為什么要從MongoDB遷移到Elasticsearch？
本文涉及到 MongoDB 與 Elasticsearch 兩大陣營，可能會引起口水之爭，僅代表個人經驗之談，非陣營之說。
圖片來自 Pexels
我將圍繞如下兩個話題展開：
- 為什么要從 MongoDB 遷移到 Elasticsearch?
- 如何從 MongoDB 遷移到 Elasticsearch?
MongoDB 與 Elasticsearch 熱度排名
現狀背景
MongoDB 本身定位與關系型數據庫競爭，但工作中幾乎沒有見到哪個項目會將核心業務系統的數據放在上面，依然選擇傳統的關系型數據庫。
項目背景
公司所在物流速運行業，業務系統復雜且龐大，用戶操作者很多，每日有大量業務數據產生，同時業務數據會有很多次流轉狀態變化。
為了便于記錄追蹤分析，系統操作日志記錄項目應運而生，考慮到原有的日均數據量，操作日志數據基于 MongoDB 存儲。
操作日志記錄系統需要記錄兩種數據，如下說明：
①變更主數據，什么人在什么時間在系統哪個模塊做了什么操作，數據編號是什么，操作跟蹤編號是什么。
- {
- "dataId": 1,
- "traceId": "abc",
- "moduleCode": "crm_01",
- "operateTime": "2019-11-11 12:12:12",
- "operationId": 100,
- "operationName": "張三",
- "departmentId": 1000,
- "departmentName": "客戶部",
- "operationContent": "拜訪客戶。。。"
- }
②變更從數據，實際變更數據的變化前后，此類數據條數很多，一行數據多個字段變更就記錄多條。
- [
- {
- "dataId": 1,
- "traceId": "abc",
- "moduleCode": "crm_01",
- "operateTime": "2019-11-11 12:12:12",
- "operationId": 100,
- "operationName": "張三",
- "departmentId": 1000,
- "departmentName": "客戶部",
- "operationContent": "拜訪客戶",
- "beforeValue": "20",
- "afterValue": "30",
- "columnName": "customerType"
- },
- {
- "dataId": 1,
- "traceId": "abc",
- "moduleCode": "crm_01",
- "operateTime": "2019-11-11 12:12:12",
- "operationId": 100,
- "operationName": "張三",
- "departmentId": 1000,
- "departmentName": "客戶部",
- "operationContent": "拜訪客戶",
- "beforeValue": "2019-11-02",
- "afterValue": "2019-11-10",
- "columnName": "lastVisitDate"
- }
- ]
項目架構
項目架構描述如下：
- 業務系統新增或者編輯數據，產生操作日志記錄發送到 Kafka 集群，基于 dataid 字段作為 key。
- 新增或編輯數據實際存儲到 MySQL 數據庫。
- Canal 集群訂閱 MySQL 集群，按照業務系統模塊配置監控的數據庫與表。
- Canal 將監控到的變更業務數據發送到 Kafka 集群，基于 dataid 字段作為 key。
- 操作日志系統從 Kafka 獲取主記錄數據與從記錄數據。
- 操作日志系統寫入數據到 MongoDB，同時需要反查詢。
操作日志記錄業務流程說明
MongoDB 架構
集群架構說明：
- 服務器配置 8c/32gb/500gb ssd。
- Router 路由服務器部署了 3 個節點。
- Config 配置服務器部署了 3 個節點。
- Shard 分片服務器部署了 9 個節點。
- 主操作記錄設計 3 個分片。
- 從操作記錄設計 3 個分片。
問題說明：MongoDB 的信徒們可能懷疑我們沒有使用好，或者我們的運維能力欠缺，或者認為我們有 Elasticsearch 的高手在。
不是這樣的，棄用 MongoDB 選擇 Elasticsearch 其實并非技術偏見問題，而是我們的實際場景需求，原因如下：
①搜索查詢
項目背景：
- MongoDB 內部采用 B-Tree 作為索引結構，此索引基于最左優先原則，且必須保證查詢順序與索引字段的順序一致才有效，這個即是優點，但在現在復雜業務場景也是致命的。
- 業務系統查詢操作日志記錄會有很多過濾條件，且查詢條件是任意組合的，現有 MongoDB 是不支持的，或者說所有關系型數據庫都不支持，如果要支持，得創建好多組合的 B+ 數索引，想法很不理智。
- 同時主記錄與從記錄中有很多字符類的數據，這些數據查詢即要支持精確查詢，也要支持全文檢索，這幾個方面 MongoDB 功能很單一，性能也很糟糕，業務系統查詢時經常超時，反倒是 Elasticsearch 非常合適。
②技術棧成熟度
項目背景：
- 分片與副本實現問題，MongoDB 集合數據在設計時是需要綁定到具體的機器實例的，哪些分片分布在哪些節點上，哪些副本分布在哪些節點上。
這些都需要在配置集群時就要綁定死，跟傳統的關系型數據庫做分庫分表本質上沒有什么兩樣，其實現在很多數據產品的集群還是這種模式偏多，比如 Redis-cluster，ClickHouse 等。
而 Elasticsearch 的集群與分片和副本沒有直接的綁定關系，可以任意的平衡調整，且節點的性能配置也可以很容易差異化。
- 操作日志數據量增加很快，單日寫入超過千萬條，不用多久，運維人員就需要對服務器進行擴容，且相對 Elasticsearch 復雜很多。
- MongoDB 單集合數據量超過 10 億條，此情況下即使簡單條件查詢性能也不理想，不如 Elasticsearch 倒排索引快。
- 公司對于 ES 與 MongoDB 技術棧的經驗積累不同，Elasticsearch 在很多項目中運用，非常核心的項目也是大量運用。
對于其技術與運維經驗更豐富，而 MongoDB 如果除去核心業務場景，幾乎找不到合適的切入口，實際沒有人敢在核心項目中使用 MongoDB，這就很尷尬。
③文檔格式相同
MongoDB 與 Elasticsearch 都屬于文檔型數據庫，Bson 類同與 Json，_objectid與_id 原理一樣，所以主數據與從數據遷移到 Elasticsearch 平臺，數據模型幾乎無需變化。
遷移方案
異構數據系統遷移，主要圍繞這兩大塊內容展開：
- 上層應用系統遷移，原來是針對 MongoDB 的語法規則，現在要修改為面向 Elasticsearch 語法規則。
- 下層 MongoDB 數據遷移到 Elasticsearch。
①Elastic 容量評估
原有 MongoDB 集群采用了 15 臺服務器，其中 9 臺是數據服務器，遷移到 Elastic 集群需要多少臺服務器?
我們采取簡單推算辦法，如假設生產環境上某個 MongoDB 集合的數據有 10 億條數據，我們先在測試環境上從 MongoDB 到 ES 上同步 100 萬條數據。
假設這 100 萬條數據占用磁盤 10G，那生產上環境上需要 1 個 T 磁盤空間，然后根據業務預期增加量擴展一定冗余。
根據初步評估，Elastic 集群設置 3 臺服務器， 配置 8c/16g 內存/2T 機械磁盤。服務器數量一下從 15 臺縮減到 3 臺，且配置也降低不少。
②Elastic 索引規則
系統操作日志是時序性數據，寫完整后基本上無需再次修改。
操作日志記錄查詢主要是當月的居多，后續的歷史性數據查詢頻率很低，根據評估，核心數據索引按月創建生成，業務查詢時候必須帶上操作時間范圍，后端根據時間反推需要查詢哪些索引。
Elastic-Api 支持多索引匹配查詢，完美利用 Elastic 的特性解決跨多個月份的查詢合并。對于非核心數據索引，按年創建索引生成足以。
Elastic 操作日志索引創建規則
③核心實現邏輯設計
Elasticsearch 不是關系型數據庫，不具備事務的機制。
操作日志系統的數據來源都是 Kafka，消費數據是有順序機制的，有 2 種場景特別注意，如下：
- 主數據先到操作日志系統，從數據后到，從數據寫的時候先拼湊主數據記錄和 Binlog 字段數據。
- 從數據先到操作日志系統，主數據后到，主數據更新從索引的相關的索引字段。
Elasticsearch 索引數據更新是近實時的刷新機制，數據提交后不能馬上通過 Search-Api 查詢到，主記錄的數據如何更新到從記錄呢?而且業務部門不規范的使用，多條主記錄的 dataId 和 tracId 可能一樣。
由于主數據與從數據關聯字段是 dataId 和 traceId。如果主數據與從數據在同時達到操作日志系統，基于 update_by_query 命令肯定失效不 準確，主從數據也可能是多對多的關聯關系，dataId 和 traceId 不能唯一決定一條記錄。
Elasticsearch 其實也是一個 NoSQL 數據庫，可以做 key-value 緩存。
這時新建一個 Elastic 索引作為中間緩存， 原則是主數據與從數據誰先到緩存誰，索引的 _id=(dataId+traceId)。
通過這個中間索引可以找到主數據記錄的 Id 或者從記錄 Id， 索引數據模型多如下，detailId 為從索引的 _id 的數組記錄。
- {
- "dataId": 1,
- "traceId": "abc",
- "moduleCode": "crm_01",
- "operationId": 100,
- "operationName": "張三",
- "departmentId": 1000,
- "departmentName": "客戶部",
- "operationContent": "拜訪客戶",
- "detailId": [
- 1,
- 2,
- 3,
- 4,
- 5,
- 6
- ]
- }
前面我們講過主記錄和從記錄都是一個 Kafka 的分區上，我們拉一批數據的時候，操作 ES 用的用到的核心 API：
- #批量獲取從索引的記錄
- _mget
- #批量插入
- bulk
- #批量刪除中間臨時索引
- _delete_by_query
遷移過程
①數據遷移
選擇 DataX 作為數據同步工具由以下幾個因素：
- 歷史型數據。操作日志記錄數據屬于歷史性的數據，記錄產生之后幾乎無需二次修改，等同于離線數據。
- 非持續性遷移。項目全部完工之后，原有的 MongoDB 集群會全部銷毀，不會有二次遷移需求。
- 數據量問題。原有 MongoDB 操作日志數據量有幾十億條，遷移過程不能太快也不能太慢，速度太快，MongoDB 集群會出現性能問題，速度太慢，項目周期太長，增加運維的成本與復雜度。否則可以選擇 Hadoop 作為中轉平臺的遷移。
- DataX 源碼特定場景改造。如日期類型的轉換、索引主鍵 _id 的生成、索引主鍵 _id 映射，支持重復同步。
- 多實例多線程并行。主數據同步部署多個實例，從數據同步也部署多個實例，單實例中配置多個 Channel。
DataX 同步數據示意圖
②遷移索引設置
臨時修改索引的一些設置，當數據同步完之后再修改回來，如下：
- "index.number_of_replicas": 0,
- "index.refresh_interval": "30s",
- "index.translog.flush_threshold_size": "1024M"
- "index.translog.durability": "async",
- "index.translog.sync_interval": "5s"
③應用遷移
操作日志項目采用 Spring Boot 構建，增加了自定義配置項，如下：
- #應用寫入mongodb標識
- writeflag.mongodb: true
- #應用寫入elasticsearch標識
- writeflag.elasticsearch: true
項目改造說明：
- 第一次上線的時候，先將 2 個寫入標識設置為 true，雙寫 MongoDB 和 ES。
- 對于讀，提供 2 個不同接口，前端自由的切換。
- 等數據遷移完，沒有差異的時候，重新更改 flag 的值。
應用平衡遷移
結語
①遷移效果
棄用 MongoDB 使用 ElasticSearch 作為存儲數據庫，服務器從原來的 15 臺 MongoDB，變成了 3 臺 ElasticSearch，每月為公司節約了一大筆費用。
同時查詢性能提高了 10 倍以上，而且更好的支持了各種查詢，得到了業務部門的使用者，運維團隊和領導的一致贊賞。
②經驗總結
整個項目前后歷經幾個月，多位同事參與，設計、研發，數據遷移、測試、數據驗證、壓測等各個環節。
技術方案不是一步到位，中間也踩了很多坑，最終上線了。ES 的技術優秀特點很多，靈活的使用，才能發揮最大的威力。
作者：李猛
簡介：Elastic-stack 產品深度用戶，ES 認證工程師，2012 年接觸 Elasticsearch，對 Elastic-Stack 開發、架構、運維等方面有深入體驗，實踐過多種 Elasticsearch 項目，最暴力的大數據分析應用，最復雜的業務系統應用;業余為企業提供 Elastic-stack 咨詢培訓以及調優實施。
編輯：陶家龍
出處：轉載自微信公眾號 DBAplus 社群(ID：dbaplus)
