背景

在实际项目开发中，我们经常将Mysql作为业务数据库，ES作为查询数据库，用来实现读写分离，缓解Mysql数据库的查询压力，应对海量数据的复杂查询。

这其中有一个很重要的问题，就是如何实现Mysql数据库和ES的数据同步，今天和大家聊聊Mysql和ES数据同步的各种方案。

一、Mysql和ES各自的特点

为什么选用Mysql

MySQL 在关系型数据库历史上并没有特别优势的位置，Oracle/DB2/PostgreSQL(Ingres) 三老比 MySQL 开发早了 20 来年, 但是乘着 2000 年的互联网东风, LAMP 架构得到迅速的使用，特别在中国，大部分新兴企业的 IT 系统主数据沉淀于 MySQL 中。

核心特点：开源免费、高并发、稳定、支持事务、支持SQL查询

• 高并发能力：MySQL 内核特征特别适合高并发简单 SQL 操作 ，链接轻量化(线程模式)，优化器、执行器、事务引擎相对简单粗暴，存储引擎做得比较细致

• 稳定性好：主数据库最大的要求就是稳定、不丢数据，MySQL 内核特征反倒让其特点鲜明，从而达到很好的稳定性，主备系统也很早就 ready ,应对崩溃情况下的快速切换，innodb 存储引擎也保障了 MySQL 下盘稳定

• 操作便捷：良好、便捷的用户体验(相比 PostgreSQL) , 让应用开发者非常容易上手 ,学习成本较低

• 开源生态：MySQL 是一款开源产品，让上下游厂商围绕其构建工具相对简单，HA proxy、分库分表中间件让其实用性大大加强，同时开源的特质让其有大量的用户

为什么选用 ES

ES 几个显著的特点，能够有效补足 MySQL 在企业级数据操作场景的缺陷，而这也是我们将其选择作为下游数据源重要原因

核心特点：支持分词检索，多维筛选性能好，支持海量数据查询

• 文本搜索能力：ES 是基于倒排索引实现的搜索系统，配合多样的分词器，在文本模糊匹配搜索上表现得比较好，业务场景广泛

• 多维筛选性能好：亿级规模数据使用宽表预构建(消除 join)，配合全字段索引，使 ES 在多维筛选能力上具备压倒性优势，而这个能力是诸如 CRM, BOSS, MIS 等企业运营系统核心诉求，加上文本搜索能力，独此一家

• 开源和商业并行：ES 开源生态非常活跃，具备大量的用户群体，同时其背后也有独立的商业公司支撑，而这让用户根据自身特点有了更加多样、渐进的选择

二、数据同步方案

1、同步双写

这是一种最为简单的方式，在将数据写到mysql时，同时将数据写到ES。

• 伪代码：

/**
 * 新增商品
 */
@Transactional(rollbackFor = Exception.class)
public void addGoods(GoodsDto goodsDto) {
     //1、保存Mysql
     Goods goods = new Goods();
     BeanUtils.copyProperties(goodsDto,goods);
     GoodsMapper.insert();
 
     //2、保存ES
     IndexRequest indexRequest = new IndexRequest("goods_index","_doc");
     indexRequest.source(JSON.toJSONString(goods), XContentType.JSON);
     indexRequest.setRefreshPolicy(WriteRequest.RefreshPolicy.IMMEDIATE);
     highLevelClient.index(indexRequest);
}

• 优点：

  • 业务逻辑简单
  • 实时性高

• 缺点：

  • 硬编码，有需要写入mysql的地方都需要添加写入ES的代码；
  • 业务强耦合；
  • 存在双写失败丢数据风险；
  • 性能较差：本来mysql的性能不是很高，再加一个ES，系统的性能必然会下降。

• 附：
  上面说的双写失败风险，包括以下几种：

  • ES系统不可用；
  • 程序和ES之间的网络故障；
  • 程序重启，导致系统来不及写入ES等。

针对这种情况，有数据强一致性要求的，就必须双写放到事务中来处理，而一旦用上事物，则性能下降更加明显。

2、异步双写（MQ方式）

针对多数据源写入的场景，可以借助MQ实现异步的多源写入，这种情况下各个源的写入逻辑互不干扰，不会由于单个数据源写入异常或缓慢影响其他数据源的写入，虽然整体写入的吞吐量增大了，但是由于MQ消费是异步消费，所以不适合实时业务场景。

• 优点：

  • 性能高
  • 不易出现数据丢失问题，主要基于MQ消息的消费保障机制，比如ES宕机或者写入失败，还能重新消费MQ消息。
  • 多源写入之间相互隔离，便于扩展更多的数据源写入

• 缺点：

  • 硬编码问题，接入新的数据源需要实现新的消费者代码
  • 系统复杂度增加：引入了消息中间件
  • 可能出现延时问题：MQ是异步消费模型，用户写入的数据不一定可以马上看到，造成延时。

3、基于Mysql表定时扫描同步

上面两种方案中都存在硬编码问题，也就是有任何对mysq进行增删改查的地方要么植入ES代码，要么替换为MQ代码，代码的侵入性太强。

如果对实时性要求不高的情况下，可以考虑用定时器来处理，具体步骤如下：

• 数据库的。m字段，任何crud操作都会导致该字段的时间发生变化；
• 原来程序中的CURD操作不做任何变化；
• 增加一个定时器程序，让该程序按一定的时间周期扫描指定的表，把该时间段内发生变化的数据提取出来；
• 逐条写入到ES中。

如下图所示：

该方案的典型实现是借助logstash实现数据同步，其底层实现原理就是根据配置定期使用sql查询新增的数据写入ES中，实现数据的增量同步。

具体实现可以参考：通过Logstash实现mysql数据定时增量同步到ES

• 优点：
• 不改变原来代码，没有侵入性、没有硬编码；
• 没有业务强耦合，不改变原来程序的性能；
• Worker代码编写简单不需要考虑增删改查；
• 缺点：
• 时效性较差，由于是采用定时器根据固定频率查询表来同步数据，尽管将同步周期设置到秒级，也还是会存在一定时间的延迟。
• 对数据库有一定的轮询压力，一种改进方法是将轮询放到压力不大的从库上。

4、基于Binlog实时同步

上面三种方案要么有代码侵入，要么有硬编码，要么有延迟，那么有没有一种方案既能保证数据同步的实时性又没有代入侵入呢？

当然有，可以利用mysql的binlog来进行同步。其实现原理如下：

• 具体步骤如下：

  • 读取mysql的binlog日志，获取指定表的日志信息；
  • 将读取的信息转为MQ；
  • 编写一个MQ消费程序；
  • 不断消费MQ，每消费完一条消息，将消息写入到ES中。

• 优点：

  • 没有代码侵入、没有硬编码；
  • 原有系统不需要任何变化，没有感知；
  • 性能高；
  • 业务解耦，不需要关注原来系统的业务逻辑。

• 缺点：

• 构建Binlog系统复杂；

• 如果采用MQ消费解析的binlog信息，也会像方案二一样存在MQ延时的风险。

5、业界目前较为流行的方案：使用canal监听binlog同步数据到es

• canal ，译意为水道/管道/沟渠，主要用途是基于 MySQL 数据库增量日志解析，提供增量数据订阅和消费。

  说白了就是，根据Mysql的binlog日志进行增量同步数据。要理解canal的原理，就要先了解mysql的主从复制原理：

  • 所有的create update delete操作都会进入MySQLmaster节点
  • master节点会生成binlog文件，每次操作mysql数据库就会记录到binlog文件中
  • slave节点会订阅master节点的binlog文件，以增量备份的形式同步数据到slave数据

• canal原理就是伪装成mysql的从节点，从而订阅master节点的binlog日志，主要流程为：

  • canal服务端向mysql的master节点传输dump协议
  • mysql的master节点接收到dump请求后推送binlog日志给canal服务端，解析binlog对象（原始为byte流）转成Json格式
  • canal客户端通过TCP协议或MQ形式监听canal服务端，同步数据到ES

三、数据迁移同步工具选型

数据迁移同步工具的选择比较多样，下表仅从 MySQL 同步 ES 这个场景下，对一些笔者深度使用研究过的数据同步工具进行对比，用户可以根据自己的实际需要选取适合自己的产品。

特性\产品	Canal	DTS	CloudCanal
是否支持自建ES	是	否	是
ES对端版本支持丰富度	中 支持ES6和ES7	高 支持ES5,ES6和ES7	中 支持ES6和ES7
嵌套类型支持	join/nested/object	object	nested/object
join支持方式	基于join父子文档&反查	无	基于宽表预构建&反查
是否支持结构迁移	否	是	是
是否支持全量迁移	是	是	是
是否支持增量迁移	是	是	是
数据过滤能力	中 -仅全量可添加where条件	高 -全增量阶段where条件	高 -全增量阶段where条件
是否支持时区转换	否	是	是
同步限流能力	无	有	有
任务编辑能力	无	有	无
数据源支持丰富度	中	高	中
架构模式	订阅消费模式 需先写入消息队列	直连模式	直连模式
监控指标丰富度	中 性能指标监控	中 性能指标监控	高 性能指标、资源指标监控
报警能力	无 针	对延迟、异常的电话报警	针对延迟、异常的钉钉、短信、邮件报警
任务可视化创建&配置&管理能力	无	有	有
是否开源	是	否	否
是否免费	是	否 是社区版、	SAAS版免费
是否支持独立输出	是	否依赖云平台整体输出	是
是否支持SAAS化使用	否	是	是

总结

本文主要对Mysql和ES进行数据同步的常见方案进行了汇总说明。

• 同步双写是最简单的同步方式，能最大程度保证数据同步写入的实时性，最大的问题是代码侵入性太强。
• 异步双写引入了消息中间件，由于MQ都是异步消费模型，所以可能出现数据同步延迟的问题。好处是在大规模消息同步时吞吐量更、高性能更好，便于接入更多的数据源，且各个数据源数据消费写入相互隔离互不影响。
• 基于Mysql表定时扫描同步 ，原理是通过定时器定时扫描表中的增量数据进行数据同步，不会产生代码侵入，但由于是定时扫描同步，所以也会存在数据同步延迟问题，典型实现是采用 Logstash 实现增量同步。
• 基于Binlog实时同步 ，原理是通过监听Mysql的binlog日志进行增量同步数据。不会产生代码侵入，数据同步的实时也能得到保障，弊端是Binlog系统都较为复杂。典型实现是采用 canal 实现数据同步。

参考资料

MySQL 数据实时同步到 Elasticsearch 的技术方案选型和思考