作者：京东零售 杨亚龙

一、现状梳理

本篇介绍了一次数据库迁移的完整方案。 本次需要改造的系统为一个较为陈旧的技术栈系统，其中MongoDB作为核心数据存储中间件，承担着存储全部核心数据的重要任务。该系统目前的配置为1主1副本模式，涉及1个数据库和2张表，服务于7个不同的应用。尽管系统架构相对简单，但其在日常运营中发挥着不可或缺的作用。目前需要将MongoDB存储在其它介质中，如何能够保障在不影响线上使用的情况下，平滑切流到新库，是本文主要探讨的问题。

二、迁移方案

2.1 迁移节奏

整体节奏分为

1.梳理范围，因为系统内不仅有mongo还同时有mysql数据源，需要梳理出使用mongo的所有业务范围

2.确定好原有的数据，应该存储在哪个介质中，确定好存储标准，需要能够cover住原有的所有业务，包括读写性能

3.对原有数据结构的DAO层进行改造

4.需要对数据进行双写并进行数据迁移

5.R2流量验证/测试回归/数据比对 进行验证

6.切量:放量节奏





2.2 代码改造/数据异构

采用装饰器模式，统一控制双写逻辑（主写，辅写），统一控制切量逻辑，下线逻辑， 抽取代码中原有的直接调用底层mongodb API的代码，将其不改业务逻辑的情况下迁移到Dao层。这样做的目的是为了后续做切流适配逻辑。不改逻辑及出入参的目的是为了避免对当前业务造成影响。

选用数据源的依据为

特性	JimKV	HBase
优势	- 支持多存储引擎（SSD、AEP）- 基于 Raft 协议的强一致性和多机房容灾 - 完善的运维监控和弹性伸缩能力	- 支持PB级别的存储容量- 云原生架构，支持单集群和主备集群 - 高吞吐性能，适合写密集型应用
劣势	- 由于Raft协议，写性能低于JimDB	- 故障恢复时间较长，约1—2分钟
适用场景	- 数据一致性和可靠性要求高- 数据存储量大- 读流量大于写流量	- 存储量非常大（PB级别）- 写密集且性能要求高的场景
技术选型推荐理由	- JimKV满足存储量和吞吐量要求- 数据一致性和可靠性优于HBase - 适合读流量大于写流量的应用场景	- 适用于存储量极大的场景，但对一致性要求较高的场景不如JimKV适合

基于以上原则,我们选用JImKV(京东自研中间件)，Mysql和ES作为MongoDB的替换的数据源，数据源切换Dao层的改造方式如下:







2.3 存量数据迁移

方案	是否可实现	难度
使用大数据抽数任务	是	易
使用代码异步任务的方式	是	易
DRC同步	从mongo到数据库不支持	略

考虑整体的数据量并不大单表300w，通过大数据离线表的方式效率并不高，通过代码更加的灵活，可以随时调整速度和范围存量数据分了两部分1、已经审核通过，申请单不会在有任何变更，可以随时迁移，比对2、申请单处于过程中的数据，数据随时会变更。凌晨迁移，打开双写







2.4 增量数据同步

创建申请单和更新不包含状态字段时的操作

先写mongo再写mysql，以mongo写入成功为准，写mysql失败，mq异步补偿





三、上线三板斧(灰度/监控/回滚)

本章节主要探讨在进行数据迁移和代码改造这些基础工作完成之后，如何保障上线没有线上问题，如何保障平滑切流和听写，工作主要聚焦于上线三板斧，可灰度，可回滚，可监控等方面，具体工作如下:

3.1 可监控(数据对比读逻辑)

增量数据比对

双写数据完成后发送MQ，消息里面查询新库，老库的数据进行实时比对，不一致数据记录不一致字段，关键字业务报警，写入日志文件，导出分析

存量数据比对

遍历全量老库数据，与新库查出数据，转换成相同对象对比数据一致性，异常数据写入日志文件分析



3.2 可监控(对比读逻辑)

对比逻辑，引入R2流量回放对比，提高对比速度，





3.3 可灰度(灰度切量读)

读切流，按照供应商和采销白名单+百分比来切流





切流时，由于需要根据pin对流量分散，但是不在同一线程内，使用threadlocal对商户信息进行设置和读取



3.4 可回滚(灰度切量写)

写切流 分为四步

1.首先验证 写新库没问题 相当于对新加代码进行灰度 如果有问题 进行回切

2.当验证写新库没问题，需要补齐数据库数据

3.当数据补齐后 转换为主写新库

4.后续如果读写新库都没问题 可以彻底下线旧库存





四、总结

本文详细梳理了线上生产环境的全流程，包括迁移和切换的灰度方案对比。在数据源选型方面，根据实际业务需求选择合适的中间件是整个工作的基石。在代码改造和数据异构方面，选择恰当的设计模式和合理的架构方案是关键所在。存量数据迁移和增量数据同步是不可或缺的步骤。上线过程中，确保系统具备可监控、可回滚和可灰度的能力，是实现平滑切换的保障。欢迎各位同学与我交流探讨。