实时电商数仓（八）之数据采集（七）数据库数据采集（二）canal 入门

1  什么是 canal 

    　　阿里巴巴B2B公司，因为业务的特性，卖家主要集中在国内，买家主要集中在国外，所以衍生出了杭州和美国异地机房的需求，从2010年开始，阿里系公司开始逐步的尝试基于数据库的日志解析，获取增量变更进行同步，由此衍生出了增量订阅&消费的业务。

　　　canal是用java开发的基于数据库增量日志解析，提供增量数据订阅&消费的中间件。目前，canal主要支持了MySQL的binlog解析，解析完成后才利用canal client 用来处理获得的相关数据。（数据库同步需要阿里的otter中间件，基于canal）。

 

2 使用场景

 

1）原始场景： 阿里otter中间件的一部分

 

otter是阿里用于进行异地数据库之间的同步框架，canal是其中一部分。

2） 常见场景1：更新缓存

 

 

 3）  场景2：抓取业务数据新增变化表，用于制作拉链表。

 4）  **场景3：抓取业务表的新增变化数据，用于制作实时统计。

 

3 canal的工作原理

 

 

 

复制过程分成三步：

1) Master主库将改变记录，写到二进制日志(binary log)中  

2) Slave从库向mysql master发送dump协议，将master主库的binary log events拷贝到它的中继日志(relay log)；

3) Slave从库读取并重做中继日志中的事件，将改变的数据同步到自己的数据库。

canal的工作原理很简单，就是把自己伪装成slave，假装从master复制数据。

 

 

 

4  mysql的binlog

4.1 什么是binlog

    MySQL的二进制日志可以说是MySQL最重要的日志了，它记录了所有的DDL和DML(除了数据查询语句)语句，以事件形式记录，还包含语句所执行的消耗的时间，MySQL的二进制日志是事务安全型的。

    一般来说开启二进制日志大概会有1%的性能损耗。二进制有两个最重要的使用场景:

    其一：MySQL Replication在Master端开启binlog，Mster把它的二进制日志传递给slaves来达到master-slave数据一致的目的。 

    其二：自然就是数据恢复了，通过使用mysqlbinlog工具来使恢复数据。

二进制日志包括两类文件：二进制日志索引文件（文件名后缀为.index）用于记录所有的二进制文件，二进制日志文件（文件名后缀为.00000*）记录数据库所有的DDL和DML(除了数据查询语句)语句事件。

 

 

4.2 binlog的开启

 

在mysql的配置文件(Linux: /etc/my.cnf ,  Windows: \my.ini)下,修改配置

 

在[mysqld] 区块

 

设置/添加 

log-bin=mysql-bin

这个表示binlog日志的前缀是mysql-bin  ，以后生成的日志文件就是 mysql-bin.123456 的文件后面的数字按顺序生成。 

每次mysql重启或者到达单个文件大小的阈值时，新生一个文件，按顺序编号。

4.3 binlog的分类设置

mysql binlog的格式，那就是有三种，分别是STATEMENT,MIXED,ROW。

在配置文件中可以选择配置

 

 

binlog_format=row

 

区别：

1） statement

        语句级，binlog会记录每次一执行写操作的语句。

        相对row模式节省空间，但是可能产生不一致性，比如

update  tt set create_date=now()

        如果用binlog日志进行恢复，由于执行时间不同可能产生的数据就不同。

        优点： 节省空间

        缺点： 有可能造成数据不一致。

2）  row

        行级， binlog会记录每次操作后每行记录的变化。

        优点：保持数据的绝对一致性。因为不管sql是什么，引用了什么函数，他只记录执行后的效果。

        缺点：占用较大空间。

3）  mixed

        statement的升级版，一定程度上解决了，因为一些情况而造成的statement模式不一致问题

        在某些情况下譬如：

            当函数中包含 UUID() 时；

            包含 AUTO_INCREMENT 字段的表被更新时；

            执行 INSERT DELAYED 语句时；

            用 UDF 时；

        会按照 ROW的方式进行处理

        优点：节省空间，同时兼顾了一定的一致性。

        缺点：还有些极个别情况依旧会造成不一致，另外statement和mixed对于需要对binlog的监控的情况都不方便。