Maxwell是开源产品,相比Canal的体量也小很多，综合考虑下，在短期内选择了Maxwell.
从快速上手到功能支持，算是一个总体支持还不错的产品，也让技术调研和迭代进度进展相对快了很多。
一般说要比较，基本都会拿出这幅图来(数据带有主观特点，仅供参考)，因为考虑到bootstrap是个硬性需求，所以这部分的功能考量也是一个重要权衡。
最近在做数据库到大数据流转的过程中发现了Maxwell的一些问题和改进点：
1)Maxwell的服务管理模式目前只支持start模式，如果要停止只能采用手工kill的方式，相对粗暴一些，当然和作者交流，可以使用信号处理的方式来间接实现。
2)Maxwell的核心配置是对于同步对象的过滤，可以支持正则等模式，如果过滤规则较为复杂，或者后期不断的调整，每次调整都需要重新启动Maxwell服务，没有类似reload的模式。
3)对于DDL变更，如果Maxwell的初始化已完成，服务已启动，在后续创建一张表的时候，Maxwell会把变更记录至`schemas`表中维护版本变更记录，在已有的元数据表中`tables`和`columns`里面就没有这些信息了，对于后端的服务解析表结构会带来一些偏差(DDL的变更配置会有相应的JSON)
1.问题定位
这些问题算起来大多是建议，不算是致命问题，所以整体的进度依然可以继续推进，但是最近在做了几张大表的同步之后发现了一些数据问题。
1)bootstrap的时间比较长，查看Maxwell相关监控，整体的数据吞吐量在800条/秒左右，好像是达到了整个同步的瓶颈，同步一张200多万数据的表需要1个小时左右，相对比较长，我们在近期的测试中，几张千万级的大表如果串行初始化，差不多得2-3个小时，实在是太长了。
2)同步数据的时间字段值存在差异，这也是在中端(maxwell规划为中端服务)和后端(Flink,Kudu规划为后端)在做数据比对中发现的，bootstrap的数据比对结果几乎没有相同的，也就意味是bootstrap在数据方面存在一些潜在问题，所以整个事情轮盘到了Maxwell的bootstrap部分。
查看代码逻辑，着实让我一惊，这个问题目前仅在bootstrap的环节出现，比如数据的时间字段值为：
但是经过逻辑处理后，会有时区的计算，会自动补上时区的差异。
现在的问题已经不是初始化带来的性能隐患，而是数据质量出现了侵入性，导致数据看起来错乱。
对于这个问题，分析的重点就是时区的处理差异，本来想这个改动应该很小，没想到调试和环境集成着实花了不少功夫。
2.问题修正
对于时区的数据差异，主要在于datetime数据类型存在时区差异，目前差距在13个小时。
查看Maxwell的代码类SynchronousBootstrapper：
经过调试，需要改动的代码逻辑范围是基于函数setRowValues：
可以修改为：
改动之后，整个bootstrap的逻辑经过调试和反复测试就正常了。
3.性能问题的取舍和修正
当然在这个之外，也做了一些细小的改进。
第一个问题就是bootstrap的性能问题，之前看似乎是有瓶颈，吞吐量在800左右就上不去了，对此我做了如下的改进：
1).bootstrap的一个基本原理就是select * from xxxx order by id;这种使用模式，如果表数据量比较大，其实order by的部分看起来是走了主键，该子句会强制走全索引扫描，但是整体的效果反而不是全表扫描，所以我就干脆去除了逻辑中的order by子句。
整个逻辑的改造也很轻量：
- private ResultSet getAllRows(String databaseName, String tableName, Table table, String whereClause,
- if ( pk != null && !pk.equals("") ) {
- sql += String.format(" order by %s", pk);
- }
2).去除了写入数据后的sleep 1毫秒
进一步分析代码，发现bootstrap中吞吐量的瓶颈是其中一个诡异的sleep 1的处理，根据初步分析，可能考虑到bootstrap的任务会产生大量数据，对于带宽和负载压力较大，通过sleep的方式能够做到降速，整体可控。
另外对于bootstrap的日志统计中会包括同步的数据条数，这个指标值目前的依赖度不高，而且数据校验的工作目前会先停止Slave再进行数据比对
性能提升和改进，在3-5倍左右，所以这个部分的逻辑我们可以根据实际情况取舍，在我们的流传设计中，数据都是基于Slave端进行流转的，所以不会对主库造成冲击，改动的这个部分的逻辑也很轻巧，注释掉sleep(1)即可。
- public void performBootstrap(BootstrapTask task, AbstractProducer producer, Long currentSchemaID) throws Exception {
- producer.push(row);
- Thread.sleep(1);
- ++insertedRows;
改动后经过测试和对比，发现性能好了很多，最多的时候能有6000多，同样的初始化不到15分钟左右就全部搞定了。
这样一些细小的改进也给我们带来了一些成就感，后续的数据同步规模继续扩大，也没有再反馈过数据质量的问题，当然在这个基础上还有一些工作需要细化。
4.后续对于bootstrap方向的改进
1)使用分片的思路来完善bootstrap
提高数据提取的效率，对于千万级以上的大表数据抽取，可以按照区间分段来提取(需要考虑到数据的变更和写入的影响)，目前的逻辑过于僵硬。
- private ResultSet getAllRows(String databaseName, String tableName, Table table, String whereClause,
- Connection connection) throws SQLException {
- Statement statement = createBatchStatement(connection);
- String pk = table.getPKString();
- String sql = String.format("select * from `%s`.%s", databaseName, tableName);
- if ( whereClause != null && !whereClause.equals("") ) {
- sql += String.format(" where %s", whereClause);
- }
- if ( pk != null && !pk.equals("") ) {
- sql += String.format(" order by %s", pk);
- }
- return statement.executeQuery(sql);
- }
2)数据字典索引优化
Maxwell数据字典的优化，目前的数据字典中，部分SQL执行频率较高，但是从数据库层面来看是全表扫描，这些细节的地方还需要进一步调整。
比如如下的SQL语句：
- >>explain select * from bootstrap where is_complete = 0 and client_id = 'dts_hb30_130_200_maxwell003' and (started_at is null or started_at <= now()) order by isnull(started_at), started_at asc, id asc;
基于业务场景的改进和调整，也让我们通过真实场景的落地，更好的拥抱开源，并在一定程度上能够回馈和反哺。
本文转载自微信公众号「杨建荣的学习笔记」，可以通过以下二维码关注。转载本文请联系杨建荣的学习笔记公众号。
