DM 源码阅读系列文章（三）数据同步处理单元介绍

Wed, Apr 10, 2019
Ian

本文为 TiDB Data Migration 源码阅读系列文章的第三篇，《DM 源码阅读系列文章（二）整体架构介绍》介绍了 DM 的整体架构，DM 组件 DM-master 和 DM-worker 的入口代码，以及两者之间的数据交互模型。本篇文章详细地介绍 DM 数据同步处理单元（DM-worker 内部用来同步数据的逻辑单元），包括数据同步处理单元实现了什么功能，数据同步流程、运行逻辑，以及数据同步处理单元的 interface 设计。

数据同步处理单元

DM 数据同步处理单元

从上图可以了解到目前 DM 包含 relay log、dump、load、binlog replication（sync） 4 个数据同步处理单元，涵盖了以下数据同步处理的功能：

处理单元	功能
relay log	持久化 MySQL/MariaDB Binlog 到磁盘
dump	从 MySQL/MariaDB dump 全量数据
load	加载全量数据到 TiDB cluster
binlog replication（sync）	复制 relay log 存储的 Binlog 到 TiDB cluster

数据同步流程

Task 数据同步流程初始化操作步骤：

DM-master 接收到 task，将 task 拆分成 subtask 后分发给对应的各个 DM-worker；
DM-worker 接收到 subtask 后创建一个 subtask 对象，然后初始化数据同步流程。

从初始化数据同步流程的代码中我们可以看到，根据 task 配置项 task-mode 的不同，DM-worker 会初始化不同的数据同步流程：

task-mode	同步流程	需要的数据同步处理单元
all	全量同步 -> 增量数据同步	relay log、dump、load、binlog replication（sync）
full	全量同步	dump、load
incremental	增量同步	relay log，binlog replication（sync）

运行逻辑

DM 数据同步处理单元 interface 定义在 dm/unit，relay log、dump、load、binlog replication（sync）都实现了该 interface（golang interface 介绍）。

实际上 DM-worker 中的数据同步处理单元分为两类：

全局共享单例。dm-worker 启动的时候只初始化一次这类数据同步处理单元，所有的 subtask 都可以使用这类数据同步处理单元的服务；relay log 属于这种类型。
subtask 独享。dm-worker 会为每个 subtask 初始化一系列的数据同步处理单元；dump、load、binlog replication（sync）属于这种类型。

两类数据同步处理单元的使用逻辑不同，这篇文档会着重讲一下 subtask 独享的数据同步处理单元的使用逻辑，不会囊括更多的 relay log 相关的内容，后面会有单独一篇文章详细介绍它。

relay log 相关使用代码在 dm/worker/relay.go 、具体功能实现代码在 relay/relay.go，有兴趣的同学也可以先行阅读一下相关代码，relay log 的代码注释也是比较丰富，并且简单易懂。

subtask 独享数据同步处理单元使用逻辑相关代码在 dm/worker/subtask.go。subtask 对象包含的主要属性有：

units：初始化后要运行的数据同步处理单元。
currUnit：当前正在运行的数据同步处理单元。
prevUnit：上一个运行的数据同步处理单元。
stage：subtask 的运行阶段状态，包含 New、Running、Paused，Stopped，Finished，具体定义的代码在 dm/proto/dmworker.proto。
result：subtask 当前数据同步处理单元的运行结果，对应着 stage = Paused/Stopped/Finished 的详细信息。

主要的逻辑有：

初始化 subtask 对象实例的时候会编排数据同步处理单元的运行先后顺序。所有的数据同步处理单元都实现了 dm/unit interface，所以接下来的运行中就不需要关心具体的数据同步处理单元的类型，可以按照统一的 interface 方法来运行数据同步处理单元，以及对其进行状态监控。
初始化各个数据同步处理单元。subtask 在运行前集中地初始化所有的数据同步处理单元，我们计划之后优化成在各个数据同步处理单元运行前再进行初始化，这样子减少资源的提前或者无效的占用。
数据同步处理单元运行状态监控。通过监控当前运行的数据同步处理单元的结果，将 subtask 的 stage 设置为 Paused/Stopped/Finished。
- 如果当前的数据同步处理单元工作已经完成，则会根据 units 来选取下一个需要运行的数据同步处理单元，如果没有需要的数据同步处理单元，那么会将 subtask 的 stage 设置为 Finished。这里有个注意点，因为 binlog replication 单元永远不会结束，所以不会进入 Finished 的状态。
- 如果返回的 result 里面包含有错误信息，则会将 subtask 的 stage 设置为 Paused，并且打印具体的错误信息。
- 如果是用户手动暂停或者停止，则会将 subtask 的 stage 设置为 Paused/Stopped。这里有个注意点，这个时候 stage=Paused 是没有错误信息的。
数据同步处理单元之间的运行交接处理逻辑。部分数据同步处理单元在开始工作的时候需要满足一些前置条件，例如 binlog replication（sync）的运行需要等待 relay log 处理单元已经储存下来其开始同步需要的 binlog 文件，否则 subtask 将处于 stage=Paused 的暂停等待状态。

小结

本篇文章主要介绍了数据同步处理单元实现了什么功能，数据同步流程、运行逻辑，以及数据同步处理单元的 interface 设计。后续会分三篇文章详细地介绍数据同步处理单元的实现，包括：

dump/load 全量同步实现
binlog replication 增量同步实现
relay log 实现