构建高效数据流转的 ETL 系统：数据库 + Serverless 函数计算的最佳实践

作者｜柳下

概述

随着企业规模和数据量的增长，数据的价值越来越受到重视。数据的变化和更新变得更加频繁和复杂，因此及时捕获和处理这些变化变得至关重要。为了满足这一需求，数据库 CDC（Change Data Capture）技术应运而生。然而，从 ETL 架构的角度来看，CDC 仅满足了数据的提取（Extract）能力。
为了实现完整的 ETL 架构，并完成高效、实时的数据集成、处理和同步，阿里云 Serverless 函数计算（FC）与数据库 CDC 技术深度融合。助力企业构建完整的 ETL 架构，实现数据的提取、转换和加载。通过将 CDC 作为事件驱动的数据源，将数据变化作为事件触发 Serverless 函数的执行，可以实现实时的数据处理和同步，有助于提升业务决策和分析的准确性和效率。

架构介绍

下面将从 ETL 模型入手，逐步讲述 FC + CDC 如何适配符合 ETL 模型的业务。

ETL 模型

在大数据领域，承载数据流转、加工业务的系统架构都可抽象为 ETL 模型，它由三个主要步骤组成：提取(Extract)、转换(Transfomr)和加载(Load)。

1. 提取：从数据源中提取数据。数据源可以是各种数据存储系统。如：数据库、文件系统、消息队列、API接口等。
2. 转换：数据经过一系列的转换操作转换为目标系统可以接受的格式和结构。如：数据清洗、数据合并、数据富化等。
3. 加载：将转换后的数据加载到目标服务中。目标服务可以是数据仓库、数据湖、BI 系统等。

此架构应用广泛，帮助企业管理和利用数据，实现数据驱动的决策和业务转型。

CDC + ETL

CDC 和 Extract(E) 是数据处理的两个概念，前者目的是捕获数据库中的变化数据，后者目的是从数据源中提取特定的数据集合。但回归业务本身，两者均是从数据源获取业务所需的数据，因此 CDC 和 ETL 的结合也是必然结果。两者的结合可构建更完整高效的数据处理流程，实现实时增量数据抽取和处理。相比传统的定期批量抽取方式，CDC 可更及时地捕获数据变化，使目标系统中的数据更加实时和准确。

阿里云 DTS + FC

在阿里云数据库产品体系中，数据传输服务 DTS（Data Transmission Service）扮演了 CDC 的角色，作为实时数据流传输服务，它能够捕获上游数据库的变更信息，并将这些变更推送给下游服务。当下游服务是函数计算时，可以利用函数计算的自定义代码能力，对数据进行自定义加工（T）和投递（L）。如下图所示，FC 和 DTS 的深度集成构建了完整的 ETL 体系，为业务系统的快速搭建提供了帮助。

功能详解

针对上文提到的 DTS + FC 架构，下面将剖析内部细节，深入理解系统的运行方式。

DTS 架构

DTS 在数据采集和数据传输上提供了完备的能力，DTS 系统可抽象为如下三大模块：

1. Poller：从上游丰富的数据库服务获取数据，具体如下：
   • 传输数据类型：可传输存量数据或增量数据；
   • 数据获取方式：针对存量数据，DTS Poller 以并发查询方式扫描全表，将扫描结果投递至下游；针对增量数据，DTS Poller 监听并读取上游数据库的增量日志文件，解析文件中的日志信息并投递至下游；
   • 增量数据源：针对不同的上游数据库，DTS 会读取不同的增量日志文件。例如：当数据库为 MySQL 时读取 Binlog 文件，当数据库为 MongoDB 时读取 Oplog 文件；
2. Format Plugin：将获取的数据统一格式化为 Canal Json 格式，格式的统一标准化便于数据解析逻辑复用于不同的数据源；
3. Sinker：将格式化后的数据推送给下游 FC；

FC 架构

FC 和 DTS 的深度集成保证了 FC 可以接收 DTS 采集的数据库数据，并根据用户自定义代码实现数据加工和数据投递功能，具体如下：

1. 请求路由：FC 网关将 DTS 发送的事件路由到 FC 后端；
2. 调度处理：FC 调度层自动扩容计算节点运行用户代码，处理上游传递的 DTS 事件；
3. 代码执行：用户的代码按预期运行，通常逻辑为加工处理 event 事件，并将处理后的结果以 SDK/API 等方式发送给外部服务；

从上图可以看到，您仅需关注数据加工和投递的业务逻辑，并通过简单代码片段完成实现，FC 后端会自动伸缩计算节点执行代码，您无需关注系统的基础设施建设、资源运维、伸缩、监控、报警等一系列繁琐工作，极大提升开发效率。同时 FC 作为 Serverless 应用，支持按量付费，避免长期预留机器资源带来的资源低效问题。

应用场景

OLTP 到 OLAP 的数据传输

什么是 OLTP 和 OLAP？

• OLTP：指在线事务处理。通过以事务单位进行操作，并需要支持高并发写入和数据一致性。常见的服务如：关系型数据库（ MySQL、PostgreSQL 等）、订单处理系统、客户关系管理系统等。
• OLAP：指在线分析处理。通常用于从大量的数据中提取、聚合和分析信息，满足数据分析和决策支持。OLAP 系统通常以查询为基础，可以进行复杂的数据查询和分析操作。常见的服务如：AnalyticDB、ClickHouse、Power BI 等。

从上面描述看，OLTP 和 OLAP 是两种不同的数据处理服务，用于满足不同的业务需求。OLTP 系统适用于处理实时的交易和业务操作，而 OLAP 系统适用于从大量数据中进行分析和决策支持。在实际应用中，OLAP 的数据来源就是不同的 OLTP 数据库，所以 OLAP 本身不产生数据，通过 ETL 从 OLTP 抽取数据到 OLAP 数据库即数据仓库中做整合清洗达到可分析的数据标准。而 DTS + FC 恰好可以连接两类服务，打通数据通路。

CDC 事件驱动模型

什么是事件和事件驱动？

• 事件：在业务系统中，事件是指系统或业务中发生的重要、有意义的事情或状态变化。事件可以是内部触发的，也可以是外部输入的，通常与业务流程、数据更改、用户操作等相关。
• 事件驱动：事件驱动架构是一种系统设计范式，其中事件是系统中的核心组成部分。在这种架构中，系统的各个组件通过订阅和响应事件来进行通信协作，实现松耦合、可扩展的系统架构。

CDC 因用于捕获数据库中的数据变化，常被当做事件驱动后续流程的执行，常见的场景如下：

• 订阅和发布系统：CDC 可作为订阅和发布系统的一部分，将数据库中的数据变化作为事件发布给相关的订阅者。这可以用于实现发布-订阅模式的事件驱动系统架构。
• 数据校验：CDC 可将数据库中变化的数据推送给 FC。做定制化数据校验，校验数据的合理合规，这在金融、财务订单等系统非常重要。
• 数据审计：CDC 可将数据库中变化的数据推送给 FC，经由 FC 持久化至任意三方服务，用于数据审计和数据可追溯需求。
• 变更通知：当特定关键数据变动后，以任意方式发送特定通知，如：邮箱、钉钉、短信、电话等。
  

总结&展望

CDC 和 Serverless 函数计算的结合，可以实现实时的数据处理和响应，同时减少对基础设施的依赖和管理。在实际应用中，可将 CDC 作为事件驱动的数据源，将数据变化作为事件触发 Serverless 函数的执行。这样可以实现实时的数据处理和分发，同时利用 Serverless 函数计算的弹性扩展能力，根据实际负载动态分配计算资源。总而言之，DTS 和 Serverless 函数计算的集成为企业提供了更高效、灵活和可靠的数据处理解决方案。未来函数计算将探索更多的数据源（Oracle、PolarDB PostgreSQL、PolarDB MySQL 等），满足更多的业务需求。更多信息或需求请钉钉与我们联系，官方钉钉群号：11721331。