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： 
3. 报告issue：issues