一、背景介绍

最近微服务架构火得不行，但本质上也只是风口上的一个热点词汇。

作为笔者的经验来说，想要应用一个新的架构需要带来的变革成本是非常高的。

尽管如此，目前还是有许多企业踏上了服务化改造的道路，这其中则免不了“旧改”的各种繁杂事。

所谓的“旧改”，就是把现有的系统架构来一次重构，拆分成多个细粒度的服务后，然后找时间升级割接一把，让新系统上线。这其中，数据的迁移往往会成为一个非常重要且繁杂的活儿。

拆分服务时数据迁移的挑战在哪？

首先是难度大，做一个迁移方案需要了解项目的前身今世，评估迁移方案、技术工具等； 其次是成本高。由于新旧系统数据结构是不一样的，需要定制开发迁移转化功能，很难有一个通用的工具能一键迁移； 再者对于一些容量大、可靠性要求高的系统，要能够不影响业务，出了问题还能追溯，因此方案上还得往复杂了想。

二、常见方案

按照迁移的方案及流程，可将数据迁移分为三类：

1、停机迁移

最简单的方案，停机迁移的顺序如下：

采用停机迁移的好处是流程操作简单，工具成本低，然而缺点也很明显，迁移过程中业务是无法访问的，因此只适合于规格小、允许停服的场景。

2、业务双写

业务双写是指对现有系统先进行改造升级，支持同时对新库和旧库进行写入。之后再通过数据迁移工具对旧数据做全量迁移，待所有数据迁移转换完成后切换到新系统。

示意图：

业务双写的方案是平滑的，对线上业务影响极小，在出现问题的情况下可重新来过，操作压力也会比较小。

笔者在早些年前尝试过这样的方案，整个迁移过程确实非常顺利，但实现该方案比较复杂，需要对现有的代码进行改造并完成新数据的转换及写入，对于开发人员的要求较高。在业务逻辑清晰、团队对系统有足够的把控能力的场景下适用。

3、增量迁移

增量迁移的基本思路是先进行全量的迁移转换，待完成后持续进行增量数据的处理，直到数据追平后切换系统。

示意图：

关键点：

要求系统支持增量数据的记录。对于MongoDB可以利用oplog实现这点，为避免全量迁移过程中oplog被冲掉，在开始迁移前就必须开始监听oplog，并将变更全部记录下来；如果没有办法，需要从应用层上考虑，比如为所有的表(集合)记录下updateTime这样的时间戳，或者升级应用并支持将修改操作单独记录下来。

增量数据的回放是持续的。在所有的增量数据回放转换过程中，系统仍然会产生新的增量数据，这要求迁移工具能做到将增量数据持续回放并将之追平，之后才能做系统切换。

MongoDB 3.6版本开始便提供了Change Stream功能，支持对数据变更记录做监听。这为实现数据同步及转换处理提供了更大的便利，下面将探讨如何利用Change Stream实现数据的增量迁移。

三、Change Stream介绍

Chang Stream（变更记录流）是指collection（数据库集合）的变更事件流，应用程序通过db.collection.watch()这样的命令可以获得被监听对象的实时变更。

在该特性出现之前，你可以通过拉取oplog达到同样的目的；但oplog的处理及解析相对复杂且存在被回滚的风险，如果使用不当的话还会带来性能问题。Change Stream可以与aggregate framework结合使用，对变更集进行进一步的过滤或转换。

参考链接：https://docs.mongodb.com/manual/aggregation/

由于Change Stream利用了存储在oplog中的信息，因此对于单进程部署的MongoDB无法支持Change Stream功能，其只能用于启用了副本集的独立集群或分片集群。

监听的目标

变更事件

一个Change Stream Event的基本结构如下所示：

字段说明：

Change Steram支持的变更类型有以下几个：

利用以下的shell脚本，可以打印出集合 T_USER上的变更事件：

下面提供一些样例，感受一下：

insert事件

update事件

replace事件

delete事件

invalidate事件

更多的Change Event信息可以参考：https://docs.mongodb.com/manual/reference/change-events/

四、实现增量迁移

本次设计了一个简单的论坛帖子迁移样例，用于演示如何利用Change Stream实现***的增量迁移方案。

背景如下：

现有的系统中有一批帖子，每个帖子都属于一个频道(channel)，如下表：

新系统中频道字段将采用英文简称，同时要求能支持平滑升级。根据前面篇幅的叙述，我们将使用Change Stream功能实现一个增量迁移的方案。

相关表的转换如下图：

原理

topic是帖子原表，在迁移开始前将开启watch任务持续获得增量数据，并记录到 topic_incr表中；接着执行全量的迁移转换，之后再持续对增量表数据进行迁移，直到无新的增量为止。

接下来我们使用Java程序来完成相关代码，mongodb-java--driver在3.6版本后才支持watch功能，需要确保升级到对应版本：

定义Channel频道的转换表：

public static enum Channel {      Food("美食"),      Emotion("情感"),     Pet("宠物"),      House("家居"),      Marriage("征婚"),      Education("教育"),      Travel("旅游") ;     private final String oldName;      public String getOldName() {          return oldName;      }      private Channel(String oldName) {          this.oldName = oldName;      }      /**       * 转换为新的名称       *       * @param oldName       * @return       */      public static String toNewName(String oldName) {          for (Channel channel : values()) {              if (channel.oldName.equalsIgnoreCase(oldName)) {                  return channel.name();              }          }          return "";      }      /**       * 返回一个随机频道       *       * @return       */      public static Channel random() {          Channel[] channels = values();          int idx = (int) (Math.random() * channels.length);          return channels[idx];      }  }

为topic表预写入1w条记录：

开启监听任务，将topic上的所有变更写入到增量表：

代码中通过watch命令获得一个MongoCursor对象，用于遍历所有的变更。

FullDocument.UPDATE_LOOKUP选项启用后，在update变更事件中将携带完整的文档数据(FullDocument)。

watch()命令提交后，mongos会与分片上的mongod(主节点)建立订阅通道，这可能需要花费一点时间。

为了模拟线上业务的真实情况，启用几个线程对topic表进行持续写操作：

ChangeTask实现逻辑如下：

每一个变更任务会不断对topic产生写操作，触发一系列ChangeEvent产生：

doInsert：生成随机频道的topic后，执行insert； doUpdate：随机取得一个topic，将其channel字段改为随机值，执行update； doReplace：随机取得一个topic，将其channel字段改为随机值，执行replace； doDelete：随机取得一个topic，执行delete。

以doUpdate为例，实现代码如下：

启动一个全量迁移任务，将topic表中数据迁移到topic_new新表：

在全量迁移开始前，先获得当前时刻的的*** _id 值（可以将此值记录下来）作为终点，随后逐个完成迁移转换。

在全量迁移完成后，便开始***一步：增量迁移。

注：增量迁移过程中，变更操作仍然在进行。

final MongoCollection<Document> topicIncrCollection = getCollection(coll_topic_incr);  final MongoCollection<Document> topicNewCollection = getCollection(coll_topic_new);  ObjectId currentId = null;  Document sort = new Document("_id", 1);  MongoCursor<Document> cursor = null;  // 批量大小  int batchSize = 100;AtomicInteger count = new AtomicInteger(0);  try {      while (true) {          boolean isWatchTaskStillRunning = watchFlag.getCount() > 0;          // 按ID增量分段拉取          if (currentId == null) {              cursor = topicIncrCollection.find().sort(sort).limit(batchSize).iterator();          } else {              cursor = topicIncrCollection.find(new Document("_id", new Document("$gt", currentId)))                      .sort(sort).limit(batchSize).iterator();          }          boolean hasIncrRecord = false;          while (cursor.hasNext()) {              hasIncrRecord = true;              Document incrDoc = cursor.next();              OperationType opType = OperationType.fromString(incrDoc.getString(field_op));              ObjectId docId = incrDoc.getObjectId(field_key);              // 记录当前ID              currentId = incrDoc.getObjectId("_id");             if (opType == OperationType.DELETE) {                  topicNewCollection.deleteOne(new Document("_id", docId));              } else {                  Document doc = incrDoc.get(field_data, Document.class);                  // channel转换                  String oldChannel = doc.getString(field_channel);                  doc.put(field_channel, Channel.toNewName(oldChannel));                  // 启用upsert                  UpdateOptions options = new UpdateOptions().upsert(true);                  topicNewCollection.replaceOne(new Document("_id", docId),                          incrDoc.get(field_data, Document.class), options);              }              if (count.incrementAndGet() % 10 == 0) {                  logger.info("IncrTransferTask progress, count: {}", count.get());              }          }          // 当watch停止工作(没有更多变更)，同时也没有需要处理的记录时，跳出          if (!isWatchTaskStillRunning && !hasIncrRecord) {              break;          }          sleep(200);      }  } catch (Exception e) {      logger.error("IncrTransferTask ERROR", e);  }

增量迁移的实现是一个不断tail的过程，利用 **_id 字段的有序特性 ** 进行分段迁移；即记录下当前处理的_id值，循环拉取在该_id值之后的记录进行处理。

增量表(topic_incr)中除了DELETE变更之外，其余的类型都保留了整个文档，因此可直接利用replace + upsert追加到新表。

***，运行整个程序。

查看topic表和topic_new表，发现两者数量是相同的。为了进一步确认一致性，我们对两个表的分别做一次聚合统计：

topic表

topic_new表

前者输出结果：

后者输出结果：

前后对比的结果是一致的。

五、后续优化

前面的章节演示了一个增量迁移的样例，在投入到线上运行之前，这些代码还得继续优化：

写入性能，线上的数据量可能会达到亿级，在全量、增量迁移时应采用合理的批量化处理；另外可以通过增加并发线程，添置更多的Worker，分别对不同业务库、不同表进行处理以提升效率。增量表存在幂等性，即回放多次其最终结果还是一致的，但需要保证表级有序，即一个表同时只有一个线程在进行增量回放。 容错能力，一旦watch监听任务出现异常，要能够从更早的时间点开始(使用startAtOperationTime参数)，而如果写入时发生失败，要支持重试。 回溯能力，做好必要的跟踪记录，比如将转换失败的ID号记录下来，旧系统的数据需要保留，以免在事后追究某个数据问题时找不着北。 数据转换，新旧业务的差异不会很简单，通常需要借助大量的转换表来完成。

一致性检查，需要根据业务特点开发自己的一致性检查工具，用来证明迁移后数据达到想要的一致性级别。

BTW，数据迁移一定要结合业务特性、架构差异来做考虑，否则还是在耍流氓。

六、小结

服务化系统中扩容、升级往往会进行数据迁移，对于业务量大，中断敏感的系统通常会采用平滑迁移的方式。

MongoDB 3.6版本后提供了Change Stream功能以支持应用订阅数据的变更事件流，本文使用Stream功能实现了增量平滑迁移的例子，这是一次尝试，相信后续这样的应用场景会越来越多。

附参考文档

100亿数据平滑数据迁移，不影响服务-58沈剑 MongoDB-ChangeStream

https://docs.mongodb.com/manual/changeStreams/

Use-ChangeStream To Handle Temperature

https://www.percona.com/blog/2017/11/22/mongodb-3-6-change-streams-nest-temperature-fan-control-use-case/