Flink CDC + OceanBase 全增量一体化数据集成方案
问题导读：1、什么是OceanBase？
2、OceanBase 的核心特性有哪些？
3、下游消费端有哪三类？
4、Flink CDC + OceanBase如何结合使用？
一、OceanBase 介绍
OceanBase 是蚂蚁集团自研的分布式数据库。从 10 年开始立项并研发迭代，最早的用户是淘宝的收藏夹。14 年，OceanBase 研发团队从淘宝迁移至蚂蚁集团，主要负责支持支付宝内部的去 IOE 工作，即替换支付宝所用的 Oracle 数据库。目前，蚂蚁集团数据库已经全部迁移到 OceanBase。2021 年 6 月 1 号，OceanBase 正式地对外开源，开放了 MySQL 兼容的版本。
OceanBase 数据库经历了三代架构升级，从最初应用于电商的分布式存储系统，到后面通用的分布式数据库，再到如今企业级的分布式数据库。
上图展示了 OceanBase 的架构。
最上层的 App 通过 OBProxy（负载均衡代理）访问 OceanBase 数据库的 server 端， server 端的数据存在多个副本，副本之间的关系类似于数据库架构中的主从关系，但它是表级别的，即分区表的分区是以表级别为单位存在多个副本，然后打散存在于多个 server 中。
OceanBase 的架构具有以下几个特点：
[*] 无共享架构：每个节点均有自己完整的 SQL 引擎、存储引擎和事务处理逻辑，节点之间完全对等，不存在分层结构。
[*] 分区级可用性：提供分区级的可用性。在 OceanBase 数据库中，分区是可靠性和扩展性的基本单元，实现了访问路由、负载均衡以及自动故障恢复。
[*] 高可用 + 强一致性：由于数据存在多个副本，多个副本之间通过 Paxos 的一致性协议来提供高可靠性，并且确保日志的持久化在多数派节点成功。
OceanBase 的核心特性有以下六点：
[*] 高可用：基于 Paxos 协议，强一致性。少数副本故障，数据不丢，服务不停。
[*] 高扩展：支持在线水平扩展、缩容，且各个节点之间可以自动实现负载均衡。
[*] 高兼容：社区版提供了 MySQL 协议和语法的兼容。
[*] 低成本：OceanBase 数据库存储的使用成本约为 MySQL 的 1/3 左右。因为其对硬件品质要求较低，且对存储进行了非常多的优化，“存储压缩比” 极致。
[*] 多租户：租户之间的资源完全隔离，不同业务方只需在自己的租户中进行数据管理，可以节省一定的成本。
[*] HTAP：在一套引擎中同时实现了 OLTP 和 OLAP 的功能。
二、Flink CDC OceanBase Connector
实现原理
当前主流的 CDC 实现方式主要是借助于数据库的日志，获取到数据库的增量日志之后，要确保它的有序性和完整性，再针对这些日志做处理，然后写入到目的端，比如数仓或查询引擎。
OceanBase 对于增量数据的获取提供了一些组件。因其本身是分布式数据库，那么它的数据在落到日志时也是分散状态。它提供了一个 obcdc 组件用于获取数据库日志。它会与 OceanBase server 端通过 RPC 进行交互，拉取到原始的日志信息。经过一定的处理后，可以吐出有序的日志流，下游再通过接入 obcdc 组件消费有序的日志流。
目前主要的下游消费端有三类：
[*] oblogproxy：开源组件，消费日志流的服务， Flink CDC 依赖于此组件来实现增量的数据拉取。
[*] OMS store：OceanBase 对外提供的数据迁移服务。商业版的 OMS 已经迭代了很多版本，支持很多数据源。去年，OMS 提供了社区版的支持，主要支持了 OceanBase 的社区版以及 MySQL 两种数据源。
[*] JNI client：可以通过 JNI 的日志客户端直接使用 obcdc 与 OBSserver 进行交互拉取增量日志，正在开源计划中。
目前开源社区提供的 OceanBase CDC 组件主要有两个：
[*] OceanBase Canal：Canal 是阿里巴巴对外开源的 MySQL 增量日志拉取工具。OceanBase 社区基于开源版的 Canal 最新代码，增加了对于 OceanBase 增量日志的拉取解析能力。
[*] Flink CDC：通过 oblogproxy 使用 obcdc，从 OceanBase 拉到增量日志之后通过另外的开源组件 logproxy-client 消费增量日志，并进行处理。
上图左下角是动态表的定义方式，数据流在 Flink 中会通过动态表的形式转化成表。只有转化成一张表，才能对其进行 SQL 操作。之后由 Continuous Queries 对不断增长的流式表进行 query，获取到的数据依然是表结构，再将其转化成流数据发往下游。
上图展示了 Flink CDC 的实现原理。
Flink CDC Connector 只做对源端数据的读取，即只负责将数据从数据源读到 Flink 引擎。
当前的 Flink CDC Connector 主要分为以下三类：
[*] MySqlSource：实现了最新的 source 接口以及并发读取。
[*] DebeziumSourceFunction：基于 Debezium 实现了 SourceFunction，支持旧版 MySQL、Oracle、MongoDB、SqlServer、PostgreSQL。
[*] OceanBaseSourceFunction：实现了 SourceFunction 接口，分别基于 JDBC 和 logproxy-cilent 实现了全量和增量读取。
上图展示了 Flink CDC OceanBase Connector 的数据路径。
增量数据首先通过 logproxy 进行拉取， logproxy-client 会监听到增量日志的数据流，数据流进入到 Flink CDC 之后通过 Flink CDC 的处理逻辑写入到 Flink 。全量数据通过 JDBC 进行拉取。
当前 Flink CDC OceanBase Connector 支持的能力，主要受限于 logproxy，目前能够支持从指定时间拉取数据。但由于 OceanBase 是分布式数据库，无法精确地找到日志增量数据的起点，而通过时间戳来指定可能会存在一些重复数据。
在全量阶段，又因为 OceanBase 社区版没有表锁，因此全量数据的读取也无法通过加锁来确定数据边界。
基于以上两方面的考虑，目前暂时只支持 at-least-once 工作模式，还未实现 exactly-onece。
三、Flink CDC + OceanBase
应用场景
场景1：基于分库分表的数据集成
Flink CDC 是全增量一体化， OceanBase Connector 对数据表的读取支持正则匹配。针对分库分表的一些场景，可以通过 OceanBase Connector 创建动态表来读取数据源的数据，然后写入到一张表中，实现表数据的汇聚。
场景2：跨集群/租户的数据集成
OceanBase 是多租户系统，目前对于社区版的 MySQL 租户还未实现跨租户的访问能力。因此，如果需要读取跨租户的数据，还需通过多个数据库的连接来实现分别读取。而 Flink CDC 天然适合这项工作，相当于每个租户都对应一个动态表来做数据源读取的通道，然后在 Flink 中汇聚。
场景3：多种数据源的数据集成
可以对不同种类数据源进行数据汇聚，对于 MySQL、TiDB 等与 MySQL 协议兼容的数据源的集成，因为数据格式是一样的，基本不存在改动成本。
场景4：搭建 OLAP 应用
OceanBase 是 HTAP 数据库，不仅 TP 能力强，还能够作为数仓来使用。Flink 中的 JDBC connector 支持写入数据到兼容 MySQL 协议的数据库，因此可以通过使用 Flink CDC 来读取源端数据，再将这些数据通过 Flink JDBC connector 写入到 OceanBase 中，将 OceanBase 当作目标端来使用。
目前，OceanBase 提供了 SQL、Table API 和 HBase API 三种数据使用方式，所有使用方式所需组件都已开源。
四、OceanBase Connector 未来展望
上图列出了 OceanBase CDC 方案现状。
OMS 社区版：它是 OMS 商业版的功能子集，但是没有开源。作为白屏工具，其操作友好，且全增量一体化，附带数据校验和运维的能力。它的不足在于部署流程稍显繁琐，只对 MySQL 和 OceanBase 社区版两种数据源做了支持，且不支持增量 DDL。
DataX + Canal/Otter：它是开源方案，通过 DataX + Canal/Otter 做数据迁移工作。Otter 是 Canal 的父项目，主要针对异地多活，能够支持双向数据同步，其增量数据读取基于 Canal 。此方案的优势在于支持多种目的端，对 HBase、ES 以及关型数据库 RDB 都提供了支持；不足之处在于，Canal 和 Otter 做增量，DataX 做全量，增量和全量分开的方式比较割裂，衔接部分会出现数据冗余。
Flink CDC：纯开源方案，社区活跃，且社区用户增长速度快，支持多种源端和目的端，全增量一体化。同时，Flink 作为非常优秀的大数据处理引擎，可以做 ETL。其不足之处在于，OceanBase Connector 目前不支持增量 DDL，以及没有实现 exactly-once ，因此增量和全量的重叠部分可能存在数据冗余。
未来，我们首先会优化数据读取。对全量部分做并行化处理，使用新的 source 接口的并行化处理框架；增量部分，跳过 logproxy 服务，直接从 OceanBase 数据库拉取增量数据，即通过 JNI client 使用 obcdc 组件直接拉取数据。
其次，丰富功能特性。目前 Flink CDC 只支持社区版 OceanBase ，而 OceanBase 社区版和企业版在增量日志读取方面使用的组件完全一样，因此只需较小改动即可支持企业版的增量读取；支持增量 DDL、exactly-once 模式以及限速。
最后，提高代码质量。首先会增加端到端的测试；格式转化部分，使用 runtime converter 代替 JdbcValueConverters，提高性能；实现对新版 source 接口（并行处理框架）的支持。
作者：王赫
来源：https://mp.weixin.qq.com/s/XjDeGVubbPugWZ6ad4q6Lg
最新经典文章，欢迎关注公众号http://www.aboutyun.com/data/attachment/forum/201903/18/215536lzpn7n3u7m7u90vm.jpg
感谢分享
页:
[1]