先前写过一篇《从 0 到 1 搞懂 Apache CDC 流程解析》，不少读者反馈理解起来有挑战。这次基于最近在生产环境中用 SeaTunnel CDC 同步 Oracle / MySQL / SQL Server 等场景的实践，结合广大用户的反馈重新编写，希望让大家理解 SeaTunnel 实现 CDC 的过程。本篇主要讲述 CDC 的各个阶段：快照、回填、增量。

CDC 的三个阶段

整体 CDC 数据读取流程可以拆成三大阶段：

1. 快照（Snapshot，全量）

2. 回填（Backfill）

3. 增量（Incremental）

1. 快照阶段（Snapshot）

快照阶段的含义很直观：对当前库表的数据打一份快照，通过 JDBC 全量扫表。

以 MySQL 为例，在快照时会记录当前的 binlog 位点：

SHOW MASTER STATUS;

SeaTunnel 会把 File 和 Position 记为低水位线（low watermark）。

注意：不是只执行一次，因为 SeaTunnel 为了加速快照，自己实现了分片切分逻辑。

MySQL 快照切分机制（Split）

假设全局并行度是 10：

• SeaTunnel 会先分析所有表及其主键 / 唯一键范围，选择合适的拆分列

• 按这列的最大最小值进行切分，默认 snapshot.split.size = 8096

• 大表可能会被切成上百个 Split，由枚举器按 subtask 请求顺序分配到 10 个并行通道（整体上趋向均衡分布）

表级别的顺序处理（示意）：

// 处理顺序：// 1. Table1 -> 生成 [Table1-Split0, Table1-Split1, Table1-Split2]// 2. Table2 -> 生成 [Table2-Split0, Table2-Split1]// 3. Table3 -> 生成 [Table3-Split0, Table3-Split1, Table3-Split2, Table3-Split3]

Split 级别的并行分配：

// 分配给不同 subtask:// Subtask 0: [Table1-Split0, Table2-Split1, Table3-Split2]// Subtask 1: [Table1-Split1, Table3-Split0, Table3-Split3]// Subtask 2: [Table1-Split2, Table2-Split0, Table3-Split1]

每个 Split 实际就是一个带范围条件的查询，例如：

SELECT *FROM user_ordersWHERE order_id >= 1 AND order_id < 10001;

关键：每个 Split 单独记录自己的低水位线 / 高水位线。

在 MySqlSnapshotSplitReadTask.doExecute() 中，大致逻辑如下：

// MySqlSnapshotSplitReadTask.doExecute()protected SnapshotResult<MySqlOffsetContext> doExecute(  ChangeEventSource.ChangeEventSourceContext context,  MySqlOffsetContext previousOffset,  SnapshotContext<MySqlPartition, MySqlOffsetContext> ctx,  SnapshottingTask snapshottingTask) throws Exception {  // Step 1: 获取低水位线（快照开始时的 binlog 位置）  final BinlogOffset lowWatermark = currentBinlogOffset(jdbcConnection);  LOG.info("Snapshot step 1 - Determining low watermark {} for split {}",           lowWatermark, snapshotSplit);  ((SnapshotSplitChangeEventSourceContext) context).setLowWatermark(lowWatermark);  // 发送低水位线事件  dispatcher.dispatchWatermarkEvent(      ctx.partition.getSourcePartition(),      snapshotSplit,      lowWatermark,      WatermarkKind.LOW);  // Step 2: 读取快照数据（纯 JDBC）  LOG.info("Snapshot step 2 - Snapshotting data");  createDataEvents(ctx, snapshotSplit.getTableId());  // Step 3: 获取高水位线（快照结束时的 binlog 位置）  final BinlogOffset highWatermark = currentBinlogOffset(jdbcConnection);  LOG.info("Snapshot step 3 - Determining high watermark {} for split {}",           highWatermark, snapshotSplit);  ((SnapshotSplitChangeEventSourceContext) context).setHighWatermark(highWatermark);  // 发送高水位线事件  dispatcher.dispatchWatermarkEvent(      ctx.partition.getSourcePartition(),      snapshotSplit,      highWatermark,      WatermarkKind.HIGH);  return SnapshotResult.completed(ctx.offset);}

实践建议：split_size 不要切太小，Split 太多并不一定更快，调度和内存开销会非常大。

2 回填阶段（Backfill）

为什么需要回填？

想象一下，你在对一张正在频繁写入的表做全量快照（Snapshot）。当你读到第 100 行时，第 1 行的数据可能已经被修改了。如果你只读快照，当你读完时，你手里的数据其实是“不一致”的（一部分是旧的，一部分是新的）。

回填（Backfill）的作用，就是把“快照期间发生的数据变更”补回来，让数据最终一致。

这个阶段的行为，主要取决于 exactly_once 参数的配置。

2.1 简单模式 (exactly_once = false)

这是默认模式，逻辑比较简单粗暴，不需要内存缓存：

• 快照直发：读取快照数据，直接发给下游，不进缓存。

• 日志直发：同时读取 Binlog，直接发给下游。

• 最终一致：虽然中间会有重复（先发了旧的 A，又发了新的 B），但只要下游支持幂等写入（比如 MySQL 的 REPLACE INTO），最终结果是一致的。

特点：

• 优点：不占用内存，速度极快。

• 缺点：会有重复数据。对于 Kafka 等消息队列，消费者会看到中间状态。

2.2 精确一致性模式 (exactly_once = true)

这是 SeaTunnel CDC 最厉害的地方，也是它能保证数据 “一条不丢、一条不重” 的秘诀。它引入了内存缓存 (Buffer) 来进行去重。

通俗版解释：
想象一下，老师让你统计班里现在有多少人（快照阶段）。但是，班里的同学非常调皮，你正在数数的时候，有人跑进跑出（数据变更）。如果你只是闷头数，等你数完，结果肯定是不准的。

SeaTunnel 是这么做的：

1. 先拍照（快照）：先把班里的人数一遍，记在小本本上（内存缓存），先别告诉校长（下游）。

2. 看监控（回填）：去调取你数数这段时间的监控录像（Binlog 日志）。

3. 修正记录（合并）：

   • 如果监控显示有人刚进来，但你没数到 -> 加上。

   • 如果监控显示有人刚跑了，但你数进去了 -> 划掉。

   • 如果监控显示有人换了件衣服 -> 把记录改成新衣服。

4. 交作业（发送）：修正完之后，你手里的小本本就是一份完美准确的名单，这时候再交给校长。

技术实现与源码解析：

SeaTunnel 把这个过程分成了三步走（以 MySQL-CDC 为例，Oracle / SQL Server 路径类似）：

第一步：生成“看监控”的任务
当快照读完后，SeaTunnel 会自动生成一个任务，专门去读 “开始数数”到“数数结束” 这段时间的日志。

// 源码位置：MySqlSnapshotFetchTask.javaprivate IncrementalSplit createBackfillBinlogSplit(    SnapshotSplitChangeEventSourceContext sourceContext) {  return new IncrementalSplit(      split.splitId(),      Collections.singletonList(split.getTableId()),      // 监控录像开始时间（低水位线）      sourceContext.getLowWatermark(),      // 监控录像结束时间（高水位线）      sourceContext.getHighWatermark(),      new ArrayList<>());}

第二步：看着监控改作业（核心逻辑）
这是最关键的一步。SeaTunnel 会拿着日志（监控录像）去修改内存里的快照数据（小本本）。

// 源码位置：JdbcSourceFetchTaskContext.java（JDBC 类 CDC 源共用）@Overridepublic void rewriteOutputBuffer(    Map<Struct, SourceRecord> outputBuffer, // 这就是那个“小本本”（内存缓存）    SourceRecord changeRecord) { // 这是监控里看到的一条变化  // 获取这条变化的主键（比如学号）和内容  Struct key = (Struct) changeRecord.key();  Struct value = (Struct) changeRecord.value();  if (value != null) {    // 看看发生了什么事：是新增(CREATE)、修改(UPDATE) 还是 删除(DELETE)？    Envelope.Operation operation =        Envelope.Operation.forCode(value.getString(Envelope.FieldName.OPERATION));    switch (operation) {      case CREATE:      case UPDATE:        // 【重点】不管是新增还是修改，都把最新的样子记下来        // 哪怕是 UPDATE，我们也要把它伪装成 READ（快照读取），因为对下游来说，这就是初始数据        Envelope envelope = Envelope.fromSchema(changeRecord.valueSchema());        Struct source = value.getStruct(Envelope.FieldName.SOURCE);        Struct after = value.getStruct(Envelope.FieldName.AFTER); // 取最新的数据        Instant fetchTs =            Instant.ofEpochMilli((Long) source.get(Envelope.FieldName.TIMESTAMP));        // 重新包装成一条标准的“读取”记录        SourceRecord record =            new SourceRecord(                changeRecord.sourcePartition(),                changeRecord.sourceOffset(),                changeRecord.topic(),                changeRecord.kafkaPartition(),                changeRecord.keySchema(),                changeRecord.key(),                changeRecord.valueSchema(),                envelope.read(after, source, fetchTs));        // 【修正操作】        // put 的意思是：如果小本本上还没有（新增），就加上；如果有（修改），就覆盖掉旧的        outputBuffer.put(key, record);        break;      case DELETE:        // 【修正操作】        // 如果监控显示这个人走了，直接从小本本上划掉他的名字        // 这样下游就根本不知道这个人曾经存在过，数据就干净了        outputBuffer.remove(key);        break;      case READ:        // 回填阶段不应该出现 READ 事件，如果有就是出 Bug 了        throw new IllegalStateException("不应该出现的情况");    }  }}

第三步：发送最终结果
等监控录像看完了（回填结束），内存里的 outputBuffer 就是最准确的数据了。这时候 SeaTunnel 才会把它一次性发给下游。

小白总结：exactly_once = true 就是 “先憋着不发，等核对清楚了再发”。

• 好处：下游收到的数据绝对干净，没有重复，也没有乱序。

• 代价：因为要“憋着”，所以需要消耗一些内存来存数据。如果表特别大，内存可能会不够用。

2.3 两个关键疑问解答

Q1: 为什么代码里写 case READ: throw Exception？回填阶段为啥不会有 READ？

• READ 事件 是 SeaTunnel 自己定义的，专门用来表示“这是从快照里读出来的存量数据”。

• 回填阶段 读的是数据库的 Binlog（日志）。Binlog 里只记录“增删改”（INSERT/UPDATE/DELETE），从来不会记录“某人查询了一条数据”。

• 所以，如果你在回填阶段读到了 READ 事件，说明代码逻辑错乱了，把快照读的数据当成日志读了，这绝对是 Bug。

Q2: 放在内存里，内存能放得下么？会不会 OOM？

这是一个非常好的问题！

• 不是把整张表塞进内存：SeaTunnel 是按**分片（Split）**来处理的。

• 分片很小：默认一个分片只有 8096 行数据。

• 用完即扔：处理完一个分片，发走，清空内存，再处理下一个。

• 内存占用公式 ≈ 并行度 × 分片大小 × 单行数据大小。

举个例子：假设你开了 4 个并发，分片大小 8096，一行数据 1KB。内存占用 ≈ 4 * 8096 * 1KB ≈ 32MB。这对现代服务器来说完全是小意思。

什么时候会爆内存？

• 单行数据极大：比如表里存了高清图片或大 JSON，一行就有 10MB。

• 分片设得太大：你手动把 split.size 设成了 100 万。

• 并行度太高：你开了几百个并发。

优化建议：如果遇到 OOM，优先检查 split.size 是否过大，或者调小并行度。

2.4 关键细节：多分片间的水位对齐（Watermark Alignment）

这是一个非常隐蔽但又极其重要的问题。如果处理不好，就会导致数据要么丢，要么重。

通俗版解释：快慢跑问题

想象一下，有两个同学（分片 A 和 分片 B）在抄作业（回填数据）。

• 同学 A（手快）：抄到了第 100 页，就抄完了，此时时间是 10:00。

• 同学 B（手慢）：抄到了第 200 页，才抄完，此时时间是 10:05。

现在，老师（增量任务）要接着他们抄的地方继续往下讲新课（读取 Binlog）。老师应该从哪一页开始讲？

• 如果从第 200 页开始讲：

  • 同学 B 倒是接上了。

  • 但是！同学 A 在 100页~200页 之间漏听的内容（10:00~10:05 期间发生的事），就彻底丢了。

• 如果从第 100 页开始讲：

  • 同学 A 开心了，正好接上。

  • 但是！同学 B 会抱怨：“老师，100页~200页的内容我刚才抄作业的时候已经抄过了啊！” 这就导致了重复。

SeaTunnel 的解决方案：从最早的开始讲，听过的就捂耳朵

SeaTunnel 采用了一种 “最小水位起点 + 动态过滤” 的策略：

1. 定起点（照顾慢的）：老师决定从 第 100 页（所有分片中最小的水位线） 开始讲。这样保证同学 A 不会漏课。

2. 动态过滤（听过的别听）：老师讲课的时候（读取 Binlog），手里拿个名单：{ A: 100, B: 200 }。

   • 老师讲到第 150 页的内容：

     • 看看名单，是给 A 的吗？150 > 100，A 没听过，记下来（发送）。

     • 看看名单，是给 B 的吗？150 < 200，B 刚才抄过了，直接跳过（丢弃）。

3. 全速模式（大家都听完了）：
   等老师讲到第 201 页时，发现大家都已经没听过了，这时候就不用再看名单了，所有人一起认真听讲（进入纯增量模式）。

技术实现总结（对应 exactly_once = true 的路径）：

1. Global Start Offset（增量起点）
   在 IncrementalSplitAssigner.createIncrementalSplit() 中，会遍历所有快照分片的水位：

   • exactly_once = true 时使用 HighWatermark；

   • exactly_once = false 时则使用 LowWatermark。

   取这些 offset 的最小值作为 IncrementalSplit.startupOffset，这就是增量阶段统一的“起跑线”。

2. Filter Phase（按分片范围 + 高水位过滤）
   在增量读取侧的 IncrementalSourceStreamFetcher.configureFilter() 里：

   • 会把各个表的 CompletedSnapshotSplitInfo 归类到 finishedSplitsInfo，里面记录了每个分片的 [splitStart, splitEnd, HighWatermark]；

   • 同时为每张表计算一个 maxSplitHighWatermarkMap[tableId]，表示该表所有分片 HighWatermark 的最大值。

   shouldEmit(SourceRecord record) 的行为是：

   • 如果 !taskContext.isExactlyOnce()，只判断 position.isAfter(splitStartWatermark)，完全跳过分片水位的过滤逻辑；

   • 如果 isExactlyOnce()：

     • 若当前表已经进入“纯增量阶段”（position >= maxSplitHighWatermarkMap[tableId]），直接放行；

     • 否则，只在记录属于某个分片键范围，且 position.isAfter(splitInfo.watermark.highWatermark) 时才真正 emit。

3. Phase Finish（切换到纯增量模式）
   当某张表的位点追上它所有分片的最大 HighWatermark 后，该表会被加入 pureBinlogPhaseTables；
   之后对这张表就不再进行 per-split 过滤，彻底进入“纯增量模式”，持续按 offset 顺序消费日志。

一句话总结：
有 exactly_once：增量阶段会严格按照“起点 offset + 分片范围 + 高水位”的组合来过滤，确保不会把快照已经覆盖过的历史变化再发一遍；
没有 exactly_once：增量阶段就变成简单的“从某个起点 offset 往后顺序消费”，不会为每个 SnapshotSplit 做精细校对。

3 增量阶段（Incremental）

当回填（对 exactly_once = true 而言）或者快照阶段结束之后，就进入纯增量阶段：

• MySQL：基于 binlog（MySqlBinlogFetchTask + Debezium MySQL streaming）

• Oracle：基于 redo / logminer（OracleRedoLogFetchTask + Debezium Oracle logminer）

• SQL Server：基于事务日志 / LSN（SqlServerTransactionLogFetchTask + Debezium SQL Server）

• PostgreSQL：基于 WAL（PostgresWalFetchTask + Debezium Postgres）

小提示：
当前 SeaTunnel 官方 CDC 连接器主要覆盖 MySQL / Oracle / PostgreSQL / SQL Server / MongoDB / TiDB / openGauss 等，并没有提供 DB2 / Informix 的 CDC 连接器实现。
“DB2 / Informix：基于各自日志机制” 更像是一种“类比说法”——如果未来要支持，大概率也是基于各自的事务日志 / 变更日志来做 CDC。

SeaTunnel 在增量阶段的行为和原生 Debezium 非常接近：

• 按 offset 顺序消费日志；

• 对每个变更构造 INSERT / UPDATE / DELETE 等事件；

• 在 exactly_once = true 时，把 offset 和分片状态一并纳入 checkpoint，配合 IncrementalSplitState 与 IncrementalSourceReader.snapshotState() 实现故障恢复后的“精确一次”语义。

4 总结

SeaTunnel CDC 的核心设计哲学，就是在 “快”（并行快照） 和 “稳”（数据一致性） 之间寻找完美的平衡。

回顾一下整个流程的关键点：

• 切片（Split）是并行加速的基础：把大表切成小块，让多个线程同时干活。

• 快照（Snapshot）负责搬运存量：利用切片并行读取历史数据。

• 回填（Backfill）负责缝合裂隙：这是最关键的一步。它通过记录 Low Watermark 和 High Watermark，把快照期间发生的变更“补”回来，并利用内存合并算法消除重复，实现 Exactly-Once。

• 增量（Incremental）负责实时同步：无缝衔接回填阶段，持续消费数据库日志。

理解了 “快照 -> 回填 -> 增量” 这个三部曲，以及 “水位线（Watermark）” 在其中的协调作用，就真正掌握了 SeaTunnel CDC 的精髓。它不是一个黑盒，而是经过精心设计的分布式高性能数据同步系统。