數據湖構建服務搭配Delta Lake玩轉CDC實時入湖

什麼是CDC

Change Data Capture(CDC)用來跟蹤捕獲數據源的數據變化，並將這些變化同步到目標存儲(如數據湖或數據倉庫)，用於數據備份或後續分析，同步過程可以是分鐘/小時/天等粒度，也可以是實時同步。CDC方案分爲侵入式(intrusive manner)和非傾入性(non-intrusive manner)兩種。

侵入式

侵入式方案直接請求數據源系統(如通過JDBC讀取數據)，會給數據源系統帶來性能壓力。常見的方案如下:

最後更新時間(Last Modified)
源表需要有修改時間列，同步作業需要指定最後修改時間參數，表明同步某個時間點之後變更的數據。該方法不能同步刪除記錄的變更，同一條記錄多次變更只能記錄最後一次。

自增id列
源表需要有一個自增id列，同步作業需要指定上次同步的最大id值，同步上次之後新增的記錄行。該方法也不能同步刪除記錄的變更，而且老記錄的變更也無法感知。

非侵入式

非侵入性一般通過日誌的方式記錄數據源的數據變化(如數據庫的binlog)，源庫需要開啓binlog的功能。數據源的每次操作都會被記錄到binlog中(如insert/update/delete等)，能夠實時跟蹤數據插入/刪除/數據多次更新/DDL操作等。

示例:

insert into table testdb.test values("hangzhou",1);
update testdb.test set b=2 where a="hangzhou";
update testdb.test set b=3 where a="hangzhou";
delete from testdb.test where a="hangzhou";

通過將binlog日誌有序的回放到目標存儲中，從而實現對數據源的數據導出同步功能。

常見的CDC方案實現

開源常見的CDC方案實現主要有兩種:

Sqoop離線同步
sqoop是一個開源的數據同步工具，它可以將數據庫的數據同步到HDFS/Hive中，支持全量同步和增量同步，用戶可以配置小時/天的調度作業來定時同步數據。

sqoop增量同步是一種侵入式的CDC方案，支持Last Modified和Append模式。

缺點:

直接jdbc請求源庫拉取數據，影響源庫性能
小時/天調度，實時性不高
無法同步源庫的刪除操作，Append模式還不支持數據更新操作

binlog實時同步
binlog日誌可以通過一些工具實時同步到kafka等消息中間件中，然後通過Spark/Flink等流引擎實時的回放binlog到目標存儲(如Kudu/HBase等)。

缺點:

Kudu/HBase運維成本高
Kudu在數據量大的有穩定性問題, HBase不支持高吞吐的分析
Spark Streaming實現回放binlog邏輯複雜，使用java/scala代碼具有一定門檻

Streaming SQL+Delta Lake實時入湖方案

前面介紹了兩種常見的CDC方案，各自都有一些缺點。阿里雲E-MapReduce團隊提供了一種新的CDC解決方案，利用自研的Streaming SQL搭配Delta Lake可以輕鬆實現CDC實時入湖。這套解決方案同時通過阿里雲最新發布的數據湖構建（Data Lake Formation，DLF）服務提供一站式的入湖體驗。

Streaming SQL

Spark Streaming SQL在Spark Structured Streaming之上提供了SQL能力，降低了實時業務開發的門檻，使得離線業務實時化更簡單方便。

Spark Streaming SQL支持的語法如下:

下面以實時消費SLS爲例:

# 創建loghub源表
spark-sql> CREATE TABLE loghub_intput_tbl(content string)
         > USING loghub
         > OPTIONS
         > (...) 
# 創建delta目標表
spark-sql> CREATE TABLE delta_output_tbl(content string)
         > USING delta
         > OPTIONS
         > (...);
# 創建流式SCAN
spark-sql> CREATE SCAN loghub_table_intput_test_stream
         > ON loghub_intput_tbl
         > USING STREAM;
# 將loghub源表數據插入delta目標表         
spark-sql> INSERT INTO delta_output_tbl SELECT content FROM loghub_table_intput_test_stream;

Delta Lake

Delta Lake是Databricks開源的一種數據湖格式，它在parquet格式之上，提供了ACID事務/元數據管理等能力，同時相比parquet具有更好的性能，能夠支持更豐富的數據應用場景(如數據更新/schema演化等)。

E-MapReduce團隊在開源Delta Lake基礎上做了很多功能和性能的優化，如小文件合併Optimize/DataSkipping/Zorder，SparkSQL/Streaming SQL/Hive/Presto深度集成Delta等。

Streaming SQL+Delta Lake CDC實時入湖

Spark Streaming SQL提供了Merge Into 的語法，搭配Delta Lake的實時寫入能力，可以很方便的實現CDC實時入湖方案。

如上圖所示，只需要SQL就能完成CDC實時入湖，細節步驟詳見E-MapReduce文檔。

阿里雲最新發布的數據湖構建（Data Lake Formation，DLF）服務，提供了完整的一站式入湖解決方案。