使用DynamoShake从dynamodb迁移到mongodb

去年和今年年初，我们开源了MongoShake和RedisShake分别用于MongoDB和Redis的迁移、同步、备份等多种需求。最近，我们的shake系列又进一步壮大，我们推出了一款dynamodb迁移的工具：dynamo-shake（又名nimo-shake）。目前支持从dynamodb迁移到MongoDB，后续我们还会考虑支持多种通道，比如直接文件备份、迁移至kafka，或者迁移到别的数据库如cassandra，redis等。
github地址：https://github.com/alibaba/nimoshake。里面可以找到下载的链接。

DynamoShake基本功能

DynamoDB支持全量和增量的同步，进程启动后会先进行全量同步，全量同步结束后进入增量同步的阶段。
全量同步分为数据同步和索引同步两部分，数据同步用于同步数据，数据同步结束后将会进行索引的同步，索引同步会同步默认的primary key，用户自建的索引GSI如果MongoDB是副本集支持，集群版目前暂时不支持同步。
增量同步只同步数据，不同步增量同步过程中产生的索引。
此外，全量和增量同步阶段不支持对原来的库表进行DDL操作，比如删表，建表，建索引等。

断点续传

全量同步不支持断点续传功能，增量同步支持断点续传，也就是说如果增量断开了，一定时间内恢复是可以只进行增量的断点续传。但在某些情况下，比如断开的时间过久，或者之前的位点（参考下文）丢失，那么都会导致重新触发全量同步。

同步数据

所有源端的表会写入到目的的一个库（默认是dynamo-shake）的不同表中，比如用户有table1，table2，那么同步完后，目的端会有个dynamo-shake的库，库里面有table1和table2的表。
在原生的dynamodb中，协议是包裹了一层类型字段，其格式是“key: type: value”格式，例如用户插入了一条{hello: 1}，那么dynamodb接口获取的数据是{"hello": {"N": 1}}的格式。
Dynamo所有的数据类型：

• String
• Binary
• Number
• StringSet
• NumberSet
• BinarySet
• Map
• List
• Boolean
• Null

那么我们提供2种转换方式，raw和change，其中raw就是按照裸的dynamodb接口获取的数据写入：

rszz-4.0-2:PRIMARY> use dynamo-shake
switched to db dynamo-shake
rszz-4.0-2:PRIMARY> db.zhuzhao.find()
{ "_id" : ObjectId("5d43f8f8c51d73b1ba2cd845"), "aaa" : { "L" : [ { "S" : "aa1" }, { "N" : "1234" } ] }, "hello_world" : { "S" : "f2" } }
{ "_id" : ObjectId("5d43f8f8c51d73b1ba2cd847"), "aaa" : { "N" : "222" }, "qqq" : { "SS" : [ "h1", "h2" ] }, "hello_world" : { "S" : "yyyyyyyyyyy" }, "test" : { "S" : "aaa" } }
{ "_id" : ObjectId("5d43f8f8c51d73b1ba2cd849"), "aaa" : { "L" : [ { "N" : "0" }, { "N" : "1" }, { "N" : "2" } ] }, "hello_world" : { "S" : "测试中文" } }

change表示剥离类型字段：

rszz-4.0-2:PRIMARY> use dynamo-shake
switched to db dynamo-shake
rszz-4.0-2:PRIMARY> db.zhuzhao.find()
{ "_id" : ObjectId("5d43f8f8c51d73b1ba2cd845"), "aaa" : [ "aa1", 1234 ] , "hello_world" : "f2" }
{ "_id" : ObjectId("5d43f8f8c51d73b1ba2cd847"), "aaa" : 222, "qqq" : [ "h1", "h2" ] , "hello_world" : "yyyyyyyyyyy", "test" : "aaa" }
{ "_id" : ObjectId("5d43f8f8c51d73b1ba2cd849"), "aaa" : [ 0, 1, 2 ], "hello_world" : "测试中文" }

用户可以根据自己的需求制定自己的同步类型。

位点

增量的断点续传是根据位点来实现的，默认的位点是写入到目的MongoDB中，库名是dynamo-shake-checkpoint。每个表都会记录一个checkpoint的表，同样还会有一个status_table表记录当前是全量同步还是增量同步阶段。

rszz-4.0-2:PRIMARY> use dynamo-shake42-checkpoint
switched to db dynamo-shake42-checkpoint
rszz-4.0-2:PRIMARY> show collections
status_table
zz_incr0
zz_incr1
rszz-4.0-2:PRIMARY>
rszz-4.0-2:PRIMARY>
rszz-4.0-2:PRIMARY> db.status_table.find()
{ "_id" : ObjectId("5d6e0ef77e592206a8c86bfd"), "key" : "status_key", "status_value" : "incr_sync" }
rszz-4.0-2:PRIMARY> db.zz_incr0.find()
{ "_id" : ObjectId("5d6e0ef17e592206a8c8643a"), "shard_id" : "shardId-00000001567391596311-61ca009c", "father_id" : "shardId-00000001567375527511-6a3ba193", "seq_num" : "", "status" : "no need to process", "worker_id" : "unknown-worker", "iterator_type" : "AT_SEQUENCE_NUMBER", "shard_it" : "", "update_date" : "" }
{ "_id" : ObjectId("5d6e0ef17e592206a8c8644c"), "shard_id" : "shardId-00000001567406847810-f5b6578b", "father_id" : "shardId-00000001567391596311-61ca009c", "seq_num" : "", "status" : "no need to process", "worker_id" : "unknown-worker", "iterator_type" : "AT_SEQUENCE_NUMBER", "shard_it" : "", "update_date" : "" }
{ "_id" : ObjectId("5d6e0ef17e592206a8c86456"), "shard_id" : "shardId-00000001567422218995-fe7104bc", "father_id" : "shardId-00000001567406847810-f5b6578b", "seq_num" : "", "status" : "no need to process", "worker_id" : "unknown-worker", "iterator_type" : "AT_SEQUENCE_NUMBER", "shard_it" : "", "update_date" : "" }
{ "_id" : ObjectId("5d6e0ef17e592206a8c86460"), "shard_id" : "shardId-00000001567438304561-d3dc6f28", "father_id" : "shardId-00000001567422218995-fe7104bc", "seq_num" : "", "status" : "no need to process", "worker_id" : "unknown-worker", "iterator_type" : "AT_SEQUENCE_NUMBER", "shard_it" : "", "update_date" : "" }
{ "_id" : ObjectId("5d6e0ef17e592206a8c8646a"), "shard_id" : "shardId-00000001567452243581-ed601f96", "father_id" : "shardId-00000001567438304561-d3dc6f28", "seq_num" : "", "status" : "no need to process", "worker_id" : "unknown-worker", "iterator_type" : "AT_SEQUENCE_NUMBER", "shard_it" : "", "update_date" : "" }
{ "_id" : ObjectId("5d6e0ef17e592206a8c86474"), "shard_id" : "shardId-00000001567466737539-cc721900", "father_id" : "shardId-00000001567452243581-ed601f96", "seq_num" : "", "status" : "no need to process", "worker_id" : "unknown-worker", "iterator_type" : "AT_SEQUENCE_NUMBER", "shard_it" : "", "update_date" : "" }
{ "_id" : ObjectId("5d6e0ef27e592206a8c8647e"), "shard_id" : "shardId-00000001567481807517-935745a3", "father_id" : "shardId-00000001567466737539-cc721900", "seq_num" : "", "status" : "done", "worker_id" : "unknown-worker", "iterator_type" : "LATEST", "shard_it" : "arn:aws:dynamodb:us-east-2:240770237302:table/zz_incr0/stream/2019-08-27T08:23:51.043|1|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", "update_date" : "" }
{ "_id" : ObjectId("5d6e1d807e592206a8c9a102"), "shard_id" : "shardId-00000001567497561747-03819eba", "father_id" : "shardId-00000001567481807517-935745a3", "seq_num" : "39136900000000000325557205", "status" : "in processing", "worker_id" : "unknown", "iterator_type" : "AT_SEQUENCE_NUMBER", "shard_it" : "arn:aws:dynamodb:us-east-2:240770237302:table/zz_incr0/stream/2019-08-27T08:23:51.043|1|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", "update_date" : "" }

其中status_table表中"status_value" : "incr_sync"表示进入了增量阶段。增量的每个shard都会记录一个checkpoint，关于具体shard分裂的规则可以参考dynamodb的guan'fa官方文档。下面是增量表checkpoint的各个字段的说明：

• _id：mongodb自带主键id
• shard_id：shard的id，每个shard有一个唯一的id
• father_id：父shard的id，shard可能有一个父shard。
• seq_num: 目前处理到的shard内部的sequence number，这个是主要的位点信息。

• status: 目前同步的阶段，一共有以下几个状态：

  • "not process": 未处理
  • "no need to process"： 没有必要处理
  • "prepare stage"：准备处理
  • "in processing": 处理中
  • "wait father finish"：等待父节点处理完毕再进行处理
  • "done"： 处理完毕
• worker_id：处理的worker id，目前暂未启用
• iterator_type：shard的遍历方式
• shard_it：shard的迭代器地址，次要位点信息。
• update_date：checkpoint更新的时间戳

索引

根据默认的primary key创建一个唯一索引，并且根据partition key创建shard key。用户自己的索引gsi目前不进行创建。

DynamoShake内部架构

本小节主要介绍DynamoShake的部分架构细节

全量同步

下图是基本的一个table的数据同步架构图（dynamo-shake会启动多个并发线程tableSyncer进行拉取，用户可控并发度），fetcher线程从源端dynamodb拉取数据后将数据推入队列，紧接着parser线程从队列中拿取数据并进行解析（dynamo协议转bson），executor负责聚合部分数据并写入mongodb。

• fetcher。目前fetcher线程只有1个，用的是协议转换驱动是aws提供的driver。fetcher的原理是调用driver进行批量抓取源库的数据，抓到了就塞入队列中，直到抓完当前table的所有数据。fetcher单独分离出来主要是出于网络IO考虑的，目前拉取受网络影响，会比较慢。
• parser。parser可以启动多个，默认目前是2个，用户可以通过FullDocumentParser进行控制。其主要就是从队列中读取数据，并解析成bson结构。parser解析后，数据按条写入executor的队列。parser线程单独独立出来主要是出于解析比较耗CPU资源考虑。
• executor。executor也可以启动多个，默认目前是4个，用户可以通过FullDocumentConcurrency进行控制。executor从队列中拉取，并进行batch聚合（聚合上限16MB，总条数1024）后写入目的mongodb。
  当前所有表的数据写入完后，tableSyncer将会退出。

增量同步

增量整体架构如下：

Fetcher线程负责感知stream中shard的变化，Manager负责进行消息的通知，或者创建新的Dispatcher进行消息的处理，一个shard对应一个Dispatcher。Dispatcher从源端拉取增量数据，并通过Batcher进行数据解析和打包整合，然后通过executor进行写入到MongoDB，同时会更新checkpoint。另外，如果是断点续传，那么Dispatcher会从旧的checkpoint位点开始拉取，而不是从头开始拉。

DynamoShake的使用

启动：./dynamo-shake -conf=dynamo-shake.conf，配置参数在dynamo-shake.conf中指定，以下是各个参数的意义：

• id: 修改会影响MongoDB上目的库的名字
• log.file：日志文件，不配置将打印到标准输出
• log.level: log级别。推荐默认。
• log.buffer: 打印是否带缓存。推荐默认。
• system_profile：打印内部堆栈的端口号。推荐默认。
• http_profile：暂未启用
• sync_mode：同步模式，all表示全量+增量，full表示仅全量，incr表示仅增量（目前不支持）
• source.access_key_id: dynamodb连接配置参数
• source.secret_access_key: dynamodb连接配置参数
• source.session_token: dynamodb连接配置参数，没有可以留空
• source.region: dynamodb连接配置参数
• filter.collection.white：过滤白名单，只同步指定的表
• filter.collection.black：过滤黑名单，不通过指定的表。
• qps.full：全量阶段限速，1秒钟发送多少个请求
• qps.full.batch_num：全量阶段限速，1个请求最多包括多少个item。
• qps.incr：增量阶段限速，1秒钟发送多少个请求
• qps.incr.batch_num：增量阶段限速，1个请求最多包括多少个item。
• target.type：目的端配置，目前仅支持mongodb
• target.address: 目的端mongodb的连接串地址。
• target.mongodb.type: mongodb是replica还是sharding
• target.mongodb.exist：如果目的库同名表存在，执行什么行为。drop表示删除，rename表示重命名，留空表示不处理。
• full.concurrency：全量同步的线程个数，1个线程对应1个表
• full.document.concurrency：全量同步1个表内的并发个数。
• full.document.parser：1个表内parser线程的个数
• full.enable_index.primary：是否同步dynamodb的primary key。
• full.enable_index.user：是否同步用户自建的索引，目前不支持
• convert.type：写入的模式，raw表示裸写入, change表示解析类型字段后写入，参考上述文档。
• increase.concurrency：增量同步并发参数，1次最多抓取的shard个数
• checkpoint.address = checkpont的存储地址，默认不配置与目的库一致。
• checkpoint.db = checkpoint写入的db的名字，默认是$db-checkpoint。

DynamoFullCheck

DynamoFullCheck是一个用于校验DynamoDB和MongoDB数据是否一致的工具，目前仅支持全量校验，不支持增量，也就是说，如果增量同步阶段，那么源和目的是不一致的。
DynamoFullCheck只支持单向校验，也就是校验DynamoDB的数据是否是MongoDB的子集，反向不进行校验。
另外，还支持抽样校验，支持只校验感兴趣的表。
校验主要分为以下几部分：

• 轮廓校验。首先，校验两边的表中数目是否一致；接着，校验索引是否一致（目前没做索引校验）。注意，如果表中数目不一致，将会直接退出，不会进行后续的校验。
• 精确校验。精确校验数据，原理是从源端拉取数据并解析，如果有唯一索引，那么根据唯一索引查找MongoDB的doc，并对比一致性；如果没有唯一索引，那么会根据整个doc在MongoDB中进行查找（比较重）。
  抽样原理：

精确校验的时候，如果启用抽样，那么会对每个doc进行抽样，判断当前doc是否需要抽样。原理比较简单，比如按30%抽样，那么再0~100中产生一个随机数，如果是0~30的就校验，反之不校验。
DynamoFullCheck由于从源DynamoDB拉取也需要经过fetch，parse阶段，所以一定程度上，该部分代码复用了DynamoShake，不同的是DynamoFullCheck内部各个fetcher, parser, executor线程并发度都是1。

使用参数

full-check参数稍微简单点，直接用的命令行注入，例如：./dynamo-full-check --sourceAccessKeyID=BUIASOISUJPYS5OP3P5Q --sourceSecretAccessKey=TwWV9reJCrZhHKSYfqtTaFHW0qRPvjXb3m8TYHMe --sourceRegion=ap-east-1 -t="10.1.1.1:30441" --sample=300

Usage:
  dynamo-full-check.darwin [OPTIONS]

Application Options:
  -i, --id=                    target database collection name (default: dynamo-shake)
  -l, --logLevel=
  -s, --sourceAccessKeyID=     dynamodb source access key id
      --sourceSecretAccessKey= dynamodb source secret access key
      --sourceSessionToken=    dynamodb source session token
      --sourceRegion=          dynamodb source region
      --qpsFull=               qps of scan command, default is 10000
      --qpsFullBatchNum=       batch number in each scan command, default is 128
  -t, --targetAddress=         mongodb target address
  -d, --diffOutputFile=        diff output file name (default: dynamo-full-check-diff)
  -p, --parallel=              how many threads used to compare, default is 16 (default: 16)
  -e, --sample=                comparison sample number for each table, 0 means disable (default: 1000)
      --filterCollectionWhite= only compare the given tables, split by ';'
      --filterCollectionBlack= do not compare the given tables, split by ';'
  -c, --convertType=           convert type (default: raw)
  -v, --version                print version

Help Options:
  -h, --help                   Show this help message

其他

10.15已经开源，欢迎关注。