阿里大数据之路总结

一、数据采集

二、数据同步

2.1、数据同步方式：

数据同步的三种方式：直连方式、数据文件同步、数据库日志解析方式

关系型数据库的结构化数据：MYSQL、Oracle、DB2、SQL Server
非关系型数据库的非结构化数据（数据库表形式存储）：OceanBase、HBase、MongoDB
文件系统的结构化和非结构化数据（文件形式存储）：阿里云对象存储OSS、文件存储NAS

2.1.1、直连同步

通过规范接口API(ODBC/JDBC等)和基于动态链接库的方式直连业务库

适合：适合操作型业务系统数据同步

优点：配置简单、方便

缺点：对源系统性能影响 -- 可考虑主备的方式从备库抽取，但当数据量很大时，抽取性能很差，不适合从业务库到数仓的数据同步

主备抽取：

 

 2.1.2、数据文件同步

数据文件通过约定好的文件编码、格式、大小等将源库生成的数据的文本文件，通过专门的文件服务器(如FTP服务器)，加载到目标数据库系统

适合：数据源有多个异构数据库系统(MYSQL、Oracle、SQL Server、DB2等)，互联网的日志类数据通常是文本文件，也适合

优点：适合多个数据源

缺点：文件服务器上传下载易丢包，通常在上传时候伴随一份校验文件，记录数据文件数据量和大小。同时也可以在上传下载时候进行压缩，减少传输量

 

2.1.3、数据库日志解析(主流)

大多主流库实现了日志文件系统进行系统恢复、主从同步，所以可以通过解析日志文件进行获取数据变更，达到增量数据同步需求。

以Orcale为例，通过源系统进程，读取归档日志文件收集变化数据信息，解析到对应目标数据文件中(这种读操作在操作系统层面，不影响源系统性能---在机器层面)。然后通过网络协议，实现源系统和目标系统之间数据文件传输(相关进程保证数据文件接受和网络包的顺序，童工网络传输冗余，确保文件完整性)。数据到目标系统后可通过数据加载模块完成数据导入，完成同步。

适用：绝大部分实现了日志文件系统的主流数据库，用于绝大多数业务库到数仓增量同步

优点：效率高、性能好，达到了实时和准实时同步能力(ms级别延迟)，对源库性能影响很小

缺点：数据延迟(例：业务库做补录会导致数据增量超出系统处理峰值，导致数据延迟)；

          投入较大，需要部署一个实时抽取任务抽取数据同步；

          数据飘移和遗漏：“零点飘移”问题

注：日志抽取获得所有数据记录变更(增-I、删-D、改-U)，所以我们需要根据主键去重按照时间倒排去获取最后状态变化情况

1、不过滤删除。不管是否是删除操作，都获取同一主键最后的变更记录

2、过滤最后一条删除记录。如果同一主键最后一跳变更记录是删除操作，就取倒数第二条变更记录

3、过滤删除和之前的操作。如果同一主键的变更记录中有删除操作，则根据操作时间将删除操作对应的记录和之前的记录都过滤掉

2.2、阿里数仓同步方式