数据集成时表模型同步方法解析

01 背景介绍

数据治理的第一步，也是数据中台的一个基础功能 — 即将来自各类业务数据源的数据，同步集成至中台 ODS 层。业务数据源多种多样，单单可能涉及到的主流关系型数据库就有近十种。功能更加全面的数据中台通常还具有对接非关系型数据库、消息队列、日志源、文件源等功能。

数据湖通常是 OLAP 型的数据库，虽然中台系统很少会采用多种数据仓库技术，但在技术选型时，可选项也有很多。数据集成可实现多种异构数据库间的数据同步，想要提升数据中台的易用高效性，自动表模型同步则显得至关重要。

02 数据平台整体架构

整体来看数据平台共有 3 层：业务数据源、数据平台中的数据湖仓及数据应用。

在这里插入图片描述
数据源可包含：

关系型或非关系型数据库；
某个消息系统如 MQTT、Kafka 或 RabbitMQ；
放置在文件服务器上的 CSV 、XML 或 JSON 文件；
非结构化日志或是类似通过 syslog 这样的协议提供的数据
HTTP 接口，通常是 Restful API。

数据湖仓通过一系列数据处理，支撑数据应用。数据应用则包括数据 BI 分析工具、即席查询、开放 API、数据门户等功能板块。

其中，数据湖通常不是通过一步处理即可得到所需数据，所以数据湖也存在分层。比较常见的分层类别：ODS、DWD、DWS 和 ADS 层。有时也会将维度表的数据划分至 DIM 层，不同数据平台系统的分层会有所增减。

本期分享关注重点聚焦在 ODS 层。来自各数据源的数据会通过相应的数据集成技术，几乎不经过处理，直接存放至 ODS 层；数据平台对 ODS 层数据再经过多次处理即可得到数据应用所需数据。

ODS: Operational Data Store，运营数据层，贴源层
DWD: Data Warehouse Details，数据细节层
DWS: Data Warehouse Service，数据服务层
ADS: Application Data Service，应用数据层
DIM: Dimension Data Layer，维度数据层

03 各类数据源集成方式

3.1 数据库数据源的数据集成方式

数据库数据源有两种集成方式：批量同步和实时同步。

批量同步：通过定时执行任务来集成数据。几乎所有的数据库都实现了 JDBC 接口，可借助数据库提供的 JDBC 驱动，通过全量或增量方式从这个数据库中获取数据再导入到数据仓库 ODS 层。
在这里插入图片描述

实时同步：批量同步有一个定时任务，执行完该同步任务即结束；而实时同步方式的同步任务是一直在执行，一旦数据库数据源的数据发生变化，它立刻即能获取到该数据变化情况并同步至 ODS 层。

在这里插入图片描述

3.2 非数据库数据源的数据集成方式

这里主要介绍文件源、API 数据源、消息源和日志源。

文件源：有些业务系统的数据库可能不会开放给数据平台直接连接，而是将数据定时导出为 CSV 文件或类似文件，存放到 SFTP 或者是 S3 等文件服务器。数据平台集成引擎可定时从文件服务器上获取文件，解析数据并导入到 ODS 层。
在这里插入图片描述
API 数据源：通常是一个 Restful 接口，调用该接口即能获取到结构化/半结构化数据，比如 JSON、XML 等格式。数据集成引擎作为 HTTP 的客户端，定时调用 API 接口获取数据，并转换成数据记录，通过 JDBC 方式写入到数据湖。
在这里插入图片描述
消息源：部分业务系统会选择将数据写到消息服务器中，比如 MQTT、AMQP、 Kafka 等。数据中台集成引擎作为消息的“消费者”，负责连接到消息服务器、监听消息队列或 Topic 中的消息，获取来自业务系统的消息并将其转换成数据记录，最后通过 JDBC 方式写入到数据湖。
在这里插入图片描述
日志源：部分业务系统看、可通过 syslog 协议方式将日志写入 syslog 服务端。数据引擎此时可以被视作服务器端，在一个端口监听客户端请求。业务系统端作为 syslog 的客户端，将日志写入到数据引擎监听的端口，数据平台集成引擎收到数据后可解析并转换成数据记录，再通过 JDBC 方式写入到数据湖。
在这里插入图片描述

04 数据集成时模型的创建和同步

4.1 数据库数据源的模型映射

来自数据库的数据源，其数据模型可以直接映射；
字段名可以从源数据库获取；
字段类型先通过 JDBC 驱动获取到 JDBC 的数据类型，再转换为数仓库的数据类型（这里以 PostgreSQL 为例）；
从 JDBC 数据类型到数据库的数据类型映射是可以一对多的，可以由自定义逻辑决定；
可将获取到的 JDBC 数据类型先转换为自定义的中间数据类型，然后映射为数仓数据库的数据类型。

数据类型映射表：源库数据类型对应的 JDBC 数据类型由数据库对应的 JDBC 决定；JDBC 数据类型在 JDK 中的 java.sql.Types 类中定义；JDBC 数据类型对应的数仓库数据类型集成引擎决定。

在这里插入图片描述

4.2 非数据库数据源的模型映射

对于数据源本身不具备 schema 信息的，无法自动映射；
先手动定义模型元数据，再根据模型元数据在数据中创建表。

源数据类型可以是字符型、整形或日期型。数据仓库以 PostgreSQL 为例，字符串类型对应类型包括：text 、char、varchar 等。布尔类型在数仓中可以用 boolean 、varchar 或 bit 类型。整形可以是 int4、int8、int16。数据模型的确定取决于数据平台用户如何创建模型。

在这里插入图片描述

4.3 数据库数据源的数据模型的同步

举例说明，数据源是 MySQL 数据库，其中有一个 nation 表，包括了四个字段，字段类型有：int、char、varchar。此处示例表中的一条数据。

在这里插入图片描述

情景1：那么该数据模型如何同步至数据中台呢？

在数据集成时，数据集成引擎读取源表的数据，并在生成的每一条同步数据里面均包含模型信息。左侧为源数据库中的数据，它在生成的同步数据时将输出如右侧的 JSON 数据。它本身含有模型信息，包括表名、所有字段及字段类型。

图中采用的是中间数据类型，比如源库中 nationkey 字段是 int 类型，对应的中间类型是 int32；name 字段在源库中是 char(25) 类型，对应中间数据类型是 string 外加一个表示长度的 size 参数。该条同步数据也包含数据本身信息，在 payload 字段中。

数据平台集成引擎可以从同步数据中提取到源表模型信息，用于在数据仓库中创建该表的模型信息。数据平台集成引擎可根据该模型生成一个在数据库创建表的 DDL 语句。注意这里表名需添加数据源的前缀标识，因为 ODS 层可能有来自不同数据源的数据，表名可能重复。因此，在 ODS 层中创建表的时需加前缀来避免重复，同时还添加了部分控制字段。

从数据中提取模型信息示例：

在这里插入图片描述
生成建表语句示例：

情景2：在后续数据源模型发生变化时如何处理呢？

可将数据中的模型信息与数据中台中的模型进行对比，如果模型增加了字段，会生成一个表变更语句。表字段类型变化，可根据用户设定的策略做表变更或者保持不变，取决于用户的同步策略。如果字段删除了通常是不会删除的。在获取到的数据写入 ODS 之前，先执行这个建表语句或是表变更语句。数据仓库 ODS 层的模型同步完成以后，再把需要同步的数据写入到数仓的表里面。

4.4 非结构化数据源的数据模型的同步

这里以 API 接口获取到的数据为例：
在这里插入图片描述

当获取到类似左边这样的数据，我们无法直接从数据获取到它的数据类型信息。此时只能由数据平台的使用者手动来创建模型。有了模型后就可根据该模型来生成一条 DDL 语句，然后根据 DDL 语句在数据中台中创建该表。

4.5 数据模型创建的时机

以 KDP（数据服务平台）所使用的 Kafka Connect JDBC 框架为例：使用 JDBC-reader 插件读取源数据库；数据记录转换为消息写入 Kafka 的 Topic 中；使用 JDBC-Writer 插件读取 Topic 中的消息，写入数仓数据库。

在这里插入图片描述

在 Writer 端解析数据模型，进行数仓中表的创建和变更：Writer 端获取到一条数据后，从数据中解析出模型信息；将模型和数仓库中的表结构比对；如果不存在，则创建；如果不一致则修改。
在这里插入图片描述

4.6 KDP 中的数据集成架构

KDP 使用 Kafka Connect 框架实现了数据库源、API 源、文件源、日志源的数据集成:使用各种 Kafka Connect 组件对接各种数据源，将获取的数据转换为统一 SourceRecord；ODS 层使用的是基于 Citus 插件的分布式 PostgreSQL，所以 sink 端可以使用 Kafka Connect JDBC 从 Kafka Topic 消费数据，写入 ODS 层；整个集成任务流由 SpringCloud DataFlow 调度执行。

在这里插入图片描述

KDP 使用 Debezium Connector 实现基于 CDC 的数据库源实时同步Debezium 提供的连接器对接各支持 CDC 的数据库；Debezium 本身是基于 Kafka Connect，将 CDC 事件转换为 SourceRecord 写入 Kafka Topic；Sink 端同样使用 Kafka Connect JDBC 消费数据，写入 ODS 层。

在这里插入图片描述