写在前面
研发团队，研发规模发展到一定阶段，各种平台化，中台化的方案就走上了日程。见多了业务架构的平台化方案，今天我们来拆解下数据总线平台的架构。
数据总线平台架构
数据平台的数据源主要来自于两个渠道：
- 关系数据库
- 日志数据
先看一张通用的数据总线平台架构图：
数据采集
关系数据库源数据采集，一般采用模拟mysql的slave方式接收binlog信息以实现数据抽取，同时需要对日志信息进行信息转换，转换后数据入kafka进行平滑流控传输，下游消费者进行数据消费，写入数据管理平台。
日志数据来自于各种中间件数据，比如redis日志，nginx日志，rpc日志，es日志，文件系统日志等，通过filebeat或者socket方式到服务器节点agent，通过agent采集并统一发往kafka系统，之后写入数据管理平台。
关系数据库采集
采集流程分为三个部分：
- 日志抽取模块
- 增量转换模块
- 全量拉取模块
日志抽取模块由两部分组成：
- canal server：负责从mysql拉取增量日志
- mysql-extractor storm：负责将增量日志输出到kafka，过滤掉不需要的表数据，保证at least one和高可用
mysql主备是通过binlog实现的。binlog同步有三种模式：
- Row模式
- Statement模式
- Mixed模式
一般采用Row模式进行复制，可以读取全量日志。
部署上可以采用2个master(vip)+1个slave+1个backup作为容灾，读取binlog日志从slave读取。
binlog采集工具比较多，有dbus和阿里的canal都可以进行增量数据读取。
日志抽取模块将目标数据从canal server读取，放到kafka中。
可以基于zk的canal server高可用模式，不出现单点问题，日志抽取模块可以用storm程序，同样做好高可用。
增量日志抽取流程如下：
分发模块：
- 将来自数据源的日志按照不同的schema分发到不同topic上，这样为了数据隔离，一般不同到schema对应不同的数据库
- 同时为了分离转换模块的计算的压力，转换模块计算量较大，可以多节点部署，每个schema一个，以便提升效率
转换模块：
- 实时数据格式转换模块，canal数据是pb编码格式，需要转换成业务要求的格式，并生成相关id信息
- 实时数据脱敏，对指定列信息进行脱敏，编码，加盐等
- 响应全量事件的能力，当收到需要响应全量数据的需求时，为保证数据顺序，会暂停拉取增量数据，等全量完成之后，再继续
- 监控数据，分发模块和转换模块都会响应event，统计每一张表在两次心跳中的数据和延迟情况，发到统计系统进行监控数据
- 分发模块和转换模块，都可以执行reload事件，对zk上的源数据进行加载配置
全量拉取：
全量拉取借鉴sqoop思想，整个全量过程分为两个部分：
- 数据分片
- 实际拉取
数据分片
分片获取max，min，count等信息，根据片大小计算分片数，生成分片信息保存到split topic中。
关系数据采用主键索引进行分片，高效，且主键和数据存储顺序一致。
实际拉取
每个分片代表一个小任务，由拉取转换模块通过多个并发度到方式连接slave从库拉取，完成情况汇报到zk中，便于监控。
由于全量拉取对于源数据库有一定的压力，做法如下：
- 从slave从库拉取数据
- 并发度6～8
- 推荐在业务低峰期进行
全量拉取不经常发生，一般做初始化拉取一次，某种情况下需要全量时可以触发一次。
一致性处理
为保证日志消息顺序性，kafka我们使用一个partition方式，基本上顺序的和唯一的。如果出现写kafka异步写入失败，storm有重做机制，因此并不是严格保证exactly once和完全顺序性，保证的是at least once。
因此ums_id_变得尤为重要。 对于全量抽取，ums_id是一个值，该值为全量拉取event的ums_id号，表示该批次的所有数据是一批的，因为数据都是不同的可以共享一个ums_id_号。ums_uid_流水号从zk中生成，保证了数据的唯一性。 对于增量抽取，我们使用的是 mysql的日志文件号 + 日志偏移量作为唯一id。Id作为64位的long整数，高6位用于日志文件号，低13位作为日志偏移量。 例如：000103000012345678。 103 是日志文件号，12345678 是日志偏移量。 这样，从日志层面保证了物理唯一性（即便重做也这个id号也不变），同时也保证了顺序性（还能定位日志）。通过比较ums_id_就能知道哪条消息更新。
ums_ts_的价值在于从时间维度上可以准确知道event发生的时间。比如：如果想得到一个某时刻的快照数据。可以通过ums_ts 来知道截断时间点。
日志数据采集
业界日志收集、结构化、分析工具方案很多，例如：Logstash、Filebeat、Flume、Fluentd、Chukwa. scribe、Splunk等，各有所长。
在结构化日志这个方面，大多采用配置正则表达式模板：用于提取日志中模式比较固定、通用的部分，例如日志时间、日志类型、行号等。对于真正的和业务比较相关的信息，这边部分是最重要的，称为message部分，我们希望使用可视化的方式来进行结构化。
log4j的日志如下：
如果想将上述日志转换成结构化数据：
DBUS设计的数据日志同步方案如下：
日志抓取端采用业界流行的组件（例如Logstash、Flume、Filebeat等）。一方面便于用户和业界统一标准，方便用户的整合；另一方面也避免无谓的重造轮子。抓取数据称为原始数据日志（raw data log）放进Kafka中，等待处理。
提供可视化界面，配置规则来结构化日志。用户可配置日志来源和目标。同一个日志来源可以输出到多个目标。每一条“日志源-目标”线，中间数据经过的规则处理用户根据自己的需求来自由定义。最终输出的数据是结构化的，即：有schema约束，可以理解为类似数据库中的表。
所谓规则，在DBUS中，即“规则算子”。DBUS设计了丰富易用的过滤、拆分、合并、替换等算子供用户使用。用户对数据的处理可分多个步骤进行，每个步骤的数据处理结果可即时查看、验证；可重复使用不同算子，直到转换、裁剪得到自己需要的数据。
将配置好的规则算子组运用到执行引擎中，对目标日志数据进行预处理，形成结构化数据，输出到Kafka，供下游数据使用方使用。
流程如下：
根据配置，我们支持同一条原始日志，能提取为一个表数据，或者可以提取为多个表数据。
每个表是结构化的，满足相同的schema。
每个表是一个规则 算子组的合集，可以配置1个到多个规则算子组 每个规则算子组，由一组规则算子组合而成 拿到一条原始数据日志， 它最终应该属于哪张表呢？
每条日志需要与规则算子组进行匹配：
符合条件的进入规则算子组的，最终被规则组转换为结构化的表数据。 不符合的尝试下一个规则算子组。 都不符合的，进入unknown_table表。
自定义统一消息格式
无论是增量、全量还是日志，最终输出到结果kafka中的消息都是我们约定的统一消息格式,称为UMS(unified message schema)格式。如下图所示：
Protocol
数据的类型，被UMS的版本号
schema 1）namespace 由：类型. 数据源名.schema名 .表名.表版本号. 分库号 .分表号 组成，能够描述所有表。
例如：mysql.db1.schema1.testtable.5.0.0
2）fields是字段名描述。
ums_id_ 消息的唯一id，保证消息是唯一的 ums_ts_ canal捕获事件的时间戳； ums_op_ 表明数据的类型是I (insert)，U (update)，B (before Update)，D(delete) ums_uid_ 数据流水号，唯一值 3）payload是指具体的数据。
一个json包里面可以包含1条至多条数据，提高数据的有效载荷。
心跳监控和预警
RDBMS类系统涉及到数据库的主备同步，日志抽取，增量转换等多个模块等。
日志类系统涉及到日志抽取端，日志转换模模块等。
如何知道系统正在健康工作，数据是否能够实时流转？ 因此对流程的监控和预警就尤为重要。
对于RDBMS类系统
心跳模块从dbusmgr库中获得需要监控的表列表，以固定频率（比如每分钟）向源端dbus库的心跳表插入心跳数据（该数据中带有发送时间），该心跳表也作为增量数据被实时同步出来，并且与被同步表走相同的逻辑和线程（为了保证顺序性，当遇到多并发度时是sharding by table的，心跳数据与table数据走同样的bolt），这样当收到心跳数据时，即便没有任何增删改的数据，也能证明整条链路是通的。
增量转换模块和心跳模块在收到心跳包数据后，就会发送该数据到influxdb中作为监控数据，通过grafana进行展示。 心跳模块还会监控延时情况，根据延时情况给以报警。
对于日志类系统
从源端就会自动产生心跳包，类似RDBMS系统，将心跳包通过抽取模块，和算子转换模块同步到末端，由心跳模块负责监控和预警。