份 instance 定义，优先以 destination 名字查找对应的 instance bean 定义，如果没有，则按默认的名字“instance”查找 instance 对象, 例如 xxxx-instance.xml 中定义 id 别离为 instance-1, instance-2 的两个 bean. 这两个 bean 将为同名的 instance 提供自定义的 eventParser , evnetSink , evnetStore , metaManager，alarmHandler. 如果没有自定义这些 bean, 就应用 id=”instance” 的 bean 来配置 canal instance.
一份 instance bean 定义，须要蕴含 eventParser , evnetSink , evnetStore , metaManager，alarmHandler 的 5 个模块定义，(alarmHandler 次要是一些报警机制解决，因为简略没开展，可扩大)
instance.xml 设计初衷：
容许进行自定义扩大，比方实现了基于数据库的位点治理后，能够自定义一份本人的 instance.xml，整个 canal 设计中最大的灵活性在于此

HA 模式配置

canal 的 ha 分为两局部：

• canal server: 不同 server 上的 instance 要求同一时间只能有一个处于 running，其余的处于 standby 状态，不然就是对 mysql dump 的反复申请。这里是 instance/destination 级别的负载平衡，而不是 server
• canal client: 为了保障有序性，一份 instance 同一时间只能由一个 canal client 进行 get/ack/rollback 操作，否则客户端接管无奈保障有序。

整个 HA 机制的管制次要是依赖了 zookeeper 的几个个性，watcher 和 EPHEMERAL 节点(和 session 生命周期绑定)

Canal Server:

1. canal server 要启动某个 canal instance 时都先向 zookeeper 进行一次尝试启动判断 (实现：创立 EPHEMERAL 节点，谁创立胜利就容许谁启动)
2. 创立 zookeeper 节点胜利后，对应的 canal server 就启动对应的 canal instance，没有创立胜利的 canal instance 就会处于 standby 状态
3. 一旦 zookeeper 发现 canal server A 创立的节点隐没后，立刻告诉其余的 canal server 再次进行步骤 1 的操作，从新选出一个 canal server 启动 instance.
4. canal client 每次进行 connect 时，会首先向 zookeeper 询问以后是谁启动了 canal instance，而后和其建设链接，一旦链接不可用，会从新尝试 connect.

Canal Client 的形式和 canal server 形式相似，也是利用 zookeeper 的抢占 EPHEMERAL 节点的形式进行管制.

canal 失落数据的状况：

失常状况下，在 canal server/client 挂掉或切换的状况下不会失落数据，因为 zk 会长久化 server 解析 binlog 及 clinet 生产数据的地位，重启时会从新读取。以下状况可能会失落数据：

• zk 保留的元数据被人为批改，如 server 解析 binlog 及 clinet 生产数据的地位
• client 应用 get 办法而非 getWithoutAck，如果 client 生产数据时挂掉，server 会认为这部分数据曾经被生产而失落
• MySQL binlog 非正常运维，比方 binglog 迁徙、重命名、失落等
• 切换 MySQL 源，比方原来基于 M1 实例，起初 M1 因为某种原因生效，那么 Canal 将数据源切换为 M2，而且 M1 和 M2 可能 binlog 数据存在不统一

Canal 性能剖析

• canal 解决数据流程为 master-parse-sink-store-comsume，整个流程中都是单线程、串行、阻塞式的。如果批量 insert、update、delete，都可能导致大量的 binlog 产生，也会加剧 Master 与 slave 之间数据同步的提早。（写入频繁）。
• 如果 client 生产的效力较低，比方每条 event 执行耗时很长。这会导致数据变更的音讯 ACK 较慢，那么对于 Canal 而言也将阻塞 sotre，没有有足够的空间存储新音讯进而梗塞 parse 解析 binlog。
• Canal 自身十分轻量级，次要性能开销就是在 binlog 解析，其转发、存储、提供消费者服务等都很简略。它自身不负责数据存储。原则上，canal 解析效率简直没有负载，canal 的自身的提早，取决于其与 slave 之间的网络 IO。

Canal 导致反复生产

• Canal instance 初始化时，依据“消费者的 Cursor”来确定 binlog 的起始地位，然而 Cursor 在 ZK 中的保留是滞后的（间歇性刷新），所以 Canal instance 取得的起始 position 肯定不会大于消费者实在已见的 position。
• Consumer 端，因为某种原因的 rollback，也可能导致一个 batch 内的所有音讯重发，此时可能导致反复生产。

因而 Consumer 端须要放弃幂等，对于反复数据能够进行校验或者 replace。对于非幂等操作，比方累加、计费，须要谨慎。

destination 的生产问题

一个 destination 无奈被多个 client 间接并行生产，解决方案：

• client 收到音讯当前转发到 kafka 或者 MQ 中，后继的其余 Consumer 只与 kafka 或者 MQ 接入
• 一个 Canal 中应用多个 destination，它们对应雷同的 MySQL 源

参考：
https://github.com/alibaba/canal/wiki/AdminGuide
https://www.bookstack.cn/read/canal-v1.1.4/10a3a22ce51cd92e.md
https://blog.csdn.net/guanfengliang1988/article/details/107357853

对于 canal 设计的一些思考

• 对于 canal 的高可用，通过 zk 保障 server 和 client 同一时间只能有一个节点工作

  • server 能不能依据数据 id 进行分片读取，进步读取数据的性能，相似 kafka 的设计，应该是不能的。因为 parser 向 master 发动 dump 申请失去的是字节流，无奈获取原始数据。那能不能一个 parser 对应多个 sink 再放入 store。没必要，因为 canal 的性能瓶颈在 canal 与数据库的网络 IO，解析及 sink 是很快的。
  • 客户端能不能多个节点同时工作，从一个 destination 生产数据。如果不保证数据胜利生产及有序性是能够的。如果某一 client 生产数据失败，以后 store 的设计（环形构造保留数据）无奈做到回滚。如果一个 destination 分多个队列由 client 生产，只能保证数据部分有序，同时设计简单。

• 以后 store 的数据保留在内存中，是否有必要长久化到文件

  • 相似于 logstash 的数据也是保留在内存中，官网文档说会反对，但没有也能够，因为长久化会影响整体性能，通过 zk 存储 client 的生产地位会保证数据至多被生产一次。
• store 保留的数据受到大小和条数的限度，当达到限度时，sink 会梗塞 parser，不会撑爆内存
• canal 与 logstahs，kafka 的一些比拟

对当前写公共组件的一些启发：

• 反对多种配置形式如配置文件，http，并可动静失效
• 通过协调服务保证系统的高可用
• 裸露服务监控指标至 prometheus
• 获取数据的形式：达到肯定数量或工夫