作者介绍
井显生，2019年加入去哪儿，现负责国内机票出票、退款、改签核心业务。在领域驱动设计(DDD)、高并发有大量实践经验。
一、前言
去哪儿网国内机票售后是为用户提供退票、改签、航班变动、行程服务、疫情政策等服务的业务。业务场景中有复杂的基于订单、客票、 PNR 、行程、航司等各种维度的查询诉求，这些数据分散存储在不同的 mysql 数据库表中，难以为复杂业务查询场景提供服务。为解决复杂查询场景，我们设计了一套将数据从一个数据源聚合导入到另一个数据源，提供同构或者异构、低延时的、最终一致性的数据同步系统。
去哪儿数据同步平台是把数据从 mysql 同步到 es 中，并且提供统一的查询网关的服务。随着业务的发展， es 主备集群高可用性存在问题，单一节点故障后难以恢复和补数；同步链路不合理，索引间存在相互影响；公司要求升级 es 集群版本等问题凸显。本文将与大家详细探讨数据同步平台 ES 多版本迁移支持、数据同步平台高可用和数据一致性的设计与实践，希望对大家能够有所帮助或启发。
二、数据同步平台介绍
早期去哪儿推出了基于 Databus 的数据同步系统 1.0 。它解决了多表聚合后写入异构数据存储系统（如 es ，hive 等）的问题。为解决 databus 生产者单点问题、canal和数据配置运维困难和查询客户端管理混乱等痛点，数据同步平台做了整体的架构升级。具体的实践，大家可以参考 Qunar 技术沙龙之前的技术博客《数据同步平台重构实践》。去哪儿数据同步平台主要是数据同步模块、数据中台( crab )和管理模块组成，整体架构如下图所示。
2.1 数据同步平台介绍
数据同步模块包括 databus 、 canal 、 inception gate 等多种实现方案，我们从同步配置易用性、事务性和高可用上考虑选择了阿里巴巴开源分布式数据库同步系统( otter )订阅 mysql binlog ，消息队列使用了 kafka ，数据映射过滤规则自主设计的系统 dts 。
- otter : 基于阿里巴巴开源分布式数据库同步系统改造，主要解决了同步配置页面化、 Databus 生产者单点的问题。同时我们扩展实现了Kafka类型的DataSourceMedia，在otter Load阶段发送消息给Kafka。
- dts : 设计思路参考 otter 的模式，主要包括 Node 、补数任务和数据库反查组件。Node 是由 SFTL 四个阶段组成， S 是从 kafka 消费数据， F 是过滤数据， T 是重新组装数据(主子表关联、 Array 处理)， L 是把数据通过 Crab-client 写入 ES 网关中。
2.2 数据中台
数据中台( crab )对内提供了数据同步写入服务，对外提供了统一的查询服务。实现了以 appcode es 索引维度的 hystrix 熔断、降级和隔离，通过配置设置了 es 集群的查询流量调度。我们还提供了 crab-client 以 java api 形式屏蔽了dsl复杂细节，降低了业务线接入成本。
- crab : 是数据中台，提供了 ES 的读写服务，提供统一的鉴权、熔断限流、流量分配等功能。
- es group: es group 是指一个 index 存在于多个 es 机群中，逻辑上划分为组，为读写提供主备高可用服务。
- 业务接入方：业务接入方通过 crab-client 接入对 es 进行查询， crab-client 简化了查询复杂度，方便业务接入。
2.3 管理平台
管理平台对整个数据同步平台来说可以是一个 optional 的环境，只有在第一次启动启动时需要，一定启动了任务后，无论管理平台是否可用，不影响正常功能。管理平台维护了数据同步配置、 dts node 的上下线，管理数据中台 crab 的鉴权、限流和 ES 集群读写流量分配。
- mysql mmm pxc：公司内部 mysql 三种架构(单节点mysql、mmm 和 pxc )。由 otter 内置 canal 订阅 binlog ，提供数据同步元数据。
- manager : 管理工作节点( otter 、 dts 、 crab )运行时的配置，主要包括读写鉴权、 ES 集群分组、 ES 索引维护、 ES 主备集群查询流量分配、dts 数据聚合 node 管理和其他管理功能。
- watcher：公司内部监控报警平台，为系统提供全链路的监控和报警。
三、技术演进背景
数据同步平台目前接入了 10 业务线、14 个 es index。2021 Q2 数据组要求统一升级 es5.x 到 es7.x ，同时数据同步平台高可用和稳定性问题凸显，主要表现在以下四个方面：
- ES 主备(任一)机群故障后，整个同步链路不可用，且故障难恢复。
- 数据库 IP 迁移后，otter 无法自动切换数据库。
- 全链路监控和降级熔断不清晰，难以发现故障，排查问题难。
- 同步链路隔离和降级不合理，一个索引同步故障影响了其他索引的同步。
基于上述系统痛点，制定了以下两个目标：
- 数据同步平台系统具备灵活的缩扩容能力，把 es 集群平滑缩扩容迁移，升级 es5.x 到 es7.x 。 这个目标不仅满足数据组需求，还提高了数据同步平台的高可用能力，单一 es 集群故障时可以灵活的配置上下线恢复故障。
- 同步全链路高可用优化 梳理全链路的流量治理和熔断降级机制，建立同步各个阶段的高可用方案，隔离不同索引同步间的相互影响。
四、技术演进实践
4.1 es 集群 7.x 升级和热拔插
crab 是数据中台，提供了 es 集群的读写服务，核心架构如下图所示。manager 配置 es 集群分组和查询流量控制， crab 定时拉取配置信息，对外提供读写操作。7.x 升级和热拔插目标可以拆解为crab网关支持 es5.x 和 es7.x 并行、es 集群热拔插、es 集群灵活补数三个任务项。
4.1.1 es5.x 和 es7.x 并行
es5.x 和 es7.x 在版本上存在差异，主要包括 es rest client 兼容性，REST APIs 兼容性，es 查询返回值的三部分：
- Elastic rest client
es 客户端目前主要是以下四个，从 es5.x 和 es7.x 多版本支持上看 Elastic java low level rest client兼容所有版本es，综合比较后我们选择使用Elastic java low level rest client。
- REST APIs
crab网关支持的REST APIs主要包括Search APIs、Document APIs 和 Script APIs
Search APIs 主要支持 Search 、Scroll 对 ES 进行查询操作。主要区别如下表格。es7.x 功能实现需要在 manager 中配置 ES 的版本， crab 在构建请求时识别 es 的版本后构建不同的 endpoint 进行适配。
Document APIs主要支持 Index、 Update 和 Delete ， crab 网关 insert 和 update 操作都统一使用 upsert 操作实现。
- Query DSL 和 Scripting
Elasticsearch 提供了基于 JSON 的完整查询 DSL （Domain Specific Language）来定义查询。es5.x 和 es7.x 版本支持的 dsl 存在差异，针对此场景汇总 crab 中支持的 DSL 语句发现 match 有以下区别；
es nested 类型存储的是父子(1:n)表，更新的时候需要利用 script 解决， es7.x 不再支持 file 的形式指定 script ，需要构建请求时区分 es 版本解决。
- es5.x 和 es7.x 返回值区别
es5.x 和 es7.x 返回值主要差别在 hits 上， es5.x 可以直接返回查询命中数量， es7.x 返回数量是个结构体。如下表。解决方案是 es7.x 的查询 endpoint 默认添加参数 ?track_total_hits=true，返回值的 relation 就是 eq ，获取到返回值后，提取查询名字数量，修改为 es5.x 结构。
4.1.2 es 集群热拔插方案
es 集群热拔插是解决 es7.x 升级的平滑上线和单一 es 集群故障时机群切换的方案。详细切换步骤明细可见下表格。
es7.x 上线从时序上核心 5 个阶段，如下图：
- 1. 执行 reindex 阶段：执行 reindex 将老集群全量数据写入到新集群中，此时新集群中包含的数据是时间段1内的全量数据。
- 2. crab 写入阶段：执行步骤 5 ，此时新产生的数据可以写入新集群，新集群中缺失时间段 2 的数据。
- 3. 后置 diff 补数：从反查组件中查询全量数据，通过crab网关写入组件写入时间段 2 缺失的数据和时间段 3 遗漏的数据。
- 4. 验证数据：验证新老集群时间段数据和抽样 diff 新老集群数据。
- 5. 可查询阶段：diff 一致后新集群可以切换查询。
4.1.3 es 集群灵活补数
针对补数有全量、部分补数的需求，我们制定了 reindex 、 canal 移动位点、 diff 补数定时任务三个补数方案方案。
- reindex:ES 提供了 _reindex 这个 API 供索引进行重建，这种方式可以全量数据重建，具体代码如下：
curl -H "Content-Type: application/json" -XPOST http://ip:port/_reindex -d'{
"source": {
"remote": {
"host": "http://ip:port"
},
"index": "order_info_beta_tts8"
},
"dest": {
"index": "order_info_beta_tts8"
}
}'reindex 补数方案适用于上图时间段 1 的补数，可以把集群 1 索引的数据全量导入到指定的新集群。
- canal 移动位点：通过修改 canal 的位点信息，重新拉取 binlog 方式进行同步补数，由于 binlog 保存时长的问题，位点只能重新同步最近的数据，修改方式如下图：
canal 位点方案适用于时间段近、集群读写 qps 不高的场景，可以用于时间段 2 的补数方案。
- diff 补数定时任务：通过反查组件，反查数据库全量数据方式进行es数据重写。
canal 位点方案适用于时间段近、集群读写 qps 不高的场景，可以用于时间段 2 的补数方案。
- diff 补数定时任务：通过反查组件，反查数据库全量数据方式进行 es 数据重写。
diff 补数方案是精确补数方案，由业务方实现反查组件，数据同步平台调用获取数据后通过 es 网关获取索引中的数据，对比不一致的通过 crab 写入组件写入对应的索引集群。diff 方案可以实现精确补数，缺点是业务接入方有业务开发量。目前线上支持国内机票、国际机票等核心业务。
4.2 数据一致性和高可用
要介绍数据同步平台的数据一致性和高可用，首先以国内机票为例，核心同步信息有订单信息(1)、乘机人信息(n)、航段信息(n)、退款记录(n)等，同步到 ES 索引结构如下图所示。订单信息创建了单个文档，乘机人、航段和退款记录等数组以nested data type内部文档存储。
数据同步流程是由 otter 内置 canal 订阅 binlog 后经过 SETL 四个流程后，写入到 kafka 。dts 消费 kafka 数据，经过 SFTL 四个流程后写入 crab ，最终写入 ES 集群中，如下图所示。
- 数据顺序和最终一致性的保证：
数据最终一致性的保证是由三个层面：1. 数据同步的时候链路上同纬度数据是顺序性的；2. 数据在链路写入失败时，进入失败重试队列；3. 针对重要集群建立 diff 补数任务。 1、按照单维度数据的同步顺序性(otter → kafka → dts → crab → es)
otter Load 阶段写 kafka 时 partition ，要保证同业务分配到同一个 partition 。例如国内机票业务发送 kafka 的partition key 是库名 order_id ，这样可以保证一个订单下的所有binlog被发送到同一个 partition 内。
dts 消费 kafka 的时候是单线程的，处理数据也是有顺序的。通过 dubbo 接口写到 crab 网关时，也是顺序写入 es 中。
2、数据在链路写入失败时，进入失败重试队列
dts 到 crab 和 crab 处理数据过程中都可能因为各种原因失败异常，系统捕获到异常后将数据写入 retry kafka 队列， dts 消费 retry 数据后，通过数据库反查组件，查询最新数据写入 crab 网关保证数据最终一致。
3、针对重要集群建立 diff 补数任务
针对国内机票和国际机票等重要索引，建立了最新一分钟数据 diff 补数逻辑，定时任务通过反查组件，查询全量一分钟数据，跟 es 数据 diff 比较，不一致的数据写入 crab 网关保证数据最终一致性。
- 数据同步链路的高可用：
数据同步链路的高可用(同步顺序：otter → kafka → dts → crab → es)如下:
otter：otter以Pipeline（可以理解成一个es索引的同步）运行在不同的 otter node 中，实现了索引间的隔离。同时内置 canal 以主备模式， S 和 L 阶段以主备模式运行在多个 Node 中，实现了单索引的高可用。
kafka：以每个索引一个 topic ，每个 topic 有多个 partition ,每个 partition 有多个副本实现了高可用。
dts：以 kafka 的 topic 为维度生成了多个 Node 消费数据，以线程隔离的方式实现了索引间的隔离。多个 consumer 实现了单索引的高可用，一个 consumer 销毁后其他 consumer 可继续消费数据。
crab：以调用方 appcode 索引维度创建了 Hystrix 线程池，不仅隔离了索引间的影响还保证了单索引的承载能力。
es：一个索引保存在多个 es 集群中，由管理系统配置查询分流实现了索引的高可用。
由于数据同步平台出现过 kafka 磁盘空间满、 zk 故障等异常 case ，此时可以通过 4.1.3es 集群灵活补数方式对集群进行部署和恢复服务。
- 数据同步的优化：
1、以国际机票生单为例，一个操作是会产生多个主子表的 binlog ，多个 binlog 会写入到同一个 partition ， dts 在消费时可以根据业务特性，以服务单单号为 key ，一批内只保留最后一个 binlog 执行反查和写入，即一批 binlog 中同一个服务单单号不管有几个 binlog ，最后执行反查和写入的只有一次。
2、otter 数据库主备切换并未开源，根据公司主流 mysql 是 pxc 架构，我们定制实现了数据库主备切换功能。
3、otter S 阶段默认拉取 10000 条数据，在大表有 DDL 操作时会打满网卡造成故障，我们根据拉取条数变化动态调整拉取设置。
五、总结和未来规划
通过以上方案，顺利完成了预期目标,实现了数据同步平台的全链路监控和全链路高可用。另外 es 集群读写性能有了量级的变化，国内机票 es5.x 迁移 7.x 查询耗时从 68ms 下降到21ms (下图1)，写入耗时从 34ms 下降到 6ms (下图2)：
系统上线后，在日常维护中出现了几次线上问题，系统的高可用性也经过了考验：
1、工单es老集群物理机故障
6月4号系统报警提示数据中台写入工单索引异常量增长，查询异常日志后发现是 es ip 连接失败，咨询 noc 得知是机器过保宕机，通过 es 集群热拔插方案手动下线掉工单老集群读写恢复故障。
2、kafka 磁盘打满导致同步故障
系统报警发现单索引同步量异常，经排查后发现是 kafka 某台机器磁盘满了导致同步异常，解决完磁盘问题后canal移动位点的形式对数据进行补偿恢复服务。
数据同步平台在同步链路中实现了高可用的方案，但是部分场景是需要人工排查异常后解决。随着更多业务线的接入，对我们的可用性、易用性、可扩展性和低成本接入上面提出更高的要求。未来规划重点包括 dts 数据聚合配置化、故障自动迁移等。
end
