CDC是什么意思：CDC是个啥，它是如何工作的？

从广泛意义上说，全球许多企业每天都需要通过频繁的数据批量处理与加载，来定期将数据从一个数据库迁移到另一个数据库(或数据仓库)。这类定期批量加载的工作，往往既耗费时间，又会消耗原始系统的大量处理能力。因此，管理员只能在业务运行的间歇期间运行数据的批量传输与复制作业，否则会产生严重的效率影响。而显然，这与24×7的不间断业务需求是背道而驰的。

近年来，变更数据捕获(Change Data Capture，CDC)已成为了在高速数据流通环境中，各种关系型数据库、云端数据库、以及数据仓库之间，进行低延迟、高可靠性且可扩展式数据复制的理想化解决方案。

什么是变更数据捕获?

CDC是指从源数据库捕获到数据和数据结构(也称为模式)的增量变更，近乎实时地将这些变更，传播到其他数据库或应用程序之处。通过这种方式，CDC能够向数据仓库提供高效、低延迟的数据传输，以便信息被及时转换并交付给专供分析的应用程序。

在数据不断变化，且无法中断与在线数据库连接的情况下，对于各种时间敏感(time-sensitive)类信息的复制，往往也是云端迁移的重要组成部分。与批量复制相比，变更数据的捕获通常具有如下三项基本优势：

CDC通过仅发送增量的变更，来降低通过网络传输数据的成本。
CDC可以帮助用户根据最新的数据做出更快、更准确的决策。例如，CDC会将事务直接传输到专供分析的应用上。
CDC最大限度地减少了对于生产环境网络流量的干扰。

变更数据捕获的方法

目前，业界有多种CDC方法，可用于跟踪和传输变更的数据，您可以根据应用程序的实际要求，及其对于性能下降的容忍度，从中进行选取。下面，我将向您介绍四种不同的CDC方法所涉及到的技术、工作原理、以及它们各自的优缺点。

时间戳或版本号跟踪

数据库设计者可以在需要跟踪的数据表中，设定某一列来代表最后被修改的时间戳或版本号。例如，我们通常可以将这些列命名为：LAST_UPDATE、DATE_MODIFIED、以及VERSION_NUMBER等。那些在上一次数据捕获之后，增加了时间戳的任何行，都将被视为发生了修改。而在基于版本号的跟踪方法中，变更一旦发生，所有具有最新版本号的数据，都被视为发生了修改。

在实际应用中，您可以结合版本和时间戳两个维度，来跟踪数据库表中的数据。例如，您可以设定一条逻辑–“捕获自2021年6月22日以来，相对于3.4版发生了变更的所有数据”。

优点：

简单易懂。
数据库设计者可以自定义应用程序的逻辑构建。
不需要任何外部的工具。

缺点：

给数据库增加了额外的开销。
需要额外的CPU资源，来扫描表中的数据变更，并需要预留资源，以确保 LAST_UPDATE列能够可靠地追踪所有资源表。
被删除的行不会存在于LAST_UPDATE中。如果没有其他脚本来跟踪此类删除的话，DML语句(例如“DELETE”)将不会被传递到目标数据库处。
容易出错，并可能导致数据出现一致性问题。

表的差异与增量

这种CDC方法使用诸如：表增量(table delta)之类的实用程序，或tablediff，去比较两个表中的数据，以发现不匹配的行。据此，您可以使用其他的脚本，将源表的差异同步到目标表上。

虽然该方法在管理已删除行的方面，比时间戳CDC的效果更好，但是它在发现差异时，所需要的CPU资源较为显著。而且此类开销会随着数据数量的增加，而呈线性增加。此外，针对源数据库或生产环境的分析查询，也可能会降低应用本身的性能。对此，您可以定期将数据库导出至暂存环境中进行比较。不过，随着数据量的增加，此类传输的成本也会呈指数级增长。

表差异的另一个问题是，它无法捕获数据的临时性变更。例如，假设有人更新了某个字段，但随后又将其变更回了原始值。那么，如果您只是运行一个简单比较的话，将无法捕获到这个变更事件。而由于diff方法本身存在着延迟，因此也无法实时执行。

优点：

可使用各种原生的SQL脚本，来获取变更数据的准确视图。

缺点：

由于此方法会用到数据源的三个副本：原始数据、先前快照和当前快照，因此整体存储需求会有所增加。
在那些具有繁重事务负载的应用程序中，无法得到很好的扩展。

注意：表差异和时间戳CDC方法，都不适用于真实的生产环境。因此对于大型数据集，我建议您使用如下两种CDC方法。其实，基于触发器和事务日志的变更数据跟踪方法，只是出于相同目的的两种不同的服务方式。

基于触发器的CDC

CDC是什么意思：CDC是个啥，它是如何工作的？

我们需要为参与数据复制的每个表，创建三个触发器，当数据记录发生如下特定事件时，则会触发相应的操作：

将新的记录插入数据表时，触发的是INSERT触发器。
数据记录发生变更时，触发的是UPDATE触发器。
数据记录被删除时，触发的是DELETE触发器。

“事件历史”的影子表被存储在数据库本身，并由各种状态改变事件的序列所组成。
每当对象的状态发生变化时，新的事件都会被附加到该序列中。据此，有关变更记录的信息，也会被转移到“事件历史”的影子表中。
最后，根据历史表中的各个事件，变更会被传输到目标数据库中。

下面展示了一个简单的历史表：

CDC是什么意思：CDC是个啥，它是如何工作的？

由于源数据库中的每个表都需要一个触发器，因此在有变更发生时，在操作表上运行触发器的开销也会随之增加。不过，由于基于触发器的CDC是工作在SQL级别上的，因此许多用户会趋向于使用该方法。

优点：

非常可靠且详尽。
影子表可以提供所有事务的不可变详细日志。

缺点：

每次插入、更新或删除数据行时，都需要对数据库进行多次写入，此举降低了数据库的性能。

DBA和数据工程师应当持续关注并测试，那些被添加到生产环境中的各种触发器的性能，进而决定是否可以容忍此类额外产生的开销。

事务日志CDC

CDC是什么意思：CDC是个啥，它是如何工作的？

众所周知，数据库虽然主要会将事务日志用于备份和恢复目的，但它们也可被用于将变更复制到目标数据库或数据湖中。而在基于事务日志的CDC系统中，数据流不会被持久性存储。它们会使用Kafka去捕获变更，并将变更推送到目标数据库中。

可见，基于事务日志的CDC和基于触发器的CDC之间的主要区别在于，每个变更都将进入由数据库引擎所生成的事务日志中。也就是说，数据库引擎会使用本机事务日志(也称为重做日志)，来存储所有数据库的事件，以便在发生故障时，可以恢复数据库。它们无需执行任何应用程序级别的变更，或扫描影子表。因此，与基于触发器的CDC相比，从事务日志中恢复数据虽然更为复杂，但是会更加可行。

优点：

由于每个事务都不需要额外的查询，因此它对生产环境中的数据库系统的影响最小。
无需变更生产环境中数据库系统的架构，或添加额外的数据表。

缺点：

由于大多数数据库并不记录它们的事务日志格式，也不会在新的版本中公布对其实施的变更，因此DBA解析数据库的内部日志格式会较为困难。DBA有时需要在数据库的每个新版本中，去解析变更数据库的日志逻辑。
由于日志文件通常会被数据库引擎予以归档，因此CDC软件必须在此之前读取日志，或者能够读取已归档的日志。
创建可扫描的事务日志所需要的额外日志级别，可能会增加少量的性能开销。
当CDC应用程序发送数据时，目标数据库可能会意外地变得不可访问。它们必须缓冲未发送的数据，直到目标数据库重新联机上线。当然，如果未能完成该步骤，则可能导致数据的丢失或重复。
同样，如果源与目标之间的传输连接出现中断，系统也可能会发生故障，进而导致数据的丢失、记录的重复、以及需要从初始数据处重新启动加载。

基于触发器与事务日志的比较

总的说来，基于触发器的CDC和事务日志CDC，都是可用于构建反应式分布式系统的数据库设计模型。其中，基于触发器的CDC使用自己的事件日志，作为真实的数据来源，而事务日志CDC则依赖底层数据库的事务日志作为真实来源。

触发器可作为每个数据库事务的一部分，以捕获实时发生的事件。对于每次插入、更新或删除，都会由某个触发器去触发记录的变更。另一方面，事务日志CDC则可以独立于事务运行。它使用重做日志文件来记录的变更。由于CDC操作在发生时不会直接与数据库中的每个事务相关联，因此其性能会有所提升。

在实际应用中，各种常见的DBSync产品和DBConvert Studio都会使用基于触发器的数据库同步CDC方法。不过，对于集群数据库而言，基于触发器的方法可能会比使用MySQL的二进制日志、或PostgreSQL的事务日志，要相差许多。毕竟，MySQL在其官网上已声称：“在启用二进制日志的情况下，服务器的运行性能可能会被略微拖慢。但是，二进制日志在方便复制与恢复操作等方面的好处，通常超过性能上的微降。”(https://dev.mysql.com/doc/refman/8.0/en/binary-log.html)

小结

综上所述，CDC是现代数据架构的重要组成部分，可被用于将事务数据从源系统，传输到数据流中。我们需要它支持实时的事务数据，且不会对源系统造成重大的负载。它既不需要改变源应用程序，又要保证仅传输最少量的数据。因此，CDC更适合大体量的数据集。将来，我们会在那些强调数据分析和历史数据比较的企业级数据仓库中，看到CDC的广泛使用。

原文标题：Change Data Capture (CDC): What Is It and How Does It Work?，作者: Dmitry Narizhnykh

【51CTO译稿，合作站点转载请注明原文译者和出处】