数据平滑迁移方法

Posted 2020-12-06

一、问题的提出
互联网有很多“数据量较大，并发量较大，业务复杂度较高”的业务场景，其典型系统分层架构如下：
（1）上游是业务层biz，实现个性化的业务逻辑
（2）中游是服务层service，封装数据访问
（3）下游是数据层db，存储固化的业务数据
服务化分层架构的好处是，服务层屏蔽下游数据层的复杂性，例如缓存、分库分表、存储引擎等存储细节不需要向调用方暴露，而只向上游提供方便的RPC访问接口，当有一些数据层变化的时候，所有的调用方也不需要升级，只需要服务层升级即可。
互联网架构，很多时候面临着这样一些需求：
需求1->底层表结构变更：数据量非常大的情况下，数据表增加了一些属性，删除了一些属性，修改了一些属性。
需求2->分库个数变换：由于数据量的持续增加，底层分库个数非成倍增加。
需求3->底层存储介质变换：底层存储引擎由一个数据库换为另一个数据库。
种种需求，都需要进行数据迁移，如何平滑迁移数据，迁移过程不停机，保证系统持续服务，是文本将要讨论的问题。
二、停机方案
在讨论平滑迁移数据方案之前，先看下不平滑的停机数据迁移方案，主要分三个步骤。
步骤一：挂一个类似“为了给广大用户提供更好的服务，服务器会在凌晨0:00-0:400进行停机维护”的公告，并在对应时段进行停机，这个时段系统没有流量进入。
步骤二：停机后，研发一个离线的数据迁移工具，进行数据迁移。针对第一节的三类需求，会分别开发不同的数据迁移工具。
（1）底层表结构变更需求：开发旧表导新表的工具
（2）分库个数变换需求：开发2库导3库的工具
（3）底层存储介质变换需求：开发Mongo导mysql工具
步骤三：恢复服务，并将流量切到新库，不同的需求，可能会涉及不同服务升级。
（1）底层表结构变更需求：服务要升级到访问新表
（2）分库个数变换需求：服务不需要升级，只需要改寻库路由配置
（3）底层存储介质变换需求：服务升级到访问新的存储介质
总的来说，停机方案是相对直观和简单的，但对服务的可用性有影响，许多游戏公司的服务器升级，游戏分区与合区，可能会采用类似的方案。
除了影响服务的可用性，这个方案还有一个缺点，就是必须在指定时间完成升级，这个对研发、测试、运维同学来说，压力会非常大，一旦出现问题例如数据不一致，必须在规定时间内解决，否则只能回滚。根据经验，人压力越大越容易出错，这个缺点一定程度上是致命的。
无论如何，停机方案并不是今天要讨论的重点，接下来看一下常见的平滑数据迁移方案。
三、平滑迁移-追日志法
平滑迁移方案一，追日志法，这个方案主要分为五个步骤。
数据迁移前，上游业务应用通过旧的服务访问旧的数据。
步骤一：服务进行升级，记录“对旧库上的数据修改”的日志（这里的修改，为数据的insert,?delete,?update），这个日志不需要记录详细数据，主要记录：
（1）被修改的库
（2）被修改的表
（3）被修改的唯一主键
具体新增了什么行，修改后的数据格式是什么，不需要详细记录。这样的好处是，不管业务细节如何变化，日志的格式是固定的，这样能保证方案的通用性。
这个服务升级风险较小：
（1）写接口是少数接口，改动点较少
（2）升级只是增加了一些日志，对业务功能没有任何影响
步骤二：研发一个数据迁移工具，进行数据迁移。这个数据迁移工具和离线迁移工具一样，把旧库中的数据转移到新库中来。
这个小工具的风险较小：
（1）整个过程依然是旧库对线上提供服务
（2）小工具的复杂度较低
（3）任何时间发现问题，都可以把新库中的数据干掉重来
（4）可以限速慢慢迁移，技术同学没有时间压力
数据迁移完成之后，就能够切到新库提供服务了么？
答案是否定的，在数据迁移的过程中，旧库依然对线上提供着服务，库中的数据随时可能变化，这个变化并没有反映到新库中来，于是旧库和新库的数据并不一致，所以不能直接切库，需要将数据追平。
哪些数据发生了变化呢？
步骤一中日志里记录的不就是么？
步骤三：研发一个读取日志并迁移数据的小工具，要把步骤二迁移数据过程中产生的差异数据追平。这个小工具需要做的是：
（1）读取日志，得到哪个库、哪个表、哪个主键发生了变化
（2）把旧库中对应主键的记录读取出来
（3）把新库中对应主键的记录替换掉
无论如何，原则是数据以旧库为准。
这个小工具的风险也很小：
（1）整个过程依然是旧库对线上提供服务
（2）小工具的复杂度较低
（3）任何时间发现问题，大不了从步骤二开始重来
（4）可以限速慢慢重放日志，技术同学没有时间压力
日志重放之后，就能够切到新库提供服务了么？
答案依然是否定的，在日志重放的过程中，旧库中又可能有数据发生了变化，导致数据不一致，所以还是不能切库，需要进一步读取日志，追平记录。可以看到，重放日志追平数据的程序是一个while(1)的程序，新库与旧库中的数据追平也会是一个“无限逼近”的过程。
什么时候数据会完全一致呢？
步骤四：在持续重放日志，追平数据的过程中，研发一个数据校验的小工具，将旧库和新库中的数据进行比对，直到数据完全一致。
这个小工具的风险依旧很小：
（1）整个过程依然是旧库对线上提供服务
（2）小工具的复杂度较低
（3）任何时间发现问题，大不了从步骤二开始重来
（4）可以限速慢慢比对数据，技术同学没有时间压力
步骤五：在数据比对完全一致之后，将流量迁移到新库，新库提供服务，完成迁移。
如果步骤四数据一直是99.9%的一致，不能完全一致，也是正常的，可以做一个秒级的旧库readonly，等日志重放程序完全追上数据后，再进行切库切流量。
至此，升级完毕，整个过程能够持续对线上提供服务，不影响服务的可用性。
四、平滑迁移-双写法
平滑迁移方案二，双写法，这个方案主要分为四个步骤。
数据迁移前，上游业务应用通过旧的服务访问旧的数据。
步骤一：服务进行升级，对“对旧库上的数据修改”（这里的修改，为数据的insert,?delete,?update），在新库上进行相同的修改操作，这就是所谓的“双写”，主要修改操作包括：
（1）旧库与新库的同时insert
（2）旧库与新库的同时delete
（3）旧库与新库的同时update
由于新库中此时是没有数据的，所以双写旧库与新库中的affect rows可能不一样，不过这完全不影响业务功能，只要不切库，依然是旧库提供业务服务。
这个服务升级风险较小：
（1）写接口是少数接口，改动点较少
（2）新库的写操作执行成功与否，对业务功能没有任何影响
步骤二：研发一个数据迁移工具，进行数据迁移。这个数据迁移工具在本文中已经出现第三次了，把旧库中的数据转移到新库中来。
这个小工具的风险较小