阅读文章：数据蜂巢架构演讲之路
文章网址：https://mp.weixin.qq.com/s?__biz=MzU1MzE2NzIzMg==&mid=2247485060&idx=1&sn=2d374061f2f85c453cc27d092a5354ad&chksm=fbf7b66bcc803f7dde316a4edbb40d9e6074640ef95ca7b1095b3d885433c991115ac00f1d9b&scene=21#wechat_redirect
数据蜂巢架构
一、功能整合
离线同步：可理解为将根据一个sql查询出的数据同步到其它目标存储上；
实时订购：通过实时解析mysql-binlog,将数据的变动封装成事件存于消息队列，供用户订阅消费；
实时同步：提供一些常见的订阅客户端料现，实时消费消息，将数据的变动应用于目标存储上。
将离线同步，实时订阅，实时同步三个需求抽象为三种作业，分别为BatchJob,StreamJob,PieJob。
BatchJob参考Sqoop的模式，将需同步的数据先根据指定的规则进行分片，然后将作业根据分片拆分成多个任务，每个任务只同步本分片的数据，多个任务可同时运行，以加快同步效率；
以BatchJob的模式为基础，StreamJob也可根据需要采集的mysql实例分成多个任务，每个任务负责采集解析一个mysql的binlog，并将解析后的事件封装成消息存于本地供订阅者消费；
PieJob是对订阅客户端的封装，每一个订阅客户端即可看作一个任务。
三种不同的作业最终都可以通过分片分成多个任务去运行，使用统一的模型。
二、任务细节
以下为各个Job进行分片后生成的Task内部具体实现细节
（1）BatchTask
Fetcher负责抽取数据，Sinker负责写入数据，Storage为缓存层。
（2）StreamTask
RelayLogTask负责拉取binlog；HHLTask负责解析Binlog,并将解析出的数据变更事件封装为易使用的消息体，最后存入hhl中。hhl的实现借鉴了Kafka，可看作一个简易版的消息队列。消息使用protobuf序列化，压缩后顺序写入文件。同时提供了指定大小的索引块。
（3）PieTask
PieTask实际是对客户端的封装，这里主要介绍一下客户端的实现。
客户端采用并发处理的模式，connector负责接收消息，paritioner负责分发消息交给不同的Processor(线程)处理。
因客户端需自己记录当前处理的位点，但又要保障在并发场景下记录的位点之前的消息都已被正确处理。为了减少线程间阻塞，使用了环形数组的提交方式（记录位点）。
三、集群
使用Master-Slave结构，Master称之为Queen；Slave称之为Bee。Queen负责作业的分片，调度；Bee负责任务的具体执行（任务由作业分片后得到）。
（1）高可用
i.Mysql：mysql的高可用由dba维护，但mysql主从切换后对应的位点会不同，此处通过监测serverId的变更来发现主从切换，主机切换后通过时间在新实例上查找对应位点；
ii.Queen：通过zookeeper来实现Active与StandBy的切换
iii.Bee：宕机后Queen会将该主机上运行的所有任务切换到其它机器上
（2）数据本地性
每一台Bee都有自己的机柜，机架，机房，分组信息。作业运行时可以指定自己的喜好，任务会优先分到指定的机器分组上
（3）负载均衡
Bee在运行时会通过心跳汇报自己负载情况，当一个任务需要调度时，Queen会在满 足数据本地性的前提下优先将任务分发到负载低的主机上。
四、HHL文件丢失
Binlog采集解析后的消息存于本地hhl文件中，一但主机发生HA切换后，之前的消息会全部丢失。
方案一：复本，缺点：占用大量磁盘资源，实现逻辑复杂，放弃使用；
方案二：数据补全，因本身mysql为满足运维需要,binlog会存储N天，丢失消息完全可以重新抽取解析binlog获得，此时不再需要对消息做复本，丢失的消息如果被请求可以重新生成。
五、元数据
Binlog中并不记录字段名等相关信息，导致生成的消息只有数据，没有结构。
方案一：通过查询数据库获得，缺点：在解析存在延迟情况下，表结构可能不正确，弃用；
方案二：快照，StreamJob在初次启动时会对mysql中所有的表做一份快照，此后在运行期间当解析到DDL操作时会将原快照取出生成一个新的复本，并在该复本上应用对应的DDL操作，最后生成一个新快照。保证任何时刻的binlog都可以找到其对应的元数据。
同时每个StreamTask会提供一个元数据服务，消息在传输时不存储字段等信息，客户端需要时直接请求元数据服务即可，以减少带宽占用。
六、资源隔离
第一版采用的是分布式线程池的模式，同一个Bee上跑的多个任务在一个进程内以多线程的形式存在。但因系统为满足各种需求，提供了自己定义业务逻辑，上传jar包的方式提交作业，部分用户作业结束后忘记释放相关资源，以及一些作业占用资源过多影响其它任务的执行。随后弃用线程池，使用进程池。用子进程保障不同的作业之间有一个资源隔离。