作者介绍
李猛，Elastic Stack 深度用户，通过 Elastic 工程师认证，2012年接触 Elasticsearch，对 Elastic Stack 技术栈开发、架构、运维等方面有深入体验，实践过多种大中型项目；为企业提供 Elastic Stack 咨询培训以及调优实施；多年实战经验，爱捣腾各种技术产品，擅长大数据，机器学习，系统架构。
序言
前一篇文章 《DB与ES混合之应用系统场景分析探讨》，我们主要探讨了混合场景下的多种模型映射类型，基本覆盖了应用业务系统如何借助Elasticsearch 来解决DB局限性。
下面这篇文章，我们主要解决 DB 到 Elasticsearch 数据实时同步问题。
背景需求
DB与ES本质上是属于不同应用领域的数据库产品，混合应用在一起主要面临2个问题 ：
1、同步实时性，数据在DB更新之后，需要多久才能更新到 Elasticsearch，多久的时间是应用系统可以接受的范围，一般需要控制在1s以内，如果是分钟以上，那这就属于离线同步。
2、数据一致性，数据频繁在DB变更修改，更新到Elasticsearch之后如何保证数据与DB一致，在容许的时间范围内应用系统查询的数据有效的，可接受的，如果变更出现覆盖等，那数据是无效的，应用系统是不可接受的。
同步模式
在数据同步方面，主要有3种同步模式
1、推送模式，数据源将变更数据推送到目标源，如RabbitMQ产品，服务端会主动MQ发送到客户端。
2、拉取模式，目标源定时去数据源拉取变更数据，如Mysql数据库的数据主从同步机制，Slave会去Master拉取变更数据。
3、推拉结合，数据源与目标源之间，既有推送方式，也有拉取方式，此种模式一般会借助于中间媒介实现，如基于Kafka产品的日志应用，数据源（采集端）会将日志数据发送到Kafka集群，目标源会定期的从Kafka拉取数据更新。
技术方案
从技术层面看，DB同步到ES有好多种方式
1、同步双写，更新DB时同步更新ES。此技术方案最简单，附带问题最多，数据冲突，数据覆盖，数据丢失，处处是坑，谨慎选择。
2、异步双写，更新DB之后，记录一条MQ，MQ通知消费端，消费端反向查询DB数据，最后更新到ES。此技术方案与业务系统耦合严重，需要更加业务需求独立编写，且每个业务都需要专门编写相关程序，非常不利于快速响应需求。
3、CDC，全称Change Data Capture，变更数据捕捉，从数据库内部捕捉变更数据，将变更数据推送到中间程序中，中间程序逻辑实现同步推送到ES。CDC机制速度极快，数据精准，且与应用程序耦合少，可抽象脱离业务系统，适合大规模使用。 如图：
CDC机制原有设计是为了同类型数据库之间数据同步，应用在主从同步高可用方面，所以同类型数据库之间数据同步非常容易实现，数据库厂商本身天然支持，经过多年实战验证高效可靠。相反，在异构数据库之间实现数据同步是比较复杂的，数据链路长，中间涉及到的技术点特别多，且每一步都非常关键，下面就以本人所在公司采用的技术栈讲述如何实现，以及一些技术关键点。
案例：MySQL 同步到 Elasticsearch
数据从Mysql同步到Elasticsearch主要涉及到以下几个技术关键点
• Binlog机制
• Canal中间件
• Kakfa中间件
• 同步应用程序（业务型开发成中间件）
Binlog机制
Binlog是Mysql自带功能机制，设计之初是为了数据库之间主从同步
• Master主库，启动Binlog机制，将变更数据写入Binlog文件
• Slave从库，从Master主库拉取binlon数据，回放Binlog，更新从库数据
• 启用Binlog注意以下几点
• Master主库一般会有多台Slave订阅，且Master主库要支持业务系统实时变更操作，服务器资源会有瓶颈
• 需要同步的数据表一定要有主键
Canal中间件
Canal是Mysql的中间件产品，专门应用在数据同步
• 伪装Slave从库，
• 拉取Binlog数据，
• 回放Binlog数据，
• 解析Binlog数据为Json，报文记录了新旧数据，数据库数据表，更新方式
• 输出数据，并保证变更顺序，输出目的源支持很多，常规的一般输出到kafka
• 配置cannl注意以下几点
• Canal基于Jvm运行，数据处理能力不如Mysql，Canal需要配置集群模式。一组Canal集群不能支持太多的事数据库实例。
• 若是数据库做了水平的分库分表 ，原有Canal是不能识别为一类数据源，需要稍微修改部分代码
• 建议Canal订阅的Slave从机，因为Master是业务主库，主库承担的业务系统职责太多
• Binlog日志模式建议启动Gtid，Canal订阅的数据库如果出现故障，需要基于此切换到其他数据库。
• 数据输出到Kafka，若数据库是做了分库分表的，需要修改Canal部分代码。
• 设置Kafka分区键相同，保障相同数据变更顺序。
Kafka中间件
使用Kafka作为中间缓存，主要基于以下几个方面考虑
• 分区特性，Kafka支持分区，并发性能好，数据吞吐能力超过mysql，性能不会成为瓶颈
• 分区顺序存储，Kafka数据存储是有顺序的，设置好主键，保障Binlog变更顺序
• 消费顺序，客户端消费Kafk数据，会基于Offset，按顺序消费，保障Binlog变更顺序
• 消费组，严格意义上讲，Kafka并非熟悉消息队列，应该算消息流，我们在上一篇文中讨论数据模型映射需求，一个数据表可能会映射到多个索引，这就需要设置不同的消费组，保障多个消费组之间不冲突覆盖，同样的变更数据有多次重复消费
同步程序
同步程序当前基于Java自主开发，当前的主流同步工具不能很好支持自定义需求，主要包括两大程序
同步任务调度程序
• 同步调度配置，配置同步任务，配置同步映射关系，DB到ES的映射，Kafka到ES的映射
• 同步调度分配，同步任务操作，启动、停止、重新设置；同步任务分配，指定并行度等。
同步任务执行程序
• 执行任务，将数据从Kafka经过映射写入到Elasticsearch中，主要由4大模块组成
• Kafka模块，拉取消费数据，记录消费位置
• Mapper模块，执行映射过程，数据表与索引映射，表字段与索引字段映射，生成指定的Json格式数据
• Elastic模块，将Mapper生成好的Json数据提交到Elasticsearch中，成功则提交消费记录位置，失败则走另外逻辑
• Schedule模块，基于线程级别维度执行同步任务，支持同步任务启动暂停等操作，实时汇总同步任务的指标数据
数据同步全过程回顾
数据从DB更新到ES，中间经过多个环节，同步模式既有推送，也拉取，且多次结合完成。
• Mysql写入到本地binlog，推送模式
• Canal读取binlog写入Kafka，先是拉取模式，后是推送模式
• Worker同步程序从Kafka读写数据，经过处理写入到Elasticsearch，先是拉取模式，后是推送模式
注意事项
DB到ES实时同步整体项目链路很长，且涉及技术点较多，任意环境都会导致一些问题，有一些特别注意
• DB刷数据问题，由于DB是批量更新，后面几个技术节点会出现部分性能瓶颈
• DB多表关联深度问题，DB多表直接关联最好的关系是1对1，主要ES映射也可以基于主键关联更新，无需反向查询
• ES高级类型限制问题，ES本身支持很多高级数据类型，但这些在同步程序中最好不要使用
遗留问题
项目推进过程中，遇到不少问题，有的已经解决，有的是无法解决，有的会改善解决
• 数据校验，DB数据虽然同步到ES中，但目前是没有有效的方法去校验正确性的，传统的方式校验方式是随机两边查询对比，非常的低效，此处需要探讨更好的数据比对方法，
• 数据修复，当数据发现不正确时需要自动能够修复，但由于数据校验的低效，数据修复的准确性也有待考量
• 技术演进，数据同步程序是自主基于Java开发，但做了很多非业务时间工作，程序大量的工作在调度且涉及很传统，考虑引入Flink平台，由平台负责底层资源掉度，上层只需配置同步映射，当前正在测试中。
结语
经验总结
DB到ES数据实时同步，前后经过的时间很长，经过了好几次的技术方案演进，未来还有很大的优化改进空间。
最终进化到CDC这种方案也是基于已有的经验分享（参考马蜂窝技术博客），设计思路一样，技术实现不一样。
数据同步整体技术实现中间环节很多，任意技术点都需要了解透彻，否则会出现很多致命事故，需要多人团队协作完成。
CDC并非新概念，几乎所有数据库产品都支持，如下：
• Postgresql 有 Logical Decoding
• Sqlserver 有 Change data capture 和 Change Tracking
• Oralce 有 Redo log和 Oralce Golden Gate
• Mongodb 有 Replicate sets
• Elasticsearch 有 Translog
若之后遇到类似数据实时同步需求，优先选择CDC技术方案 ，我们需要更强大的数据实时交换平台，欢迎讨论一起干。
声明：本文由原文作者“李猛”授权转载，对未经许可擅自使用者，保留追究其法律责任的权利。
【阿里云Elastic Stack】100%兼容开源ES，独有9大能力，提供免费X-pack服务（单节点价值$6000）
相关活动
更多折扣活动，请访问阿里云 Elasticsearch 官网
阿里云 Elasticsearch 商业通用版，1核2G ,SSD 20G首月免费
阿里云 Logstash 2核4G首月免费
