2. 主流CDC技术选型

做CDC选型，说白了就是选一种「偷看」数据库变更的方式。我这些年接触过的项目，基本逃不出三种路子：日志、轮询、触发器。每种都有它的脾气，选错了后面运维会很难受。

咱们一个一个来看。

2.1 基于日志的CDC（Debezium、Canal）

这是目前最主流的方式。原理很简单——数据库自己就有事务日志（比如MySQL的binlog、PostgreSQL的WAL），CDC工具直接去读这些日志，解析出数据变更。

我个人习惯把这种方式叫做「旁路监听」。它不侵入业务表，不写触发器，不碰业务代码。数据库怎么写日志，它就怎么读。

核心优势： 对源库零侵入，延迟低（毫秒级），能捕获删除和旧值。

市面上两个代表项目：

  • Debezium：基于Kafka Connect生态，支持MySQL、PostgreSQL、MongoDB、Oracle等。我在一个金融项目里用它同步核心交易库到数仓，跑了两年没出过大问题。
  • Canal：阿里开源的MySQL binlog解析组件，专精MySQL。如果你只用MySQL，Canal更轻量，部署也简单。

举个例子，Debezium监听到一条INSERT，会吐出类似这样的JSON：

{
  "op": "c",           // c=create, u=update, d=delete
  "ts_ms": 1700000000000,
  "before": null,
  "after": {
    "id": 1001,
    "name": "张三",
    "balance": 5000.00
  },
  "source": {
    "db": "bank",
    "table": "accounts"
  }
}

嗯，这里要注意——日志格式因数据库而异。MySQL的binlog有ROW、STATEMENT、MIXED三种格式，CDC必须用ROW格式才能拿到完整数据。我曾经接手过一个项目，源库配的是STATEMENT格式，Debezium死活解析不出具体字段值，折腾了两天才发现是配置问题。

避坑指南： 使用基于日志的CDC前，务必确认数据库已开启日志归档，且日志保留时间足够长。我曾经因为binlog保留期只设了1天，周末管道挂了，周一恢复时日志已经过期，只能全量重刷。

2.2 基于轮询的CDC

轮询CDC，说白了就是「定时查表」。你在业务表上加一个时间戳字段或版本号字段，然后写个定时任务，每隔几秒或几分钟去查「最近有变化的数据」。

你想想看，这种方式有什么问题？

  • 延迟高：轮询间隔决定了延迟下限，做不到实时。
  • 无法捕获删除：行都没了，你查不到。
  • 对源库有压力：频繁的SELECT会抢业务库的连接和IO。

但它也有适用场景。我记得在一个ERP系统集成项目里，源库是Oracle 11g，版本太老不支持日志解析，业务方又不让加触发器。最后我们只能妥协——在核心表上加了个 last_modified 字段，每30秒轮询一次。虽然延迟能接受，但每次大促期间轮询线程一多，数据库CPU就往上蹿。

我的建议： 轮询CDC只适合以下情况——源库不支持日志解析、数据量小（百万级以内）、对实时性要求不高（分钟级）。如果条件允许，尽量别选这条路。

一个简单的轮询SQL示例：

-- 假设表结构中有 last_modified 字段
SELECT * FROM orders
WHERE last_modified > #{lastCheckTime}
ORDER BY last_modified ASC
LIMIT 1000;

这里有个坑——时间精度问题。如果业务在同一毫秒内更新了多条记录，轮询可能漏掉一部分。我一般建议用自增ID + 时间戳组合来做断点标记，更稳妥。

2.3 基于触发器的CDC

触发器CDC，就是在源库的表上创建INSERT、UPDATE、DELETE触发器，把变更记录写入一张专门的日志表。然后CDC工具再去读这张日志表。

这种方式听起来很直接，对吧？但我在实际项目中吃过它的亏。

先说优点：

  • 能捕获所有变更（包括删除和旧值）
  • 不依赖数据库日志格式
  • 兼容性广（任何支持触发器的数据库都能用）

再说缺点：

  • 性能开销大：每次DML操作都要额外写一条日志，事务变重。我在一个日活千万的电商订单库上试过，加了触发器后写入吞吐下降了约15%。
  • 维护成本高：表结构变更时，触发器也得同步更新。有一次DBA改了表字段类型，忘了更新触发器，结果日志表里全是NULL。
  • 单点故障风险：如果日志表满了或者挂了，业务表的写入也会被阻塞。
我曾经踩过的坑： 在一个财务系统里用了触发器CDC，结果某天日志表的自增ID达到上限，所有业务写入全部报错。从那以后，我对触发器方案就格外谨慎。

一个典型的触发器示例（MySQL）：

CREATE TRIGGER trg_orders_after_update
AFTER UPDATE ON orders
FOR EACH ROW
BEGIN
  INSERT INTO cdc_orders_log(
    operation, table_name, record_id,
    old_data, new_data, create_time
  ) VALUES (
    'UPDATE', 'orders', NEW.id,
    JSON_OBJECT('status', OLD.status, 'amount', OLD.amount),
    JSON_OBJECT('status', NEW.status, 'amount', NEW.amount),
    NOW()
  );
END;

2.4 三种方案对比

我把它们放在一起对比，你一眼就能看出差异：

对比维度 基于日志 基于轮询 基于触发器
延迟 毫秒级 秒~分钟级 毫秒级
源库侵入性 无 低（仅查询） 高（写触发器）
捕获删除 ✅ 支持 ❌ 不支持 ✅ 支持
捕获旧值 ✅ 支持 ❌ 不支持 ✅ 支持
对源库性能影响 极低 中等（取决于轮询频率） 较高
维护复杂度 低 低 高
适用场景 生产环境、实时场景 老旧系统、非实时 小规模、无日志解析支持

2.5 选型决策逻辑

我一般按这个思路来选：

  1. 先看源库是否支持日志解析。MySQL 5.7+、PostgreSQL 9.4+、Oracle 12c+ 基本都支持。能用日志就别想别的。
  2. 再看实时性要求。秒级以内必须上日志CDC；分钟级可以接受的话，轮询也能凑合。
  3. 最后看运维能力。日志CDC需要维护Kafka或类似的消息中间件，团队如果没经验，小项目可以先用触发器过渡。

下面这张图能帮你快速定位：

CDC 技术选型决策流程 开始选型 源库支持日志解析？ 是 实时性要求 < 1秒？ 是 ✅ 基于日志CDC（Debezium/Canal） 否 轮询CDC（可接受） 否 数据量 < 100万？ 是 触发器CDC（可考虑） 否 升级数据库或换方案 选型建议 • 生产环境首选基于日志CDC，延迟低、侵入小、维护简单 • 老旧系统或临时方案可考虑轮询或触发器，但需评估性能影响 • 触发器方案尽量避开高并发写入场景
我的个人经验： 如果团队刚接触CDC，我建议从Debezium + Kafka入手。生态成熟，社区活跃，遇到问题基本都能搜到答案。别一上来就搞自研或者冷门工具，坑太多。

总结一下：基于日志的CDC是首选，基于轮询的是备选，基于触发器的是最后的选择。选型时别只看功能列表，还要考虑你团队的运维能力和源库的实际情况。毕竟，再好的技术方案，落不了地也是白搭。

← 上一章 📖 返回目录 下一章 →