作者：玉璁，OceanBase 生态产品技术专家。孙夕恩，花名玉璁，工作十余年，一直在基础架构与中间件领域从事研发工作。现任职于 OceanBase 生态产品团队，负责离线导数产品工具的研发工作，致力于为 OceanBase 建设一套完善的生态工具体系。玉璁在Java、分布式、基础架构、中间件等领域有着较为丰富的研发实战经验。
背景介绍
每一款数据库都有自研的导入导出工具，面向不同的使用者导数工具可以发挥不同的作用，例如：DBA可以使用导数工具进行逻辑备份恢复，开发者可以使用导数工具完成系统间的数据交换。今天我写下这一篇文章主要是为OceanBase订阅者们介绍一下OceanBase自研的数据库导出工具——obdumper。让OceanBase的用户们了解导数工具的发展历程，以及当前的现状。官方文档说明过 obdumper 使用Java语言开发的，作者之所以选择Java语言，主要是为了跨平台。毕竟平台适配相关的工作也是一件比较烦的事儿，事实上已经有用户咨询过 obdumper 是否可以直接运行在 x86, arm 等平台，似乎一切都在当初语言选择的预料之中。虽然 OceanBase 对于 MySQL/Oracle 的内核特性具备较高的兼容性，但是开源的 MySQL/Oracle 生态工具是不推荐使用的，因其没有更好地兼容 OceanBase 内核的行为。我们没有选择魔改开源工具，而是选择自研的目的就是为了让其变得更加贴身。除此以外，也希望能够随着 OceanBase 自身业务的发展而能做到任意扩展。下面我们会从不同的角度来介绍这款工具，大家再阅读的过程也能感受到与其它开源工具之间的差异。
核心功能
简单说介绍几个功能的应用场景：
- 导出过去某个时间点的历史快照数据，便于后期的系统降级回滚；
- 导出一张表中满足指定条件的数据，定期导出数据进行业务分析；
- 导出的表数据文件进行高压缩处理，降低长期备份归档存储成本；
- 导出整库的数据定期进行备份归档，为了系统灾备或者合规审计；
- 导出的数据进行加工处理，例如：转换、脱敏等。合规使用数据；
上述功能是不是经常用在日常的开发、测试、运维等工作中？既要满足业务，又要与时俱进。以文件压缩来讲，常见的数据导出工具是将数据导出成CSV文件，再进行后置压缩，压缩效果并不好。为了让开发环境能够使用与生产相近的数据，可以对导出的数据进行脱敏，再导入到开发库中。导数工具的目标就是让数据能够在企业内部高效地流动起来，充分发挥业务数据应有的价值。
架构原理
obdumper 内部基于业务schema的定义设计了一套非常丰富的表数据切分策略（或者叫分片策略），一个库或者一张表进行多任务并行化处理，大幅提升数据的导出性能。当然，影响性能的因素有很多，例如：表结构设计，数据传输网络，数据落盘的IO 等。整体的框架是面向格式和存储进行扩展，像CSV,SQL等面向行存储的格式便于小数据量业务直接使用，例如：Excel 直接打开文件进行查看、分析；像ORC, Parquet 等面向列存储的格式可以存放大规模的表数据。同时，我们也将会支持将数据导出到不同的存储介质，让数据与存储充分解耦，促进数据跨平台的流动性。大致的架构如下图所示：
提醒：我们强烈建议用户设计表结构时，为表添加主键。表的数据量庞大时，还要对表进行分区化改造，并且保证每一个分区内的数据相对均衡。
性能测试
使用TPC-H 100GB测试库按照不同的文件格式进行导出，由于 ORC/Parquet 导出过程中默认开启压缩，所以数据导出性能比CSV/SQL格式略低一些。实际业务中牺牲一点性能换取更低的存储空间，大多数用户还是能接受的。导出测试性能图表如下：
压缩测试
整库100GB数据按照 ORC/Parquet 格式导出，默认采用zstd压缩大约是 4 : 1。如果对 CSV 文件中相同的数据采用后置压缩，压缩率远远达不到这么高。压缩率高低，不仅与压缩算法相关，也与数据的特征也有很大的关系。不同的业务数据采用相同的算法进行压缩后的效果差异也很明显，建议用户以实际的业务数据进行压缩为准。（压缩率的计算公式：Compression Ration ≈ Uncompressed Size/Compressed Size）
相关文档
导出数据官方文档： https://www.oceanbase.com/docs/enterprise-oceanbase-dumper-loader-cn-1000000000076561
OceanBase 导入工具原理浅析： https://open.oceanbase.com/blog/new?draft=7549341232
