引言
点亮 ⭐️ Star · 照亮开源之路
https://github.com/apache/incubator-seatunnel
![在这里插入图片描述]()
为什么说 CDC 是SeaTunnel平台中的一个重要功能特性？今天这篇文章跟大家分享一下 CDC 是什么？目前市面上的 CDC 工具现有的痛点有哪些？SeaTunnel面对这些痛点设计的架构目标是什么？另外包括社区的展望和目前在做的一些事情。
总体来说，市面上已经有这么多 CDC 工具了，我们为什么还要重复去造一个轮子？
带着这个疑问，我先给大家简要介绍下 CDC 是什么！ CDC 的全称是 Change Data Capture，它就是一个数据变更捕获。变更数据捕获 (CDC) 使用 Server 代理来记录应用于表的插入、更新和删除活动。 这样，就可以按易于使用的关系格式提供这些更改的详细信息。 将为修改的行捕获列信息以及将更改应用于目标环境所需的元数据，并将其存储在镜像所跟踪源表的列结构的更改表中。
CDC的使用场景
异构数据库之间的数据同步或备份 / 建立数据分析计算平台
在 MySQL，PostgreSQL，MongoDB 等等数据库之间互相同步数据，或者把这些数据库的数据同步到 Elasticsearch 里以供全文搜索，当然也可以基于 CDC 对数据库进行备份。而数据分析系统可以通过订阅感兴趣的数据表的变更，来获取所需要的分析数据进行处理，不需要把分析流程嵌入到已有系统中，以实现解耦。
微服务之间共享数据状态
在微服务大行其道的今日，微服务之间信息共享一直比较复杂，CDC 也是一种可能的解决方案，微服务可以通过 CDC 来获取其他微服务数据库的变更，从而获取数据的状态更新，执行自己相应的逻辑。
更新缓存 / CQRS 的 Query 视图更新
通常缓存更新都比较难搞，可以通过 CDC 来获取数据库的数据更新事件，从而控制对缓存的刷新或失效。
而 CQRS 是什么又是一个很大的话题，简单来讲，你可以把 CQRS 理解为一种高配版的读写分离的设计模式。举个例子，我们前面讲了可以利用 CDC 将 MySQL 的数据同步到 Elasticsearch 中以供搜索，在这样的架构里，所有的查询都用 ES 来查，但在想修改数据时，并不直接修改 ES 里的数据，而是修改上游的 MySQL 数据，使之产生数据更新事件，事件被消费者消费来更新 ES 中的数据，这就基本上是一种 CQRS 模式。而在其他 CQRS 的系统中，也可以利用类似的方式来更新查询视图。
现有CDC组件
| 开源组件 |
Canal |
Debezium |
Flink CDC |
| 支持数据库 |
仅支持MySQL |
支持MySQL、Postgre SQL、Oracle 等 |
支持MySQL、Postgre SQL、Oracle 等 |
| 同步历史数据 |
不支持 |
单并行锁表 |
多并行无锁 |
| 输出端 |
Kafka、RocketMQ |
Kafka |
Flink Connector |
Canal
数据库它仅支持MySQL，不支持同步历史数据，只能同步增量数据，输出端除了支持 canal client/adapter（适配工作量很大），还支持了的Kafka 和 RocketMQ。
Debezium
支持的数据库比较多，不仅支持MySQL，PG，Oracle，还支持其它 Mongo DB 等数据库，同时支持同步历史数据，不过历史数据读取方式是：一个快照读整个表，如果你表很大，就会像sqoop一样读特别久。如果中途失败了，需要从头开始读，这样会出现一些问题。而且输出端上支持的就更加少，仅仅支持通过 Kafka 输出。
Flink CDC
Flink CDC 和前两个定位上就不一样。它实际就是 Flink 生态的 connector，就是连接器组。目前也支持比较多的数据库，像 MySQL PG，Oracle， Mongo 这些数据库都是支持的。
相对于前面的开源组件，它持一个多边形无锁的算法。当然它也是参考到 Netflix DBLog 的无锁算法。因为它是基于 Flink 生态的，所以它输出端就比较多。只要是 Flink 生态有的connector，支持Upsert的Connector都是可以使用的。当然它也会存在很多问题，这个问题就是后面我会提到的。
现有组件存在的痛点
单表配置
如果用过Flink CDC 的朋友就会发现，我们需要对每一个表进行配置。比如我们想同步 10 张表，就要写 10 个 source 的SQL， 10 个 sink 的 SQL，如果你要进行 transform，就还要写 transform 的 SQL 。
这个情况下，小数量的表手写还可以应付，如果数量大可能就出现类型映射错误的问题，或者参数配置错误的问题，就会产生很高的运维成本（配置麻烦）。而 Apache SeaTunnel 定位就是一个简单易用的数据集成平台，我们期望解决这个问题。
不支持 Schema Evolution
支不支持 schema 的变更。实际上像Flink CDC 和 Debezium，两者支持 DDL 事件发送，但是不支持发送到Sink，让 Sink 做同步变更。或者 Fink CDC能拿到事件，但是无法发送到引擎中，因为引擎不能基于 DDL 事件去变更 transform 的 Type information ，Sink 没办法跟着 DDL 事件进行变更。
持有链接过多
如果有 100 张表，因为 Flink CDC 只支持一个 source 去同步一张表，每一张表都会使用一个链接，当表多的时候，使用的链接就特别多，就会对源头的 JDBC 数据库造成了很大的连接压力，并且会持有特别多的Binlog，也会像 worker 这种，也还会造成重复的日志解析。
SeaTunnel CDC架构目标
SeaTunnel CDC是基于市面上现有的 CDC 组件的优缺点，以及相关痛点问题做的架构设计。
- 支持基础的CDC
- 支持无锁并行快照历史数据
- 支持日志心跳检测和动态加表
- 支持分库分表和多结构表读取
- 支持Schema evolution
支持增量日志的读取，还至少要能够支持无锁并行快照历史数据的能力。
我们期望能够减少用户的运维成本，能够动态的加表，比如有时候想同步整个库，后面新增了一张表，你不需要手动去维护，可以不用再去改Job配置，也不用停止Job再重启一遍，这样就会减少很多麻烦。
支持分库分表和多结构表的读取，其实这也是我们最开始提到的每个表单独配置的问题。并且还支持 Schema evolution， DDL 的传输，还有在引擎中能支持 schema evolution 的变更，能够变更到 Transform 和 Sink 上面去。
CDC 基本流程
![在这里插入图片描述]()
CDC基础流程包含:
快照阶段：用于读取表的历史数据
增量阶段：用于读取表的增量日志更改数据
快照阶段
![在这里插入图片描述]()
枚举器生成一个表的多个 SnapshotSplit，并将它们分配给 reader。
// pseudo-code.
public class SnapshotSplit implements SourceSplit {
private final String splitId;
private final TableId tableId;
private final SeaTunnelRowType splitKeyType;
private final Object splitStart;
private final Object splitEnd;
}
当 SnapshotSplit 读取完成时，读取器将拆分的高水位线报告给枚举器。当所有 SnapshotSplit 都报告高水位线时，枚举器开始增量阶段。
// pseudo-code.
public class CompletedSnapshotSplitReportEvent implements SourceEvent {
private final String splitId;
private final Offset highWatermark;
}
快照阶段 - SnapshotSplit 读取流程
![在这里插入图片描述]()
有4个步骤：
- 日志低水位线：读取快照数据前获取当前日志偏移量。
- 读取 SnapshotSplit 数据：读取属于split 的数据范围，这里分为两种情况
-
案例1：步骤1&2不能原子化（MySQL）
因为我们不能加表锁，也不能加基于低水位线的区间锁，所以第 1 步和第 2 步不是孤立的。
exactly-once：使用内存表保存历史数据 & 过滤日志数据从低水位线到高水位线
At-least-once：直接输出数据并使用低水位线而不是高水位线
案例 2：步骤 1 和 2 可以原子化（Oracle）
可以使用 for scn 来保证两步的原子化
Exactly-Once：直接输出数据并使用低水位线而不用去获取高水位线
- 加载高水位线数据：
- 步骤 2 中案例 1 & Exactly-Once：读取快照数据后获取当前日志偏移量。
- 其他：使用低水位线代替高水位线
- 如果高水位线>低水位线，读取范围日志数据
快照阶段—MySQL Snapshot Read & Exactly-once
![在这里插入图片描述]()
因为我们无法确定查询语句在高低水位之间执行的位置，为了保证数据的 exactly-once，我们需要使用内存表来临时保存数据。
- 日志低水位线：读取快照数据前获取当前日志偏移量。
- 读取 SnapshotSplit 数据：读取属于 split 的范围数据，写入内存表。
- 日志高水位线：读取快照数据后获取当前日志偏移量。
- 读取范围日志数据：读取日志数据并写入内存表
- 输出内存表的数据，释放内存使用量。
增量阶段
![在这里插入图片描述]()
当所有快照拆分报告水位时，开始增量阶段。
结合所有快照拆分和水位信息，获得 LogSplits。
我们希望最小化日志连接的数量：
- 增量阶段默认只有一个 reader 工作，用户也可以根据需求去配置选项指定数量（不能超过 reader 数量）
- 一个 reader 最多获得一个连接
// pseudo-code.
public class LogSplit implements SourceSplit {
private final String splitId;
/**
* All the tables that this log split needs to capture.
*/
private final List<TableId> tableIds;
/**
* Minimum watermark for SnapshotSplits for all tables in this LogSplit
*/
private final Offset startingOffset;
/**
* Obtained by configuration, may not end
*/
private final Offset endingOffset;
/**
* SnapshotSplit information for all tables in this LogSplit.
* </br> Used to support Exactly-Once.
*/
private final List<CompletedSnapshotSplitInfo> completedSnapshotSplitInfos;
/**
* Maximum watermark in SnapshotSplits per table.
* </br> Used to delete information in completedSnapshotSplitInfos, reducing state size.
* </br> Used to support Exactly-Once.
*/
private final Map<TableId, Offset> tableWatermarks;
}
// pseudo-code.
public class CompletedSnapshotSplitInfo implements Serializable {
private final String splitId;
private final TableId tableId;
private final SeaTunnelRowType splitKeyType;
private final Object splitStart;
private final Object splitEnd;
private final Offset watermark;
}
![在这里插入图片描述]()
Exactly-Once：
- 阶段 1：在水印数据之前使用 completedSnapshotSplitInfos 过滤器。
- 阶段2：表不再需要过滤，在 completedSnapshotSplitInfos 中删除属于该表的数据，因为后面的数据需要处理。
At-Least-Once：无需过滤数据，且 completedSnapshotSplitInfos 不需要任何数据
动态发现新表
![在这里插入图片描述]()
场景 1：发现新表时，枚举器处于快照阶段，直接分配新的 split。
场景 2：发现新表时，枚举器处于增量阶段。
在增量阶段动态发现新表。
- 暂停 LogSplit reader。
- Reader 暂停运行。
- Reader 报告当前日志偏移量。
- 将 SnapshotSplit 分配给阅读器。
- Reader 执行快照阶段读取。
- Reader 报告所有 SnapshotSplit 水位。
- 为 Reader 分配一个新的 LogSplit。
- Reader 再次开始增量读取并向枚举器确认。
多结构表同步
多结构表是为了解决连接器实例过多，配置过于复杂的问题。比如你只需要去配表的一个正则，或者配多个表名，不需要对每一个表去做配置。
![在这里插入图片描述]()
- 优点：占用数据库连接少，减少数据库压力
- 缺点：在 SeaTunnel Engine 中，多个表会在一个管道中，容错的粒度会变大。
这个特性允许Source支持读取多个结构表，再使用侧流输出与单表流保持一致。Sink 如果也去支持多表，可能涉及改动比较多。所以第一阶段的目标只是让 Source 去支持多结构表，这里配置的逻辑可能会和原来的不一样，会通过 catalog 去读每一个 config 里面到底配了哪些表，再把表塞到 Source Connector 中，这里多表结构的 API 已经在 SeaTunnel 的 API 之中，但是还没有做相关的适配。
SeaTunnel CDC现状
目前开发完成的是 CDC 的基础能力，能够支持增量阶段和快照阶段， MySQL 也已经支持了，支持实时和离线。 MySQL 实时已经测试完成了，离线的测试还没有完成。 Schema 因为要涉及到Transfrom 和Sink 的变更，目前还没有支持的。动态发现新表还没有支持，多结构表目前已经预留了一些接口出来，但是适配的工作量比较大，可能等到 2023 年 Q1 季度可能会做这个事情。
Apache SeaTunnel 展望
作为一个Apache 孵化项目，Apache SeaTunnel 社区迅速发展，在接下来的社区规划中，主要有四个方向：
Apache SeaTunnel
Apache SeaTunnel(Incubating) 是一个分布式、高性能、易扩展、用于海量数据（离线 & 实时）同步和转化的数据集成平台
仓库地址： https://github.com/apache/incubator-seatunnel
网址：https://seatunnel.apache.org/
Proposal：https://cwiki.apache.org/confluence/display/INCUBATOR/SeaTunnelPro
Apache SeaTunnel (Incubating) 下载地址：https://seatunnel.apache.org/download
衷心欢迎更多人加入！
我们相信，在 「Community Over Code」（社区大于代码）、「Open and Cooperation」（开放协作）、「Meritocracy」（精英管理）、以及「** 多样性与共识决策」** 等 The Apache Way 的指引下，我们将迎来更加多元化和包容的社区生态，共建开源精神带来的技术进步！
我们诚邀各位有志于让本土开源立足全球的伙伴加入 SeaTunnel 贡献者大家庭，一起共建开源！
提交问题和建议：https://github.com/apache/incubator-seatunnel/issues
贡献代码：https://github.com/apache/incubator-seatunnel/pulls
订阅社区开发邮件列表 : dev-subscribe@seatunnel.apache.org
** 开发邮件列表：**dev@seatunnel.apache.org
加入 Slack:https://join.slack.com/t/apacheseatunnel/shared_invite/zt-1cmonqu2q-ljomD6bY1PQ~oOzfbxxXWQ
关注 Twitter: https://twitter.com/ASFSeaTunnel
