canal源码分析简介-3

5.0 store模块

2018-10-08 23:14:58 8,328 7

1 store模块简介

store模块用于binlog事件的存储，目前开源的版本中仅实现了Memory内存模式。官方文档中提到"后续计划增加本地file存储，mixed混合模式”，这句话大家不必当真，从笔者最开始接触canal到现在已经几年了，依然没有动静，好在Memory内存模式已经可以满足绝大部分场景。

store模块目录结构如下，该模块的核心接口为CanalEventStore：

以下是相关类图：

其中MemoryEventStoreWithBuffer就是内存模式的实现，是我们分析的重点，其实现了CanalEventStore接口，并继承了AbstractCanalStoreScavenge抽象类。需要注意的是，AbstractCanalStoreScavenge这个类中定义的字段和方法在开源版本中并没有任何地方使用到，因此我们不会对其进行分析。

MemoryEventStoreWithBuffer的实现借鉴了Disruptor的RingBuffer。简而言之，你可以把其当做一个环形队列，如下：

针对这个环形队列，canal定义了3类操作：Put、Get、Ack，其中：

Put 操作：添加数据。event parser模块拉取到binlog后，并经过event sink模块过滤，最终就通过Put操作存储到了队列中。
Get操作：获取数据。canal client连接到canal server后，最终获取到的binlog都是从这个队列中取得。
Ack操作：确认消费成功。canal client获取到binlog事件消费后，需要进行Ack。你可以认为Ack操作实际上就是将消费成功的事件从队列中删除，如果一直不Ack的话，队列满了之后，Put操作就无法添加新的数据了。

对应的，我们需要使用3个变量来记录Put、Get、Ack这三个操作的位置，其中：

putSequence: 每放入一个数据putSequence +1，可表示存储数据存储的总数量
getSequence: 每获取一个数据getSequence +1，可表示数据订阅获取的最后一次提取位置
ackSequence: 每确认一个数据ackSequence + 1，可表示数据最后一次消费成功位置

另外，putSequence、getSequence、ackSequence这3个变量初始值都是-1，且都是递增的，均用long型表示。由于数据只有被Put进来后，才能进行Get；Get之后才能进行Ack。所以，这三个变量满足以下关系：

ackSequence <= getSequence <= putSequence

如果将RingBuffer拉直来看，将会变得更加直观：

通过对这3个位置进行运算，我们可以得到一些有用的信息，如：

计算当前可消费的event数量：

当前可消费的event数量 = putSequence - getSequence

计算当前队列的大小(即队列中还有多少事件等待消费)：

当前队列的大小 = putSequence - ackSequence

在进行Put/Get/Ack操作时，首先都要确定操作到环形队列的哪个位置。环形队列的bufferSize默认大小是16384，而这3个操作的位置变量putSequence、getSequence、ackSequence都是递增的，显然最终都会超过bufferSize。因此必须要对这3个值进行转换。最简单的操作就是使用%进行取余。

举例来说，putSequence的当前值为16383，这已经是环形队列的最大下标了(从0开始计算)，下一个要插入的数据要在第16384个位置上，此时可以使用16384 % bufferSize = 0，因此下一个要插入的数据在0号位置上。可见，当达到队列的最大下标时，再从头开始循环，这也是为什么称之为环形队列的原因。当然在实际操作时，更加复杂，如0号位置上已经有数据了，就不能插入，需要等待这个位置被释放出来，否则出现数据覆盖。

canal使用的是通过位操作进行取余，这种取余方式与%作用完全相同，只不过因为是位操作,因此更加高效。其计算方式如下：

操作位置 = sequence & (bufferSize - 1)

需要注意的是，这种方式只对除数是2的N次方幂时才有效，如果对于位运算取余不熟悉，可参考：https://blog.csdn.net/actionzh/article/details/78976082。

在canal.properties文件中定义了几个MemoryEventStoreWithBuffer的配置参数，主要用于控制环形队列的大小和存储的数据可占用的最大内存，如下：

canal.instance.memory.buffer.size = 16384
canal.instance.memory.buffer.memunit = 1024
canal.instance.memory.batch.mode = MEMSIZE

其中：

canal.instance.memory.buffer.size：

表示RingBuffer队列的最大容量，也就是可缓存的binlog事件的最大记录数，其值需要为2的指数(原因如前所述，canal通过位运算进行取余)，默认值为2^16=16384。

canal.instance.memory.buffer.memunit：

表示RingBuffer使用的内存单元, 默认是1kb。和canal.instance.memory.buffer.size组合决定最终的内存使用大小。需要注意的是，这个配置项仅仅是用于计算占用总内存，并不是限制每个event最大为1kb。

canal.instance.memory.batch.mode：

表示canal内存store中数据缓存模式，支持两种方式：

ITEMSIZE : 根据buffer.size进行限制，只限制记录的数量。这种方式有一些潜在的问题，举个极端例子，假设每个event有1M，那么16384个这种event占用内存要达到16G左右，基本上肯定会造成内存溢出(超大内存的物理机除外)。
MEMSIZE : 根据buffer.size * buffer.memunit的大小，限制缓存记录占用的总内存大小。指定为这种模式时，意味着默认缓存的event占用的总内存不能超过16384*1024=16M。这个值偏小，但笔者认为也足够了。因为通常我们在一个服务器上会部署多个instance，每个instance的store模块都会占用16M，因此只要instance的数量合适，也就不会浪费内存了。部分读者可能会担心，这是否限制了一个event的最大大小为16M，实际上是没有这个限制的。因为canal在Put一个新的event时，只会判断队列中已有的event占用的内存是否超过16M，如果没有，新的event不论大小是多少，总是可以放入的(canal的内存计算实际上是不精确的)，之后的event再要放入时，如果这个超过16M的event没有被消费，则需要进行等待。

在canal自带的instance.xml文件中，使用了这些配置项来创建MemoryEventStoreWithBuffer实例，如下：

<bean id="eventStore" class="com.alibaba.otter.canal.store.memory.MemoryEventStoreWithBuffer">
<property name="bufferSize" value="${canal.instance.memory.buffer.size:16384}" />
<property name="bufferMemUnit" value="${canal.instance.memory.buffer.memunit:1024}" />
<property name="batchMode" value="${canal.instance.memory.batch.mode:MEMSIZE}" />
<property name="ddlIsolation" value="${canal.instance.get.ddl.isolation:false}" />
</bean>

这里我们还看到了一个ddlIsolation属性，其对于Get操作生效，用于设置ddl语句是否单独一个batch返回(比如下游dml/ddl如果做batch内无序并发处理,会导致结构不一致)。其值通过canal.instance.get.ddl.isolation配置项来设置，默认值为false。

2 CanalEventStore接口

通过前面的分析，我们知道了环形队列要支持三种操作：Put、Get、Ack，针对这三种操作，在CanalEventStore中都有相应的方法定义，如下所示：

com.alibaba.otter.canal.store.CanalEventStore

/**
* canel数据存储接口
*/
public interface CanalEventStore<T> extends CanalLifeCycle, CanalStoreScavenge {
//==========================Put操作==============================
/**添加一组数据对象，阻塞等待其操作完成 (比如一次性添加一个事务数据)*/
void put(List<T> data) throws InterruptedException, CanalStoreException;
/**添加一组数据对象，阻塞等待其操作完成或者时间超时 (比如一次性添加一个事务数据)*/
boolean put(List<T> data, long timeout, TimeUnit unit) throws InterruptedException,
CanalStoreException;
/**添加一组数据对象 (比如一次性添加一个事务数据)*/
boolean tryPut(List<T> data) throws CanalStoreException;
/**添加一个数据对象，阻塞等待其操作完成*/
void put(T data) throws InterruptedException, CanalStoreException;
/**添加一个数据对象，阻塞等待其操作完成或者时间超时*/
boolean put(T data, long timeout, TimeUnit unit) throws InterruptedException, CanalStoreException;
/** 添加一个数据对象*/
boolean tryPut(T data) throws CanalStoreException;
//==========================GET操作==============================
/** 获取指定大小的数据，阻塞等待其操作完成*/
Events<T> get(Position start, int batchSize) throws InterruptedException, CanalStoreException;
/**获取指定大小的数据，阻塞等待其操作完成或者时间超时*/
Events<T> get(Position start, int batchSize, long timeout, TimeUnit unit) throws
InterruptedException,CanalStoreException;
/**根据指定位置，获取一个指定大小的数据*/
Events<T> tryGet(Position start, int batchSize) throws CanalStoreException;
//=========================Ack操作==============================
/**删除{@linkplain Position}之前的数据*/
void ack(Position position) throws CanalStoreException;
//==========================其他操作==============================
/** 获取最后一条数据的position*/
Position getLatestPosition() throws CanalStoreException;
/**获取第一条数据的position，如果没有数据返回为null*/
Position getFirstPosition() throws CanalStoreException;
/**出错时执行回滚操作(未提交ack的所有状态信息重新归位，减少出错时数据全部重来的成本)*/
void rollback() throws CanalStoreException;
}

可以看到Put/Get/Ack操作都有多种重载形式，各个方法的作用参考方法注释即可，后文在分析MemoryEventStoreWithBuffer时，将会进行详细的介绍。

这里对 get方法返回的Events对象，进行一下说明：

com.alibaba.otter.canal.store.model.Events

public class Events<EVENT> implements Serializable {
private static final long serialVersionUID = -7337454954300706044L;
private PositionRange positionRange = new PositionRange();
private List<EVENT> events = new ArrayList<EVENT>();
//setters getters and toString
}

可以看到，仅仅是通过一个List维护了一组数据，尽管这里定义的是泛型，但真实放入的数据实际上是Event类型。而PositionRange是protocol模块中的类，描述了这组Event的开始(start)和结束位置(end)，显然，start表示List集合中第一个Event的位置，end表示最后一个Event的位置。

Event的定义如下所示：

com.alibaba.otter.canal.store.model.Event

public class Event implements Serializable {
private static final long serialVersionUID = 1333330351758762739L;
private LogIdentity logIdentity; // 记录数据产生的来源
private CanalEntry.Entry entry;
//constructor setters getters and toString
}

其中：CanalEntry.Entry和LogIdentity也都是protocol模块中的类：

LogIdentity记录这个Event的来源信息mysql地址(sourceAddress)和slaveId。
CanalEntry.Entry封装了binlog事件的数据

3 MemoryEventStoreWithBuffer

MemoryEventStoreWithBuffer是目前开源版本中的CanalEventStore接口的唯一实现，基于内存模式。当然你也可以进行扩展，提供一个基于本地文件存储方式的CanalEventStore实现。这样就可以一份数据让多个业务费进行订阅，只要独立维护消费位置元数据即可。然而，我不得不提醒你的是，基于本地文件的存储方式，一定要考虑好数据清理工作，否则会有大坑。

如果一个库只有一个业务方订阅，其实根本也不用实现本地存储，使用基于内存模式的队列进行缓存即可。如果client消费的快，那么队列中的数据放入后就被取走，队列基本上一直是空的，实现本地存储也没意义；如果client消费的慢，队列基本上一直是满的，只要client来获取，总是能拿到数据，因此也没有必要实现本地存储。

言归正传，下面对MemoryEventStoreWithBuffer的源码进行分析。

3.1 MemoryEventStoreWithBuffer字段

首先对MemoryEventStoreWithBuffer中定义的字段进行一下介绍，这是后面分析其他方法的基础，如下：

public class MemoryEventStoreWithBuffer extends AbstractCanalStoreScavenge implements
CanalEventStore<Event>, CanalStoreScavenge {
private static final long INIT_SQEUENCE = -1;
private int bufferSize = 16 * 1024;
// memsize的单位，默认为1kb大小
private int bufferMemUnit = 1024;
private int indexMask;
private Event[] entries;
// 记录下put/get/ack操作的三个下标，初始值都是-1
// 代表当前put操作最后一次写操作发生的位置
private AtomicLong putSequence = new AtomicLong(INIT_SQEUENCE);
// 代表当前get操作读取的最后一条的位置
private AtomicLong getSequence = new AtomicLong(INIT_SQEUENCE);
// 代表当前ack操作的最后一条的位置
private AtomicLong ackSequence = new AtomicLong(INIT_SQEUENCE);
// 记录下put/get/ack操作的三个memsize大小
private AtomicLong putMemSize = new AtomicLong(0);
private AtomicLong getMemSize = new AtomicLong(0);
private AtomicLong ackMemSize = new AtomicLong(0);
// 阻塞put/get操作控制信号
private ReentrantLock lock = new ReentrantLock();
private Condition notFull = lock.newCondition();
private Condition notEmpty = lock.newCondition();
// 默认为内存大小模式
private BatchMode batchMode = BatchMode.ITEMSIZE;
private boolean ddlIsolation = false;
...
}

属性说明：

bufferSize、bufferMemUnit、batchMode、ddlIsolation、putSequence、getSequence、ackSequence：

这几个属性前面已经介绍过，这里不再赘述。

entries：

类型为Event[]数组，环形队列底层基于的Event[]数组，队列的大小就是bufferSize。关于如何使用数组来实现环形队列，可参考笔者的另一篇文章http://www.tianshouzhi.com/api/tutorials/basicalgorithm/43。

indexMask

用于对putSequence、getSequence、ackSequence进行取余操作，前面已经介绍过canal通过位操作进行取余，其值为bufferSize-1 ，参见下文的start方法

putMemSize、getMemSize、ackMemSize：

分别用于记录put/get/ack操作的event占用内存的累加值，都是从0开始计算。例如每put一个event，putMemSize就要增加这个event占用的内存大小；get和ack操作也是类似。这三个变量，都是在batchMode指定为MEMSIZE的情况下，才会发生作用。

因为都是累加值，所以我们需要进行一些运算，才能得有有用的信息，如：

计算出当前环形队列当前占用的内存大小

环形队列当前占用的内存大小 = putMemSize - ackMemSize

前面我们提到，batchMode为MEMSIZE时，需要限制环形队列中event占用的总内存，事实上在执行put操作前，就是通过这种方式计算出来当前大小，然后我们限制的bufferSize * bufferMemUnit大小进行比较。

计算尚未被获取的事件占用的内存大小

尚未被获取的事件占用的内存大小 = putMemSize - getMemSize

batchMode除了对PUT操作有限制，对Get操作也有影响。Get操作可以指定一个batchSize，用于指定批量获取的大小。当batchMode为MEMSIZE时，其含义就在不再是记录数，而是要获取到总共占用 batchSize * bufferMemUnit 内存大小的事件数量。

lock、notFull、notEmpty：

阻塞put/get操作控制信号。notFull用于控制put操作，只有队列没满的情况下才能put。notEmpty控制get操作，只有队列不为空的情况下，才能get。put操作和get操作共用一把锁(lock)。

3.2 启动和停止方法

MemoryEventStoreWithBuffer实现了CanalLifeCycle接口，因此实现了其定义的start、stop方法

start启动方法

start方法主要是初始化MemoryEventStoreWithBuffer内部的环形队列，其实就是初始化一下Event[]数组。

public void start() throws CanalStoreException {
super.start();
if (Integer.bitCount(bufferSize) != 1) {
throw new IllegalArgumentException("bufferSize must be a power of 2");
}
indexMask = bufferSize - 1;//初始化indexMask，前面已经介绍过，用于通过位操作进行取余
entries = new Event[bufferSize];//创建循环队列基于的底层数组，大小为bufferSize
}

stop停止方法

stop方法作用是停止，在停止时会清空所有缓存的数据，将维护的相关状态变量设置为初始值。

MemoryEventStoreWithBuffer#stop

public void stop() throws CanalStoreException {
super.stop();
//清空所有缓存的数据，将维护的相关状态变量设置为初始值
cleanAll();
}

在停止时，通过调用cleanAll方法清空所有缓存的数据。

cleanAll方法是在CanalStoreScavenge接口中定义的，在MemoryEventStoreWithBuffer中进行了实现，此外这个接口还定义了另外一个方法cleanUtil，在执行ack操作时会被调用，我们将在介绍ack方法时进行讲解。

MemoryEventStoreWithBuffer#cleanAll

public void cleanAll() throws CanalStoreException {
final ReentrantLock lock = this.lock;
lock.lock();
try {
//将Put/Get/Ack三个操作的位置都重置为初始状态-1
putSequence.set(INIT_SQEUENCE);
getSequence.set(INIT_SQEUENCE);
ackSequence.set(INIT_SQEUENCE);
//将Put/Get/Ack三个操作的memSize都重置为0
putMemSize.set(0);
getMemSize.set(0);
ackMemSize.set(0);
//将底层Event[]数组置为null，相当于清空所有数据
entries = null;
} finally {
lock.unlock();
}
}

4.2 Put操作

前面分析CanalEventStore接口中，我们看到总共有6个put方法，可以分为3类：

不带timeout超时参数的put方法，会一直进行阻塞，直到有足够的空间可以放入。
带timeout参数超时参数的put方法，如果超过指定时间还未put成功，会抛出InterruptedException。
tryPut方法每次只是尝试放入数据，立即返回true或者false，不会阻塞。

事实上，这些方法只是超时机制不同，底层都是通过调用doPut方法来完成真正的数据放入。因此在后面的分析中，笔者只选择其中一种进行讲解。

所有的put操作，在放入数据之前，都需要进行一些前置检查工作，主要检查2点：

1、检查是否足够的slot

默认的bufferSize设置大小为16384，即有16384个slot，每个slot可以存储一个event，因此canal默认最多缓存16384个event。从来另一个角度出发，这意味着putSequence最多比ackSequence可以大16384，不能超过这个值。如果超过了，就意味着尚未没有被消费的数据被覆盖了，相当于丢失了数据。因此，如果Put操作满足以下条件时，是不能新加入数据的

(putSequence + need_put_events_size)- ackSequence > bufferSize

"putSequence + need_put_events_size"的结果为添加数据后的putSequence的最终位置值，要把这个作为预判断条件，其减去ackSequence，如果大于bufferSize，则不能插入数据。需要等待有足够的空间，或者抛出异常。

2、检测是否超出了内存限制

前面我们已经看到了，为了控制队列中event占用的总内存大小，可以指定batchMode为MEMSIZE。在这种情况下，buffer.size * buffer.memunit(默认为16M)就表示环形队列存储的event总共可以占用的内存大小。因此当出现以下情况下，不能加入新的event：

(putMemSize - ackMemSize) > buffer.size * buffer.memunit

关于putMemSize和ackMemSize前面已经介绍过，二者的差值，实际上就是"队列当前包含的event占用的总内存”。

下面我们选择可以指定timeout超时时间的put方法进行讲解，如下：

public boolean put(List<Event> data, long timeout, TimeUnit unit) throws InterruptedException,
CanalStoreException {
//1 如果需要插入的List为空，直接返回true
if (data == null || data.isEmpty()) {
return true;
}
//2 获得超时时间，并通过加锁进行put操作
long nanos = unit.toNanos(timeout);
final ReentrantLock lock = this.lock;
lock.lockInterruptibly();
try {
for (;;) {//这是一个死循环，执行到下面任意一个return或者抛出异常是时才会停止
//3 检查是否满足插入条件，如果满足，进入到3.1，否则进入到3.2
if (checkFreeSlotAt(putSequence.get() + data.size())) {
//3.1 如果满足条件，调用doPut方法进行真正的插入
doPut(data);
return true;
}
//3.2 判断是否已经超时，如果超时，则不执行插入操作，直接返回false
if (nanos <= 0) {
return false;
}
//3.3 如果还没有超时，调用notFull.awaitNanos进行等待，需要其他线程调用notFull.signal()方法唤醒。
//唤醒是在ack操作中进行的，ack操作会删除已经消费成功的event，此时队列有了空间，因此可以唤醒，详见ack方法分析
//当被唤醒后，因为这是一个死循环，所以循环中的代码会重复执行。当插入条件满足时，调用doPut方法插入，然后返回
try {
nanos = notFull.awaitNanos(nanos);
//3.4 如果一直等待到超时，都没有可用空间可以插入，notFull.awaitNanos会抛出InterruptedException
} catch (InterruptedException ie) {
notFull.signal(); //3.5 超时之后，唤醒一个其他执行put操作且未被中断的线程(不明白是为了干啥)
throw ie;
}
}
} finally {
lock.unlock();
}
}

上述方法的第3步，通过调用checkFreeSlotAt方法来执行插入数据前的检查工作，所做的事情就是我们前面提到的2点：1、检查是否足够的slot 2、检测是否超出了内存限制，源码如下所示：

MemoryEventStoreWithBuffer#checkFreeSlotAt

/**查询是否有空位*/
private boolean checkFreeSlotAt(final long sequence) {
//1、检查是否足够的slot。注意方法参数传入的sequence值是：当前putSequence值 + 新插入的event的记录数。
//按照前面的说明，其减去bufferSize不能大于ack位置，或者换一种说法，减去bufferSize不能大于ack位置。
//1.1 首先用sequence值减去bufferSize
final long wrapPoint = sequence - bufferSize;
//1.2 获取get位置ack位置的较小值，事实上，ack位置总是应该小于等于get位置，因此这里总是应该返回的是ack位置。
final long minPoint = getMinimumGetOrAck();
//1.3 将1.1 与1.2步得到的值进行比较，如果前者大，说明二者差值已经超过了bufferSize，不能插入数据，返回false
if (wrapPoint > minPoint) { // 刚好追上一轮
return false;
} else {
//2 如果batchMode是MEMSIZE，继续检查是否超出了内存限制。
if (batchMode.isMemSize()) {
//2.1 使用putMemSize值减去ackMemSize值，得到当前保存的event事件占用的总内存
final long memsize = putMemSize.get() - ackMemSize.get();
//2.2 如果没有超出bufferSize * bufferMemUnit内存限制，返回true，否则返回false
if (memsize < bufferSize * bufferMemUnit) {
return true;
} else {
return false;
}
} else {
//3 如果batchMode不是MEMSIZE，说明只限制记录数，则直接返回true
return true;
}
}
}

getMinimumGetOrAck方法用于返回getSequence和ackSequence二者的较小值，源码如下所示：

MemoryEventStoreWithBuffer#getMinimumGetOrAck

private long getMinimumGetOrAck() {
long get = getSequence.get();
long ack = ackSequence.get();
return ack <= get ? ack : get;
}

如前所述，ackSequence总是应该小于等于getSequence，因此这里判断应该是没有必要的，笔者已经给官方提了issue，也得到了确认，参见：https://github.com/alibaba/canal/issues/966。

当checkFreeSlotAt方法检验通过后，最终调用的是doPut方法进行插入。doPut方法主要有4个步骤：

1、将新插入的event数据赋值到Event[]数组的正确位置上，就算完成了插入

2、当新插入的event记录数累加到putSequence上

3、累加新插入的event的大小到putMemSize上

4、调用notEmpty.signal()方法，通知队列中有数据了，如果之前有client获取数据处于阻塞状态，将会被唤醒

MemoryEventStoreWithBuffer#doPut

/*** 执行具体的put操作*/
private void doPut(List<Event> data) {
//1 将新插入的event数据赋值到Event[]数组的正确位置上
//1.1 获得putSequence的当前值current，和插入数据后的putSequence结束值end
long current = putSequence.get();
long end = current + data.size();
//1.2 循环需要插入的数据，从current位置开始，到end位置结束
for (long next = current + 1; next <= end; next++) {
//1.3 通过getIndex方法对next变量转换成正确的位置，设置到Event[]数组中
//需要转换的原因在于，这里的Event[]数组是环形队列的底层实现，其大小为bufferSize值，默认为16384。
//运行一段时间后，接收到的binlog数量肯定会超过16384，每接受到一个event，putSequence+1，因此最终必然超过这个值。
//而next变量是比当前putSequence值要大的，因此必须进行转换，否则会数组越界，转换工作就是在getIndex方法中进行的。
entries[getIndex(next)] = data.get((int) (next - current - 1));
}
//2 直接设置putSequence为end值，相当于完成event记录数的累加
putSequence.set(end);
//3 累加新插入的event的大小到putMemSize上
if (batchMode.isMemSize()) {
//用于记录本次插入的event记录的大小
long size = 0;
//循环每一个event
for (Event event : data) {
//通过calculateSize方法计算每个event的大小，并累加到size变量上
size += calculateSize(event);
}
//将size变量的值，添加到当前putMemSize
putMemSize.getAndAdd(size);
}
// 4 调用notEmpty.signal()方法，通知队列中有数据了，如果之前有client获取数据处于阻塞状态，将会被唤醒
notEmpty.signal();
}

上述代码中，通过getIndex方法方法来进行位置转换，其内部通过位运算来快速取余数，不再赘述

MemoryEventStoreWithBuffer#getIndex

private int getIndex(long sequcnce) {
return (int) sequcnce & indexMask; //bufferSize-1
}

对于batchMode是MEMSIZE的情况下，还会通过calculateSize方法计算每个event占用的内存大小，累加到putMemSize上。

MemoryEventStoreWithBuffer#calculateSize

private long calculateSize(Event event) {
// 直接返回binlog中的事件大小
return event.getEntry().getHeader().getEventLength();
}

其原理在于，mysql的binlog的event header中，都有一个event_length表示这个event占用的字节数。不熟悉mysql binlog event结构的读者可参考：https://dev.mysql.com/doc/internals/en/event-structure.html

parser模块将二进制形式binlog event解析后，这个event_length字段的值也被解析出来了，转换成Event对象后，在存储到store模块时，就可以根据其值判断占用内存大小。

需要注意的是，这个计算并不精确。原始的event_length表示的是event是二进制字节流时的字节数，在转换成java对象后，基本上都会变大。如何获取java对象的真实大小，可参考这个博客：https://www.cnblogs.com/Kidezyq/p/8030098.html。

4.3 Get操作

Put操作是canal parser模块解析binlog事件，并经过sink模块过滤后，放入到store模块中，也就是说Put操作实际上是canal内部调用。 Get操作(以及ack、rollback)则不同，其是由client发起的网络请求，server端通过对请求参数进行解析，最终调用CanalEventStore模块中定义的对应方法。

Get操作用于获取指定batchSize大小的Events。提供了3个方法：

// 尝试获取，如果获取不到立即返回
public Events<Event> tryGet(Position start, int batchSize) throws CanalStoreException
// 获取指定大小的数据，阻塞等待其操作完成
public Events<Event> get(Position start, int batchSize) throws InterruptedException, CanalStoreException
// 获取指定大小的数据，阻塞等待其操作完成或者超时，如果超时了，有多少，返回多少
public Events<Event> get(Position start, int batchSize, long timeout, TimeUnit unit)
throws InterruptedException,CanalStoreException

其中：

start参数：其类型为Posisiton，表示从哪个位置开始获取
batchSize参数：表示批量获取的大小
timeout和uint参数：超时参数配置

与Put操作类似，MemoryEventStoreWithBuffer在实现这三个方法时，真正的获取操作都是在doGet方法中进行的。这里我们依然只选择其中一种进行完整的讲解：

public Events<Event> get(Position start, int batchSize, long timeout, TimeUnit unit)
throws InterruptedException,CanalStoreException {
long nanos = unit.toNanos(timeout);
final ReentrantLock lock = this.lock;
lock.lockInterruptibly();
try {
for (;;) {
if (checkUnGetSlotAt((LogPosition) start, batchSize)) {
return doGet(start, batchSize);
}
if (nanos <= 0) {
// 如果时间到了，有多少取多少
return doGet(start, batchSize);
}
try {
nanos = notEmpty.awaitNanos(nanos);
} catch (InterruptedException ie) {
notEmpty.signal(); // propagate to non-interrupted thread
throw ie;
}
}
} finally {
lock.unlock();
}
}

可以看到，get方法的实现逻辑与put方法整体上是类似的，不再赘述。这里我们直接关注checkUnGetSlotAt和doGet方法。

checkUnGetSlotAt方法，用于检查是否有足够的event可供获取，根据batchMode的不同，有着不同的判断逻辑

如果batchMode为ITEMSIZE，则表示只要有有满足batchSize数量的记录数即可，即putSequence - getSequence >= batchSize
如果batchMode为MEMSIZE，此时batchSize不再表示记录数，而是bufferMemUnit的个数，也就是说，获取到的event列表占用的总内存要达到batchSize * bufferMemUnit，即putMemSize-getMemSize >= batchSize * bufferMemUnit

MemoryEventStoreWithBuffer#checkUnGetSlotAt

private boolean checkUnGetSlotAt(LogPosition startPosition, int batchSize) {
//1 如果batchMode为ITEMSIZE
if (batchMode.isItemSize()) {
long current = getSequence.get();
long maxAbleSequence = putSequence.get();
long next = current;
//1.1 第一次订阅之后，需要包含一下start位置，防止丢失第一条记录。
if (startPosition == null || !startPosition.getPostion().isIncluded()) {
next = next + 1;
}
//1.2 理论上只需要满足条件：putSequence - getSequence >= batchSize
//1.2.1 先通过current < maxAbleSequence进行一下简单判断，如果不满足，可以直接返回false了
//1.2.2 如果1.2.1满足，再通过putSequence - getSequence >= batchSize判断是否有足够的数据
if (current < maxAbleSequence && next + batchSize - 1 <= maxAbleSequence) {
return true;
} else {
return false;
}
//2 如果batchMode为MEMSIZE
} else {
long currentSize = getMemSize.get();
long maxAbleSize = putMemSize.get();
//2.1 需要满足条件 putMemSize-getMemSize >= batchSize * bufferMemUnit
if (maxAbleSize - currentSize >= batchSize * bufferMemUnit) {
return true;
} else {
return false;
}
}
}

关于1.1步的描述"第一次订阅之后，需要包含一下start位置，防止丢失第一条记录”，这里进行一下特殊说明。首先要明确checkUnGetSlotAt方法的startPosition参数到底是从哪里传递过来的。

当一个client在获取数据时，CanalServerWithEmbedded的getWithoutAck/或get方法会被调用。其内部首先通过CanalMetaManager查找client的消费位置信息，由于是第一次，肯定没有记录，因此返回null，此时会调用CanalEventStore的getFirstPosition()方法，尝试把第一条数据作为消费的开始。而此时CanalEventStore中可能有数据，也可能没有数据。在没有数据的情况下，依然返回null；在有数据的情况下，把第一个Event的位置作为消费开始位置。那么显然，传入checkUnGetSlotAt方法的startPosition参数可能是null，也可能不是null。所以有了以下处理逻辑：

if (startPosition == null || !startPosition.getPostion().isIncluded()) {
next = next + 1;
}

如果不是null的情况下，尽管把第一个event当做开始位置，但是因为这个event毕竟还没有消费，所以在消费的时候我们必须也将其包含进去。之所以要+1，因为是第一次获取，getSequence的值肯定还是初始值-1，所以要+1变成0之后才是队列的第一个event位置。关于CanalEventStore的getFirstPosition()方法，我们将在最后分析。

当通过checkUnGetSlotAt的检查条件后，通过doGet方法进行真正的数据获取操作，获取主要分为5个步骤：

1、确定从哪个位置开始获取数据

2、根据batchMode是MEMSIZE还是ITEMSIZE，通过不同的方式来获取数据

3、设置PositionRange，表示获取到的event列表开始和结束位置

4、设置ack点

5、累加getSequence，getMemSize值

MemoryEventStoreWithBuffer#doGet

private Events<Event> doGet(Position start, int batchSize) throws CanalStoreException {
LogPosition startPosition = (LogPosition) start;
//1 确定从哪个位置开始获取数据
//获得当前的get位置
long current = getSequence.get();
//获得当前的put位置
long maxAbleSequence = putSequence.get();
//要获取的第一个Event的位置，一开始等于当前get位置
long next = current;
//要获取的最后一个event的位置，一开始也是当前get位置，每获取一个event，end值加1，最大为current+batchSize
//因为可能进行ddl隔离，因此可能没有获取到batchSize个event就返回了，此时end值就会小于current+batchSize
long end = current;
// 如果startPosition为null，说明是第一次订阅，默认+1处理，因为getSequence的值是从-1开始的
// 如果tartPosition不为null，需要包含一下start位置，防止丢失第一条记录
if (startPosition == null || !startPosition.getPostion().isIncluded()) {
next = next + 1;
}
// 如果没有数据，直接返回一个空列表
if (current >= maxAbleSequence) {
return new Events<Event>();
}
//2 如果有数据，根据batchMode是ITEMSIZE或MEMSIZE选择不同的处理方式
Events<Event> result = new Events<Event>();
//维护要返回的Event列表
List<Event> entrys = result.getEvents();
long memsize = 0;
//2.1 如果batchMode是ITEMSIZE
if (batchMode.isItemSize()) {
end = (next + batchSize - 1) < maxAbleSequence ? (next + batchSize - 1) : maxAbleSequence;
//2.1.1 循环从开始位置(next)到结束位置(end)，每次循环next+1
for (; next <= end; next++) {
//2.1.2 获取指定位置上的事件
Event event = entries[getIndex(next)];
//2.1.3 果是当前事件是DDL事件，且开启了ddl隔离，本次事件处理完后，即结束循环(if语句最后是一行是break)
if (ddlIsolation && isDdl(event.getEntry().getHeader().getEventType())) {
// 2.1.4 因为ddl事件需要单独返回，因此需要判断entrys中是否应添加了其他事件
if (entrys.size() == 0) {//如果entrys中尚未添加任何其他event
entrys.add(event);//加入当前的DDL事件
end = next; // 更新end为当前值
} else {
//如果已经添加了其他事件如果之前已经有DML事件，直接返回了，因为不包含当前next这记录，需要回退一个位置
end = next - 1; // next-1一定大于current，不需要判断
}
break;
} else {//如果没有开启DDL隔离，直接将事件加入到entrys中
entrys.add(event);
}
}
//2.2 如果batchMode是MEMSIZE
} else {
//2.2.1 计算本次要获取的event占用最大字节数
long maxMemSize = batchSize * bufferMemUnit;
//2.2.2 memsize从0开始，当memsize小于maxMemSize且next未超过maxAbleSequence时，可以进行循环
for (; memsize <= maxMemSize && next <= maxAbleSequence; next++) {
//2.2.3 获取指定位置上的Event
Event event = entries[getIndex(next)];
//2.2.4 果是当前事件是DDL事件，且开启了ddl隔离，本次事件处理完后，即结束循环(if语句最后是一行是break)
if (ddlIsolation && isDdl(event.getEntry().getHeader().getEventType())) {
// 如果是ddl隔离，直接返回
if (entrys.size() == 0) {
entrys.add(event);// 如果没有DML事件，加入当前的DDL事件
end = next; // 更新end为当前
} else {
// 如果之前已经有DML事件，直接返回了，因为不包含当前next这记录，需要回退一个位置
end = next - 1; // next-1一定大于current，不需要判断
}
break;
} else {
//如果没有开启DDL隔离，直接将事件加入到entrys中
entrys.add(event);
//并将当前添加的event占用字节数累加到memsize变量上
memsize += calculateSize(event);
end = next;// 记录end位点
}
}
}
//3 构造PositionRange，表示本次获取的Event的开始和结束位置
PositionRange<LogPosition> range = new PositionRange<LogPosition>();
result.setPositionRange(range);
//3.1 把entrys列表中的第一个event的位置，当做PositionRange的开始位置
range.setStart(CanalEventUtils.createPosition(entrys.get(0)));
//3.2 把entrys列表中的最后一个event的位置，当做PositionRange的结束位置
range.setEnd(CanalEventUtils.createPosition(entrys.get(result.getEvents().size() - 1)));
//4 记录一下是否存在可以被ack的点，逆序迭代获取到的Event列表
for (int i = entrys.size() - 1; i >= 0; i--) {
Event event = entrys.get(i);
//4.1.1 如果是事务开始/事务结束/或者dll事件，
if (CanalEntry.EntryType.TRANSACTIONBEGIN == event.getEntry().getEntryType()
|| CanalEntry.EntryType.TRANSACTIONEND == event.getEntry().getEntryType()
|| isDdl(event.getEntry().getHeader().getEventType())) {
// 4.1.2 将其设置为可被ack的点，并跳出循环
range.setAck(CanalEventUtils.createPosition(event));
break;
}
//4.1.3 如果没有这三种类型事件，意味着没有可被ack的点
}
//5 累加getMemSize值，getMemSize值
//5.1 通过AtomLong的compareAndSet尝试增加getSequence值
if (getSequence.compareAndSet(current, end)) {//如果成功，累加getMemSize
getMemSize.addAndGet(memsize);
//如果之前有put操作因为队列满了而被阻塞，这里发送信号，通知队列已经有空位置，下面还要进行说明
notFull.signal();
return result;
} else {//如果失败，直接返回空事件列表
return new Events<Event>();
}
}

补充说明：

1 Get数据时，会通过isDdl方法判断event是否是ddl类型。

MemoryEventStoreWithBuffer#isDdl

private boolean isDdl(EventType type) {
return type == EventType.ALTER || type == EventType.CREATE || type == EventType.ERASE
|| type == EventType.RENAME || type == EventType.TRUNCATE || type == EventType.CINDEX
|| type == EventType.DINDEX;
}

这里的EventType是在protocol模块中定义的，并非mysql binlog event结构中的event type。在原始的mysql binlog event类型中，有一个QueryEvent，里面记录的是执行的sql语句，canal通过对这个sql语句进行正则表达式匹配，判断出这个event是否是DDL语句(参见SimpleDdlParser#parse方法)。

2 获取到event列表之后，会构造一个PostionRange对象。

通过CanalEventUtils.createPosition方法计算出第一、最后一个event的位置，作为PostionRange的开始和结束。

事实上，parser模块解析后，已经将位置信息：binlog文件，position封装到了Event中，createPosition方法只是将这些信息提取出来。

CanalEventUtils#createPosition

public static LogPosition createPosition(Event event) {
//=============创建一个EntryPosition实例，提取event中的位置信息============
EntryPosition position = new EntryPosition();
//event所在的binlog文件
position.setJournalName(event.getEntry().getHeader().getLogfileName());
//event锁在binlog文件中的位置
position.setPosition(event.getEntry().getHeader().getLogfileOffset());
//event的创建时间
position.setTimestamp(event.getEntry().getHeader().getExecuteTime());
//event是mysql主从集群哪一个实例上生成的，一般都是主库，如果从库没有配置read-only，那么serverId也可能是从库
position.setServerId(event.getEntry().getHeader().getServerId());
//===========将EntryPosition实例封装到一个LogPosition对象中===============
LogPosition logPosition = new LogPosition();
logPosition.setPostion(position);
//LogIdentity中包含了这个event来源的mysql实力的ip地址信息
logPosition.setIdentity(event.getLogIdentity());
return logPosition;
}

3 获取到Event列表后，会从中逆序寻找第一个类型为"事务开始/事务结束/DDL"的Event，将其位置作为PostionRange的可ack位置。

mysql原生的binlog事件中，总是以一个内容”BEGIN”的QueryEvent作为事务开始，以XidEvent事件表示事务结束。即使我们没有显式的开启事务，对于单独的一个更新语句(如Insert、update、delete)，mysql也会默认开启事务。而canal将其转换成更容易理解的自定义EventType类型：TRANSACTIONBEGIN、TRANSACTIONEND。

而将这些事件作为ack点，主要是为了保证事务的完整性。例如client一次拉取了10个binlog event，前5个构成一个事务，后5个还不足以构成一个完整事务。在ack后，如果这个client停止了，也就是说下一个事务还没有被完整处理完。尽管之前ack的是10条数据，但是client重新启动后，将从第6个event开始消费，而不是从第11个event开始消费，因为第6个event是下一个事务的开始。

具体逻辑在于，canal server在接受到client ack后，CanalServerWithEmbedded#ack方法会执行。其内部首先根据ack的batchId找到对应的PositionRange，再找出其中的ack点，通过CanalMetaManager将这个位置记录下来。之后client重启后，再把这个位置信息取出来，从这个位置开始消费。

也就是说，ack位置实际上提供给CanalMetaManager使用的。而对于MemoryEventStoreWithBuffer本身而言，也需要进行ack，用于将已经消费的数据从队列中清除，从而腾出更多的空间存放新的数据。

4.4 ack操作

相对于get操作和put操作，ack操作没有重载，只有一个ack方法，用于清空指定position之前的数据，如下：

MemoryEventStoreWithBuffer#ack

public void ack(Position position) throws CanalStoreException {
cleanUntil(position);
}

CanalStoreScavenge接口定义了2个方法：cleanAll和cleanUntil。前面我们已经看到了在stop时，cleanAll方法会被执行。而每次ack时，cleanUntil方法会被执行，这个方法实现如下所示：

MemoryEventStoreWithBuffer#cleanUntil

// postion表示要ack的配置
public void cleanUntil(Position position) throws CanalStoreException {
final ReentrantLock lock = this.lock;
lock.lock();
try {
//获得当前ack值
long sequence = ackSequence.get();
//获得当前get值
long maxSequence = getSequence.get();
boolean hasMatch = false;
long memsize = 0;
//迭代所有未被ack的event，从中找出与需要ack的position相同位置的event，清空这个event之前的所有数据。
//一旦找到这个event，循环结束。
for (long next = sequence + 1; next <= maxSequence; next++) {
Event event = entries[getIndex(next)];//获得要ack的event
memsize += calculateSize(event);//计算当前要ack的event占用字节数
boolean match = CanalEventUtils.checkPosition(event, (LogPosition) position);
if (match) {// 找到对应的position，更新ack seq
hasMatch = true;
if (batchMode.isMemSize()) {//如果batchMode是MEMSIZE
ackMemSize.addAndGet(memsize);//累加ackMemSize
// 尝试清空buffer中的内存，将ack之前的内存全部释放掉
for (long index = sequence + 1; index < next; index++) {
entries[getIndex(index)] = null;// 设置为null
}
}
//累加ack值
//官方注释说，采用compareAndSet，是为了避免并发ack。我觉得根本不会并发ack，因为都加锁了
if (ackSequence.compareAndSet(sequence, next)) {
notFull.signal();//如果之前存在put操作因为队列满了而被阻塞，通知其队列有了新空间
return;
}
}
}
if (!hasMatch) {// 找不到对应需要ack的position
throw new CanalStoreException("no match ack position" + position.toString());
}
} finally {
lock.unlock();
}
}

在匹配尚未ack的Event，是否有匹配的位置时，调用了CanalEventUtils#checkPosition方法。其内部：

首先比较Event的生成时间
接着，如果位置信息的binlog文件名或者信息不为空的话(通常不为空)，则会进行精确匹配

CanalEventUtils#checkPosition

/**
* 判断当前的entry和position是否相同
*/
public static boolean checkPosition(Event event, LogPosition logPosition) {
EntryPosition position = logPosition.getPostion();
CanalEntry.Entry entry = event.getEntry();
//匹配时间
boolean result = position.getTimestamp().equals(entry.getHeader().getExecuteTime());
//判断是否需要根据：binlog文件+position进行比较
boolean exactely = (StringUtils.isBlank(position.getJournalName()) && position.getPosition() == null);
if (!exactely) {// 精确匹配
result &= StringUtils.equals(entry.getHeader().getLogfileName(), position.getJournalName());
result &= position.getPosition().equals(entry.getHeader().getLogfileOffset());
}
return result;
}

4.5 rollback操作

相对于put/get/ack操作，rollback操作简单了很多。所谓rollback，就是client已经get到的数据，没能消费成功，因此需要进行回滚。回滚操作特别简单，只需要将getSequence的位置重置为ackSequence，将getMemSize设置为ackMemSize即可。

public void rollback() throws CanalStoreException {
final ReentrantLock lock = this.lock;
lock.lock();
try {
getSequence.set(ackSequence.get());
getMemSize.set(ackMemSize.get());
} finally {
lock.unlock();
}
}

4.6 其他方法

除了上述提到的所有方法外，MemoryEventStoreWithBuffer还提供了getFirstPosition()和getLatestPosition()方法，分别用于获取当前队列中的第一个和最后一个Event的位置信息。前面已经提到，在CanalServerWithEmbedded中会使用getFirstPosition()方法来获取CanalEventStore中存储的第一个Event的位置，而getLatestPosition()只是在一些单元测试中使用到，因此在这里我们只分析getFirstPosition()方法。

第一条数据通过ackSequence当前值对应的Event来确定，因为更早的Event在ack后都已经被删除了。相关源码如下：

MemoryEventStoreWithBuffer#getFirstPosition

//获取第一条数据的position，如果没有数据返回为null
public LogPosition getFirstPosition() throws CanalStoreException {
final ReentrantLock lock = this.lock;
lock.lock();
try {
long firstSeqeuence = ackSequence.get();
//1 没有ack过数据，且队列中有数据
if (firstSeqeuence == INIT_SQEUENCE && firstSeqeuence < putSequence.get()) {
//没有ack过数据，那么ack为初始值-1，又因为队列中有数据，因此ack+1,即返回队列中第一条数据的位置
Event event = entries[getIndex(firstSeqeuence + 1)];
return CanalEventUtils.createPosition(event, false);
//2 已经ack过数据，但是未追上put操作
} else if (firstSeqeuence > INIT_SQEUENCE && firstSeqeuence < putSequence.get()) {
//返回最后一次ack的位置数据 + 1
Event event = entries[getIndex(firstSeqeuence + 1)];
return CanalEventUtils.createPosition(event, true);
//3 已经ack过数据，且已经追上put操作，说明队列中所有数据都被消费完了
} else if (firstSeqeuence > INIT_SQEUENCE && firstSeqeuence == putSequence.get()) {
// 最后一次ack的位置数据，和last为同一条
Event event = entries[getIndex(firstSeqeuence)];
return CanalEventUtils.createPosition(event, false);
//4 没有任何数据，返回null
} else {
return null;
}
} finally {
lock.unlock();
}
}

代码逻辑很简单，唯一需要关注的是，通过CanalEventUtils#createPosition(Event, boolean)方法来计算第一个Event的位置，返回的是一个LogPosition对象。其中boolean参数用LogPosition内部维护的EntryPosition的included属性赋值。在前面get方法源码分析时，我们已经看到，当included值为false时，会把当前get位置+1，然后开始获取Event；当为true时，则直接从当前get位置开始获取数据。

6.0 filter模块

2018-11-03 01:16:48 9,173 1

1 Filter模块简介

filter模块用于对binlog进行过滤。在实际开发中，一个mysql实例中可能会有多个库，每个库里面又会有多个表，可能我们只是想订阅某个库中的部分表，这个时候就需要进行过滤。也就是说，parser模块解析出来binlog之后，会进行一次过滤之后，才会存储到store模块中。

过滤规则的配置既可以在canal服务端进行，也可以在客户端进行。

1.1 服务端配置

我们在配置一个canal instance时，在instance.properties中有以下两个配置项：

其中：

canal.instance.filter.regex用于配置白名单，也就是我们希望订阅哪些库，哪些表，默认值为.*\\..*，也就是订阅所有库，所有表。

canal.instance.filter.black.regex用于配置黑名单，也就是我们不希望订阅哪些库，哪些表。没有默认值，也就是默认黑名单为空。

需要注意的是，在过滤的时候，会先根据白名单进行过滤，再根据黑名单过滤。意味着，如果一张表在白名单和黑名单中都出现了，那么这张表最终不会被订阅到，因为白名单通过后，黑名单又将这张表给过滤掉了。

另外一点值得注意的是，过滤规则使用的是perl正则表达式，而不是jdk自带的正则表达式。意味着filter模块引入了其他依赖，来进行匹配。具体来说，filter模块的pom.xml中包含以下两个依赖：

<dependency>
<groupId>com.googlecode.aviator</groupId>
<artifactId>aviator</artifactId>
</dependency>
<dependency>
<groupId>oro</groupId>
<artifactId>oro</artifactId>
</dependency>

其中：

aviator：是一个开源的、高性能、轻量级的 java 语言实现的表达式求值引擎

oro：全称为Jakarta ORO，最全面以及优化得最好的正则表达式API之一，Jakarta-ORO库以前叫做OROMatcher，是由DanielF. Savarese编写，后来捐赠给了apache Jakarta Project。canal的过滤规则就是通过oro中的Perl5Matcher来进行完成的。

显然，对于filter模块的源码解析，实际上主要变成了对aviator、oro的分析。

这一点，我们可以从filter模块核心接口CanalEventFilter的实现类中得到验证。CanalEventFilter接口定义了一个filter方法：

public interface CanalEventFilter<T> {
boolean filter(T event) throws CanalFilterException;
}

目前针对CanalEventFilter提供了3个实现类，都是基于开源的java表达式求值引擎Aviator，如下：

提示：这个3个实现都是以Aviater开头，应该是拼写错误，正确的应该是Aviator。

其中：

AviaterELFilter：基于Aviator el表达式的匹配过滤
AviaterSimpleFilter：基于Aviator进行tableName简单过滤计算，不支持正则匹配
AviaterRegexFilter：基于Aviator进行tableName正则匹配的过滤算法。内部使用到了一个RegexFunction类，这是对Aviator自定义的函数的扩展，内部使用到了oro中的Perl5Matcher来进行正则匹配。

需要注意的是，尽管filter模块提供了3个基于Aviator的过滤器实现，但是实际上使用到的只有AviaterRegexFilter。这一点可以在canal-deploy模块提供的xxx-instance.xml配置文件中得要验证。以default-instance.xml为例，eventParser这个bean包含以下两个属性：

<bean id="eventParser" class="com.alibaba.otter.canal.parse.inbound.mysql.MysqlEventParser">
<property name="eventFilter">
<bean class="com.alibaba.otter.canal.filter.aviater.AviaterRegexFilter" >
<constructor-arg index="0" value="${canal.instance.filter.regex:.*\..*}" />
</bean>
</property>
<property name="eventBlackFilter">
<bean class="com.alibaba.otter.canal.filter.aviater.AviaterRegexFilter" >
<constructor-arg index="0" value="${canal.instance.filter.black.regex:}" />
<constructor-arg index="1" value="false" />
</bean>
</property>
</bean>

其中：

eventFilter属性：使用配置项canal.instance.filter.regex的值进行白名单过滤。
eventBlackFilter属性：使用配置项canal.instance.filter.black.regex进行黑名单过滤。

这两个属性的值都是通过一个内部bean的方式进行配置，类型都是AviaterRegexFilter。由于其他两个类型的CanalEventFilter实现在parser模块中并没有使用到，因此后文中，我们也只会对AviaterRegexFilter进行分析。

前面提到，parser模块在过滤的时候，会先根据canal.instance.filter.regex进行白名单过滤，再根据 canal.instance.filter.black.regex进行黑名单过滤。到这里，实际上就是先通过eventFilter进行摆明但过滤，通过eventBlackFilter进行黑名单过滤。

parser模块实际上会将eventFilter、eventBlackFilter设置到一个LogEventConvert对象中，这个对象有2个方法：parseQueryEvent和parseRowsEvent都进行了过滤。以parseRowsEvent方法为例：

com.alibaba.otter.canal.parse.inbound.mysql.dbsync.LogEventConvert#parseRowsEvent(省略部分代码片段)

private Entry parseRowsEvent(RowsLogEvent event) {
...
TableMapLogEvent table = event.getTable();
String fullname = table.getDbName() + "." + table.getTableName();
// check name filter
if (nameFilter != null && !nameFilter.filter(fullname)) {
return null;
}
if (nameBlackFilter != null && nameBlackFilter.filter(fullname)) {
return null;
}
...
}

这里的nameFilter、nameBlackFilter实际上就是我们设置到parser中的 eventFilter、eventBlackFilter，只不过parser将其设置到LogEventConvert对象中换了一个名字。

可以看到，的确是先使用nameFilter进行白名单过滤，再使用nameBlackFilter进行黑名单过滤。在过滤时，使用dbName+"."+tableName作为参数，进行过滤。如果被过滤掉了，就返回null。

再次提醒，由于黑名单后过滤，因此如果希望订阅一个表，一定不要在黑名单中出现。

1.2 客户端配置

上面提到的都是服务端配置。canal也支持客户端配置过滤规则。举例来说，假设一个库有10张表，一个client希望订阅其中5张表，另一个client希望订阅另5张表。此时，服务端可以订阅10张表，当client来消费的时候，根据client的过滤规则只返回给对应的binlog event。

客户端指定过滤规则通过client模块中的CanalConnector的subscribe方法来进行，subscribe有两种重载形式，如下：

//对于第一个subscribe方法，不指定filter，以服务端的filter为准
void subscribe() throws CanalClientException;
// 指定了filter：
// 如果本次订阅中filter信息为空，则直接使用canal server服务端配置的filter信息
// 如果本次订阅中filter信息不为空，目前会直接替换canal server服务端配置的filter信息，以本次提交的为准
void subscribe(String filter) throws CanalClientException;

通过不同client指定不同的过滤规则，可以达到服务端一份数据供多个client进行订阅消费的效果。

然而，想法是好的，现实确是残酷的，由于目前一个canal instance只允许一个client订阅，因此目前还达不到这种效果。读者明白这种设计的初衷即可。

最后列出filter模块的目录结构，这个模块的类相当的少，如下：

到此，filter模块的主要作用已经讲解完成。接着应该针对AviaterRegexFilter进行源码分析，由于其基于Aviator和oro基础之上编写，因此先对Aviator和oro进行介绍。

2 Aviator快速入门

说明，这里关于Aviator的相关内容直接摘录自官网：https://github.com/killme2008/aviator，并没有包含Aviator所有内容，仅仅是就canal内部使用到的一些特性进行讲解。

Aviator是一个高性能、轻量级的 java 语言实现的表达式求值引擎, 主要用于各种表达式的动态求值。现在已经有很多开源可用的 java 表达式求值引擎,为什么还需要 Avaitor 呢?

Aviator的设计目标是轻量级和高性能,相比于Groovy、JRuby的笨重, Aviator非常小, 加上依赖包也才 537K,不算依赖包的话只有 70K; 当然, Aviator的语法是受限的, 它不是一门完整的语言, 而只是语言的一小部分集合。

其次, Aviator的实现思路与其他轻量级的求值器很不相同, 其他求值器一般都是通过解释的方式运行, 而Aviator则是直接将表达式编译成 JVM 字节码, 交给 JVM 去执行。简单来说, Aviator的定位是介于 Groovy 这样的重量级脚本语言和 IKExpression 这样的轻量级表达式引擎之间。

Aviator 的特性：

支持绝大多数运算操作符，包括算术操作符、关系运算符、逻辑操作符、位运算符、正则匹配操作符(=~)、三元表达式(?:)
支持操作符优先级和括号强制设定优先级
逻辑运算符支持短路运算。
支持丰富类型，例如nil、整数和浮点数、字符串、正则表达式、日期、变量等，支持自动类型转换。
内置一套强大的常用函数库
可自定义函数，易于扩展
可重载操作符
支持大数运算(BigInteger)和高精度运算(BigDecimal)
性能优秀

引入Aviator, 从 3.2.0 版本开始， Aviator 仅支持 JDK 7 及其以上版本。 JDK 6 请使用 3.1.1 这个稳定版本。

<dependency>
<groupId>com.googlecode.aviator</groupId>
<artifactId>aviator</artifactId>
<version>{version}</version>
</dependency>

注意：canal 1.0.24 中使用的是Aviator 2.2.1版本。

Aviator的使用都是集中通过com.googlecode.aviator.AviatorEvaluator这个入口类来处理。在canal提供的AviaterRegexFilter中，仅仅使用到了Aviator部分功能，我们这里也仅仅就这些功能进行讲解。

2.1 编译表达式

参考：https://github.com/killme2008/aviator/wiki#%E7%BC%96%E8%AF%91%E8%A1%A8%E8%BE%BE%E5%BC%8F

案例：

public class TestAviator {
public static void main(String[] args) {
//1、定义一个字符串表达式
String expression = "a-(b-c)>100";
//2、对表达式进行编译，得到Expression对象实例
Expression compiledExp = AviatorEvaluator.compile(expression);
//3、准备计算表达式需要的参数
Map<String, Object> env = new HashMap<String, Object>();
env.put("a", 100.3);
env.put("b", 45);
env.put("c", -199.100);
//4、执行表达式，通过调用Expression的execute方法
Boolean result = (Boolean) compiledExp.execute(env);
System.out.println(result); // false
}
}

通过compile方法可以将表达式编译成Expression的中间对象, 当要执行表达式的时候传入env并调用Expression的execute方法即可。表达式中使用了括号来强制优先级, 这个例子还使用了>用于比较数值大小, 比较运算符!=、==、>、>=、<、<=不仅可以用于数值, 也可以用于String、Pattern、Boolean等等, 甚至是任何用户传入的两个都实现了java.lang.Comparable接口的对象之间。

编译后的结果你可以自己缓存, 也可以交给 Aviator 帮你缓存, AviatorEvaluator内部有一个全局的缓存池, 如果你决定缓存编译结果, 可以通过:

public static Expression compile(String expression, boolean cached)

将cached设置为true即可, 那么下次编译同一个表达式的时候将直接返回上一次编译的结果。

使缓存失效通过以下方法：

public static void invalidateCache(String expression)

2.2 自定义函数

参考：https://github.com/killme2008/aviator/wiki#%E8%87%AA%E5%AE%9A%E4%B9%89%E5%87%BD%E6%95%B0

Aviator 除了内置的函数之外,还允许用户自定义函数,只要实现com.googlecode.aviator.runtime.type.AviatorFunction接口, 并注册到AviatorEvaluator即可使用. AviatorFunction接口十分庞大, 通常来说你并不需要实现所有的方法, 只要根据你的方法的参数个数, 继承AbstractFunction类并override相应方法即可。

可以看一个例子,我们实现一个add函数来做数值的相加:

//1、自定义函数AddFunction，继承AbstractFunction，覆盖其getName方法和call方法
class AddFunction extends AbstractFunction {
// 1.1 getName用于返回函数的名字，之后需要使用这个函数时，达表示需要以add开头
public String getName() {
return "add";
}
// 1.2 在执行计算时，call方法将会被回调。call方法有多种重载形式，参数可以分为2类：
// 第一类：所有的call方法的第一个参数都是Map类型的env参数。
// 第二类：不同数量的AviatorObject参数。由于在这里我们的add方法只接受2个参数，
// 所以覆盖接受2个AviatorObject参数call方法重载形式
// 用户在执行时，通过"函数名(参数1,参数2,...)"方式执行函数，如："add(1, 2)"
@Override
public AviatorObject call(Map<String, Object> env, AviatorObject arg1, AviatorObject arg2) {
Number left = FunctionUtils.getNumberValue(arg1, env);
Number right = FunctionUtils.getNumberValue(arg2, env);
return new AviatorDouble(left.doubleValue() + right.doubleValue());
}
}
public class TestAviator {
public static void main(String[] args) {
//注册函数
AviatorEvaluator.addFunction(new AddFunction());
System.out.println(AviatorEvaluator.execute("add(1, 2)")); // 3.0
System.out.println(AviatorEvaluator.execute("add(add(1, 2), 100)")); // 103.0
}
}

注册函数通过AviatorEvaluator.addFunction方法, 移除可以通过removeFunction。另外， FunctionUtils 提供了一些方便参数类型转换的方法。

3 AviaterRegexFilter源码解析

AviaterRegexFilter实现了CanalEventParser接口，主要是实现其filter方法对binlog进行过滤。

首先对AviaterRegexFilter中定义的字段和构造方法进行介绍：

com.alibaba.otter.canal.filter.aviater.AviaterRegexFilter

public class AviaterRegexFilter implements CanalEventFilter<String> {
//我们的配置的binlog过滤规则可以由多个正则表达式组成，使用逗号”,"进行分割
private static final String SPLIT = ",";
//将经过逗号",”分割后的过滤规则重新使用|串联起来
private static final String PATTERN_SPLIT = "|";
//canal定义的Aviator过滤表达式，使用了regex自定义函数，接受pattern和target两个参数
private static final String FILTER_EXPRESSION = "regex(pattern,target)";
//regex自定义函数实现，RegexFunction的getName方法返回regex，call方法接受两个参数
private static final RegexFunction regexFunction = new RegexFunction();
//对自定义表达式进行编译，得到Expression对象
private final Expression exp = AviatorEvaluator.compile(FILTER_EXPRESSION, true);
static {
//将自定义函数添加到AviatorEvaluator中
AviatorEvaluator.addFunction(regexFunction);
}
//用于比较两个字符串的大小
private static final Comparator<String> COMPARATOR = new StringComparator();
//用户设置的过滤规则，需要使用SPLIT进行分割
final private String pattern;
//在没有指定过滤规则pattern情况下的默认值，例如默认为true，表示用户不指定过滤规则情况下，总是返回所有的binlog event
final private boolean defaultEmptyValue;
public AviaterRegexFilter(String pattern) {
this(pattern, true);
}
//构造方法
public AviaterRegexFilter(String pattern, boolean defaultEmptyValue) {
//1 给defaultEmptyValue字段赋值
this.defaultEmptyValue = defaultEmptyValue;
//2、给pattern字段赋值
//2.1 将传入pattern以逗号",”进行分割，放到list中；如果没有指定pattern，则list为空，意味着不需要过滤
List<String> list = null;
if (StringUtils.isEmpty(pattern)) {
list = new ArrayList<String>();
} else {
String[] ss = StringUtils.split(pattern, SPLIT);
list = Arrays.asList(ss);
}
//2.2 对list中的pattern元素，按照从长到短的排序
Collections.sort(list, COMPARATOR);
//2.3 对pattern进行头尾完全匹配
list = completionPattern(list);
//2.4 将过滤规则重新使用|串联起来赋值给pattern
this.pattern = StringUtils.join(list, PATTERN_SPLIT);
}
...
}

上述代码中，2.2 步骤使用了COMPARATOR对list中分割后的pattern进行比较，COMPARATOR的类型是StringComparator，这是定义在AviaterRegexFilter中的一个静态内部类

/**
* 修复正则表达式匹配的问题，因为使用了 oro 的 matches，会出现：
* foo|foot 匹配 foot 出错，原因是 foot 匹配了 foo 之后，会返回 foo，但是 foo 的长度和 foot 的长度不一样
* 因此此类对正则表达式进行了从长到短的排序
*/
private static class StringComparator implements Comparator<String> {
@Override
public int compare(String str1, String str2) {
if (str1.length() > str2.length()) {
return -1;
} else if (str1.length() < str2.length()) {
return 1;
} else {
return 0;
}
}
}

上述代码2.3节调用completionPattern(list)方法对list中分割后的pattern进行头尾完全匹配

/**
* 修复正则表达式匹配的问题，即使按照长度递减排序，还是会出现以下问题：
* foooo|f.*t 匹配 fooooot 出错，原因是 fooooot 匹配了 foooo 之后，会将 fooo 和数据进行匹配，
* 但是 foooo 的长度和 fooooot 的长度不一样，因此此类对正则表达式进行头尾完全匹配
*/
private List<String> completionPattern(List<String> patterns) {
List<String> result = new ArrayList<String>();
for (String pattern : patterns) {
StringBuffer stringBuffer = new StringBuffer();
stringBuffer.append("^");
stringBuffer.append(pattern);
stringBuffer.append("$");
result.add(stringBuffer.toString());
}
return result;
}
}

filter方法

AviaterRegexFilter类中最重要的就是filter方法，由这个方法执行过滤，如下：

//1 参数：前面已经分析过parser模块的LogEventConvert中，会将binlog event的 dbName+”."+tableName当做参数过滤
public boolean filter(String filtered) throws CanalFilterException {
//2 如果没有指定匹配规则，返回默认值
if (StringUtils.isEmpty(pattern)) {
return defaultEmptyValue;
}
//3 如果需要过滤的dbName+”.”+tableName是一个空串，返回默认值
//提示：一些类型的binlog event，如heartbeat，并不是真正修改数据，这种类型的event是没有库名和表名的
if (StringUtils.isEmpty(filtered)) {
return defaultEmptyValue;
}
//4 将传入的dbName+”."+tableName通过canal自定义的Aviator扩展函数RegexFunction进行计算
Map<String, Object> env = new HashMap<String, Object>();
env.put("pattern", pattern);
env.put("target", filtered.toLowerCase());
return (Boolean) exp.execute(env);
}

第4步通过exp.execute方法进行过滤判断，前面已经看到，exp这个Expression实例是通过"regex(pattern,target)"编译得到。根据前面对AviatorEvaluator的介绍，其应该调用一个名字为regex的Aviator自定义函数，这个函数接受2个参数。

RegexFunction的实现如下所示：

com.alibaba.otter.canal.filter.aviater.RegexFunction

public class RegexFunction extends AbstractFunction {
public AviatorObject call(Map<String, Object> env, AviatorObject arg1, AviatorObject arg2) {
String pattern = FunctionUtils.getStringValue(arg1, env);
String text = FunctionUtils.getStringValue(arg2, env);
Perl5Matcher matcher = new Perl5Matcher();
boolean isMatch = matcher.matches(text, PatternUtils.getPattern(pattern));
return AviatorBoolean.valueOf(isMatch);
}
public String getName() {
return "regex";
}
}

可以看到，在这个函数里面，实际上是根据配置的过滤规则pattern，以及需要过滤的内容text(即dbName+”.”+tableName)，通过jarkata-oro中Perl5Matcher类进行正则表达式匹配。

posted @ 2022-02-17 12:21 hanease 阅读(753) 评论(0) 编辑收藏举报

会员力量，点亮园子希望

刷新页面返回顶部

hanease