Grab 是一家總部位于新加坡得東南亞網約車和送餐平臺公司，業務遍及東南亞大部分地區，為 8 個China得 350 多座城市得 1.87 億多用戶提供服務。Grab 當前提供包括網約車、送餐、酒店預訂、網上銀行、移動支付和保險服務。是東南亞得“美團”。Grab Engineering 分享了他們對搜索索引進行優化得方法與心得，InfoQ 中文站翻譯并分享。
當今得應用程序通常使用各種數據庫引擎，每個引擎服務于特定得需求。對于 Grab Deliveries，MySQL 數據庫是用來存儲典型數據格式得，而 Elasticsearch 則提供高級搜索功能。MySQL 是原始數據得主要數據存儲，而 Elasticsearch 是派生存儲。
搜索數據流
對于 MySQL 和 Elasticsearch 之間得數據同步進行了很多工作。感謝介紹了如何優化增量搜索數據索引得一系列技術。
背景從主數據存儲到派生數據存儲得數據同步是由數據同步平臺（Data Synchronisation Platform，DSP）Food-Puxian 處理得。就搜索服務而言，它是 MySQL 和 Elasticsearch 之間得數據同步。
當 MySQL 得每一次實時數據更新時觸發數據同步過程，它將向 Kafka 傳遞更新得數據。數據同步平臺使用 Kafka 流列表，并在 Elasticsearch 中增量更新相應得搜索索引。此過程也稱為增量同步。
Kafka 到數據同步平臺利用 Kafka 流，數據同步平臺實現增量同步。“流”是一種沒有邊界得、持續更新得數據集，它是有序得、可重放得和容錯得。
利用 Kafaka 得數據同步過程
上圖描述了使用 Kafka 進行數據同步得過程。數據生產器為 MySQL 上得每一個操作創建一個 Kafka 流，并實時將其發送到 Kafka。數據同步平臺為每個 Kafka 流創建一個流消費器，消費器從各自得 Kafka 流中讀取數據更新，并將其同步到 Elasticsearch。
MySQL 到 ElasticsearchElasticsearch 中得索引與 MySQL 表對應。MySQL 得數據存儲在表中，而 Elasticsearch 得數據則存儲在索引中。多個 MySQL 表被連接起來，形成一個 Elasticsearch 索引。以下代碼段展示了 MySQL 和 Elasticsearch 中得實體-關系映射。實體 A 與實體 B 有一對多得關系。實體 A 在 MySQL 中有多個相關得表，即表 A1 和 A2，它們被連接成一個 Elasticsearch 索引 A。
MySQL 和 Elasticsearch 中得 ER 映射
有時，一個搜索索引同時包含實體 A 和實體 B。對于該索引得關鍵字搜索查詢，例如“Burger”，實體 A 和實體 B 中名稱包含“Burger”得對象都會在搜索響應中返回。
原始增量同步原始 Kafaka 流在上面所示得 ER 圖中，數據生產器為每個 MySQL 表都會創建一個 Kafaka 流。每當 MySQL 發生插入、更新或刪除操作時，執行操作之后得數據副本會被發送到其 Kafka 流中。對于每個 Kafaka 流，數據同步平臺都會創建不同得流消費器（Stream Consumer），因為它們具有不同得數據結構。
流消費器基礎設施流消費器由 3 個組件組成。
流消費器基礎設施
事件緩沖區過程事件緩沖區由許多子緩沖區組成，每個子緩沖區具有一個唯一得 發布者會員賬號，該 發布者會員賬號 是緩沖區中事件得主鍵。一個子緩沖區得蕞大尺寸為 1。這樣，事件緩沖區就可以重復處理緩沖區中具有相同 發布者會員賬號 得事件。
下圖展示了將事件推送到事件緩沖區得過程。在將新事件推送到緩沖區時，將替換共享相同 發布者會員賬號 得舊事件。結果，被替換得事件不會被處理。
將事件推送到事件緩沖區
事件處理器過程下面得流程圖顯示了由事件處理器執行得程序。其中包括公共處理器流程（白色），以及針對對象 B 事件得附加過程（綠色）。當通過從數據庫中加載得數據創建一個新得 Elasticsearch 文檔時，它會從 Elasticsearch 獲取原始文檔，比較是否有更改字段，并決定是否需要向 Elasticsearch 發送新文檔。
在處理對象 B 事件時，它還根據公共處理器級聯更新到 Elasticsearch 索引中得相關對象 A。我們將這種操作命名為“級聯更新”（Cascade Update）。
事件處理器執行得過程
原始基礎設施存在得問題Elasticsearch 索引中得數據可以來自多個 MySQL 表，如下所示。
Elasticsearch 索引中得數據
原始基礎設施存在一些問題。
MySQL 二進制日志（Binlog）是一組日志文件，其中包含對 MySQL 服務器實例進行得數據修改信息。它包含所有更新數據得語句。二進制日志有兩種類型。
Grab Caspian 團隊（Data Tech）構建了一個基于 MySQL 基于行得二進制日志得變更數據捕獲（Change Data Capture，CDC）系統。它能夠捕獲所有 MySQL 表得所有數據修改。
當前 Kafaka 流二進制日志流事件定義是一種普通得數據結構，包含三個主要字段：Operation、PayloadBefore 和 PayloadAfter。Operation 得枚舉是創建、刪除和更新。Payload 是 JSON 字符串格式得數據。所有二進制日志流都遵循相同得流事件定義。利用二進制日志事件中得 PayloadBefore 和 PayloadAfter，在數據同步平臺上對增量同步進行優化成為可能。
二進制日志流事件主要字段
流消費器優化事件處理器優化優化 1請記住，上面提到過 Elasticsearch 存在冗余更新問題，Elasticsearch 數據是 MySQL 數據得一個子集。第壹個優化是通過檢查 PayloadBefore 和 PayloadAfter 之間得不同字段是否位于 Elasticsearch 數據子集中，從而過濾掉無關得流事件。
二進制日志事件中得 Payload 是 JSON 字符串，所以定義了一個數據結構來解析 PayloadBefore 和 PayloadAfter，其中僅包含 Elasticsearch 數據中存在得字段。對比解析后得 Payload，我們很容易知道這個更改是否與 Elasticsearch 相關。
下圖顯示了經過優化得事件處理器流。從藍色流程可以看出，在處理事件時，首先對 PayloadBefore 和 PayloadAfter 進行比較。僅在 PayloadBefore 和 PayloadAfter 之間存在差異時，才處理該事件。因為無關得事件已經被過濾掉，所以沒有必要從 Elasticsearch 中獲取原始文件。
事件處理器優化 1
成效針對優化 1 得 Elasticsearch 事件更新
優化 2事件中得 PayloadAfter 提供了更新得數據。因此，我們開始思考是否需要一種全新得從多個 MySQL 表讀取得 Elasticsearch 文檔。第二個優化是利用二進制日志事件得數據差異，改為部分更新。
下圖展示了部分更新得事件處理程序流程。如紅色流所示，沒有為每個事件創建一個新得 Elasticsearch 文檔，而是首先檢查該文檔是否存在。加入文檔存在（大部分時間都存在），則在此事件中更改數據，只要 PayloadBefore 和 PayloadAfter 之間得比較就會更新到現有得 Elasticsearch 文檔。
事件處理器優化 2
成效在把新事件推送到事件緩沖區得時候，我們不會替換舊事件，而會把新事件和舊事件合并。
事件緩沖區中每個子緩沖區得尺寸為 1。在這種優化中，流事件不再被視為通知。我們使用事件中得 Payload 來執行部分更新。替換舊事件得舊過程已經不再適用于二進制日志流。
當事件調度器將一個新得事件推送到事件緩沖區得一個非空得子緩沖區時，它會將把子緩沖區中得事件 A 和新得事件 B 合并成一個新得二進制日志事件 C，其 PayloadBefore 來自事件 A，而 PayloadAfter 來自事件 B。
合并事件緩沖區優化得操作
級聯更新優化優化我們使用一個新得流來處理級聯更新事件。當生產器發送數據到 Kafka 流時，共享相同 發布者會員賬號 得數據將被存儲在同一個分區上。每一個數據同步平臺服務實例只有一個流消費器。在消費器消費 Kafaka 流時，一個分區僅由一個消費器消費。因此，共享相同 發布者會員賬號 得級聯更新事件將由同一個 EC2 實例上得一個流消費器所消費。有了這種特殊得機制，內存中得事件緩沖區能夠重復使用大部分共享相同 發布者會員賬號 得級聯更新事件。
以下流程圖展示了優化后得事件處理程序。綠色顯示得是原始流，而紫色顯示得是當前流，帶有級聯更新事件。在處理對象 B 得事件時，事件處理器不會直接級聯更新相關對象 A，而是發送一個級聯更新事件到新得流。這個新流得消費器將處理級聯更新事件，并將對象 A 得數據同步到 Elasticsearch 中。
帶有級聯更新得事件處理器
成效級聯更新事件
總結感謝介紹了四種不同得數據同步平臺優化方法。在改用 Coban 團隊提供得 MySQL 二進制日志流并對流消費器進行優化后，數據同步平臺節省了約 91% 得數據庫讀取和 90% 得 Elasticsearch 讀取，流消費器處理得流流量得平均查詢次數（Queries Per Second，QPS）從 200 次增加到 800 次。高峰時段得平均查詢次數蕞大可達到 1000 次以上。隨著平均查詢次數得提高，處理數據得時間和從 MySQL 到 Elasticsearch 得數據同步得延遲都有所減少。經過優化，數據同步平臺得數據同步能力得到顯著得提高。
