數據同步那些事兒（優化過程分享）

簡介

很久之前就想寫這篇文章了，主要是介紹一下我做數據同步的過程中遇到的一些有意思的內容，和提升效率的過程。

當前在數據處理的過程中，數據同步如同血液一般充滿全過程，如圖：

數據同步開源產品對比：

DataX，是淘寶的開源項目，可惜不支持Postgresql

Sqoop，Apache開源項目，同步過程中字段需要嚴格一致，不方便擴展，不易於二次開發

整體設計思路：

使用生產者消費者模型，中間使用內存，數據不落地，直接插入目標數據

優化過程：

1、插入數據部分：

首先生產者通過Jdbc獲取源數據內容，放入固定大小的緩存隊列，同時消費者不斷的從緩存讀取數據，根據不同的數據類型分別讀取出來，並逐條插入目標數據庫。

速度每秒300條，每分鍾1.8W條。

這樣做表面上看起來非常美好，流水式的處理，來一條處理一下，可是發現插入的速度遠遠趕不上讀取的速度，所以為了提升寫入的速度，決定采用批量處理的方法，事例代碼：

    @Override
    public Boolean call() {
        long beginTime = System.currentTimeMillis();
        this.isRunning.set(true);
        try {
            cyclicBarrier.await();
            int lineNum = 0;
            int commitCount = 0; // 緩存數量
            List<RowData> tmpRowDataList = new ArrayList<RowData>();// 緩存數組
            while (this.isGetDataRunning.get() || this.queue.size() > 0) {
                // 從隊列獲取一條數據
                RowData rowData = this.queue.poll(1, TimeUnit.SECONDS);
                if (rowData == null) {
                    logger.info("this.isGetDataRunning:" + this.isGetDataRunning + ";this.queue.size():" + this.queue.size());
                    Thread.sleep(10000);
                    continue;
                }
                // 添加到緩存數組
                tmpRowDataList.add(rowData);
                lineNum++;
                commitCount++;
                if (commitCount == SyncConstant.INSERT_SIZE) {
                    this.insertContractAch(tmpRowDataList); // 批量寫入
                    tmpRowDataList.clear(); // 清空緩存
                    commitCount = 0;
                }

                if (lineNum % SyncConstant.LOGGER_SIZE == 0) {
                    logger.info(" commit line: " + lineNum + "; queue size: " + queue.size());
                }
            }

            this.insertContractAch(tmpRowDataList); // 批量寫入
            tmpRowDataList.clear();// 清空緩存
            logger.info(" commit line end: " + lineNum);
        } catch (Exception e) {
            logger.error(" submit data error" , e);
        } finally {
            this.isRunning.set(false);
        }
        logger.info(String.format("SubmitDataToDatabase used %s second times", (System.currentTimeMillis() - beginTime) / 1000.00));
        return true;
    }

    /**
     * 批量插入數據
     *
     * @param rowDatas
     * @return
     */
    public int insertContractAch(List<RowData> rowDatas) {
        final List<RowData> tmpObjects = rowDatas;
        String sql = SqlService.createInsertPreparedSql(tableMetaData); // 獲取sql
        try {
            int[] index = this.jdbcTemplate.batchUpdate(sql, new PreparedStatementSetter(tmpObjects, this.columnMetaDataList));
            return index.length;
        } catch (Exception e) {
            logger.error(" insertContractAch error: " , e);
        }
        return 0;
    }

    /**
     * 處理批量插入的回調類
     */
    private class PreparedStatementSetter implements BatchPreparedStatementSetter {
        private List<RowData> rowDatas;
        private List<ColumnMetaData> columnMetaDataList;

        /**
         * 通過構造函數把要插入的數據傳遞進來處理
         */
        public PreparedStatementSetter(List<RowData> rowDatas, List<ColumnMetaData> columnList) {
            this.rowDatas = rowDatas;
            this.columnMetaDataList = columnList;
        }

        @Override
        public void setValues(PreparedStatement ps, int i) throws SQLException {
            RowData rowData = this.rowDatas.get(i);
            for (int j = 0; j < rowData.getColumnObjects().length; j++) {
                // 類型轉換
                try {
                    ColumnAdapterService.setParameterValue(ps, j + 1, rowData.getColumnObjects()[j], this.columnMetaDataList.get(j).getType());
                } catch (Exception e) {
                    ps.setObject(j + 1, null);
                }
            }
        }
    }

咱們不是需要講解代碼，所以這里截取了代碼片段，全部的代碼github上有，感興趣的同學可以看看。PreparedStatement的好處，可以參考文章：http://www.cnblogs.com/liqiu/p/3825544.html

由於增加批量插入的功能，終於速度提升到每秒1000條

2、多線程優化

每秒1000條，速度依然不理想，特別是寫的速度跟不上讀取的速度，隊列是滿的，如圖：

所以只能提升消費者的數量，采用了多消費者的模式：

速度提升到每秒3000條。

3、升級讀取方式

這時候觀察，隨着消費者的增加，觀察緩存隊列經常有空的情況，也就是說生產跟不上消費者速度，如果增加生產者的線程，那么也會增加程序的復雜性，因為勢必要將讀取的數據進行分割。所以采用Pgdump的方式直接獲取數據（並不是所有情況都適用，比如數據中有特殊的分隔符與設定的分隔符一樣，或者有分號，單引號之類的）

代碼片段如下：

    /**
     * 將數據放入緩存隊列
     */
    public void putCopyData() {
        DataSourceMetaData dataSource = dataSourceService.getDataSource(syncOptions.getSrcDataSourceName());
        String copyCommand = this.getCopyCommand(dataSource, querySql); //獲取copy命令
        ShellExecuter.execute(copyCommand, queue,columnMetaDatas);
    }

    /**
     * 執行copy的shell命令
     * @param dataSource
     * @param sql
     * @return
     */
    public String getCopyCommand(DataSourceMetaData dataSource, String sql){
        String host = dataSource.getIp();
        String user = dataSource.getUserName();
        String dataBaseName = dataSource.getDatabaseName();
        //String psqlPath = "/Library/PostgreSQL/9.3/bin/psql";
        String psqlPath = "/opt/pg93/bin/psql";
        String execCopy = psqlPath + " -h " + host + " -U " + user + " " + dataBaseName +" -c \"COPY (" + sql + ") TO STDOUT WITH DELIMITER E'"+ HiveDivideConstant.COPY_COLUMN_DIVIDE+"' CSV NULL AS E'NULL'\" "; // 執行copy命令
        LOGGER.info(execCopy);
        return execCopy;
    }

意思就是通過執行一個Shell程序，獲取數據，然后讀取進程的輸出流，不斷寫入緩存。這樣生產者的問題基本都解決了，速度完全取決於消費者寫入數據庫的速度了。下面是執行Shell的Java方法代碼：

    public static int execute(String shellPath, LinkedBlockingQueue<RowData> queue, List<ColumnMetaData> columnMetaDatas) {

        int success = -1;
        Process pid = null;
        String[] cmd;

        try {
            cmd = new String[]{"/bin/sh", "-c", shellPath};
            // 執行Shell命令
            pid = Runtime.getRuntime().exec(cmd);
            if (pid != null) {
                BufferedReader bufferedReader = new BufferedReader(new InputStreamReader(pid.getInputStream()), SyncConstant.SHELL_STREAM_BUFFER_SIZE);
                try {
                    String line;
                    while ((line = bufferedReader.readLine()) != null) {
                        // LOGGER.info(String.format("shell info output [%s]", line));
                        String[] columnObjects = line.split(HiveDivideConstant.COPY_COLUMN_DIVIDE.toString(), -1);
                        if (columnObjects.length != columnMetaDatas.size()) {
                            LOGGER.error(" 待同步的表有特殊字符，不能使用copy [{}] ", line);
                            throw new RuntimeException("待同步的表有特殊字符，不能使用copy " + line);
                        }
                        RowData rowData = new RowData(line.split(HiveDivideConstant.COPY_COLUMN_DIVIDE.toString(), -1));
                        queue.put(rowData);
                    }
                } catch (Exception ioe) {
                    LOGGER.error(" execute shell error", ioe);
                } finally {
                    try {
                        if (bufferedReader != null) {
                            bufferedReader.close();
                        }
                    } catch (Exception e) {
                        LOGGER.error("execute shell, get system.out error", e);
                    }
                }
                success = pid.waitFor();
                if (success != 0) {
                    LOGGER.error("execute shell error ");
                }
            } else {
                LOGGER.error("there is not pid ");
            }
        } catch (Exception ioe) {
            LOGGER.error("execute shell error", ioe);
        } finally {
            if (null != pid) {
                try {
                    //關閉錯誤輸出流
                    pid.getErrorStream().close();
                } catch (IOException e) {
                    LOGGER.error("close error stream of process fail. ", e);
                } finally {
                    try {
                        //關閉標准輸入流
                        pid.getInputStream().close();
                    } catch (IOException e) {
                        LOGGER.error("close input stream of process fail.", e);
                    } finally {
                        try {
                            pid.getOutputStream().close();
                        } catch (IOException e) {
                            LOGGER.error(String.format("close output stream of process fail.", e));
                        }
                    }
                }
            }
        }

        return success;
    }

4、內存優化

在上線一段時間之后，發現兩個問題：1、使用Jdbc方式獲取數據，如果這個數據表比較大，那么獲取第一條數據的速度特別慢；2、這個進程還會占用非常大的內存，並且GC不掉。分析原因，是Postgresql的Jdbc獲取數據的時候，會一次將所有數據放入到內存，如果同步的數據表非常大，那么甚至會將內存撐爆。

那么優化的方法是設置使Jdbc不是一次全部將數據拿到內存，而是批次獲取，代碼如下：

con.setAutoCommit(false); //並不是所有數據庫都適用，比如hive就不支持，orcle不需要
stmt.setFetchSize(10000); //每次獲取1萬條記錄

整體設計方案：

現在這個項目已經開源，代碼放在：https://github.com/autumn-star/synchronous