摘要：作者杨非本文为源码阅读系列文章的第四篇，上篇文章介绍了数据同步处理单元实现的功能，数据同步流程的运行逻辑以及数据同步处理单元的设计。库表黑白名单的实现方式。任务执行完成之后，主线程就会释放锁，这样有助于减少锁持有的时间。
作者：杨非
本文为 DM 源码阅读系列文章的第四篇，上篇文章 介绍了数据同步处理单元实现的功能，数据同步流程的运行逻辑以及数据同步处理单元的 interface 设计。本篇文章在此基础上展开，详细介绍 dump 和 load 两个数据同步处理单元的设计实现，重点关注数据同步处理单元 interface 的实现，数据导入并发模型的设计，以及导入任务在暂停或出现异常后如何恢复。
dump 处理单元dump 处理单元的代码位于 github.com/pingcap/dm/mydumper 包内，作用是从上游 MySQL 将表结构和数据导出到逻辑 SQL 文件，由于该处理单元总是运行在任务的第一个阶段（full 模式和 all 模式），该处理单元每次运行不依赖于其他处理单元的处理结果。另一方面，如果在 dump 运行过程中被强制终止（例如在 dmctl 中执行 pause-task 或者 stop-task），也不会记录已经 dump 数据的 checkpoint 等信息。不记录 checkpoint 是因为每次运行 mydumper 从上游导出数据，上游的数据都可能发生变更，为了能得到一致的数据和 metadata 信息，每次恢复任务或重新运行任务时该处理单元会 清理旧的数据目录，重新开始一次完整的数据 dump。
导出表结构和数据的逻辑并不是在 DM 内部直接实现，而是 通过 os/exec 包调用外部 mydumper 二进制文件 来完成。在 mydumper 内部，我们需要关注以下几个问题：
数据导出时的并发模型是如何实现的。
no-locks, lock-all-tables, less-locking 等参数有怎样的功能。
库表黑白名单的实现方式。
mydumper 的实现细节mydumper 的一次完整的运行流程从主线程开始，主线程按照以下步骤执行：
解析参数。
创建到数据库的连接。
会根据 no-locks 选项进行一系列的备份安全策略，包括 long query guard 和 lock all tables or FLUSH TABLES WITH READ LOCK。
START TRANSACTION WITH CONSISTENT SNAPSHOT。
记录 binlog 位点信息。
less locking 处理线程的初始化。
普通导出线程初始化。
如果配置了 trx-consistency-only 选项，执行 UNLOCK TABLES /* trx-only */ 释放之前获取的表锁。注意，如果开启该选项，是无法保证非 InnoDB 表导出数据的一致性。更多关于一致性读的细节可以参考 MySQL 官方文档 Consistent Nonlocking Reads 部分。
根据配置规则（包括 --database, --tables-list 和 --regex 配置）读取需要导出的 schema 和表信息，并在这个过程中有区分的记录 innodb_tables 和 non_innodb_table。
为工作子线程创建任务，并将任务 push 到相关的工作队列。
如果没有配置 no-locks 和 trx-consistency-only 选项，执行 UNLOCK TABLES / FTWRL / 释放锁。
如果开启 less-locking，等待所有 less locking 子线程退出。
等待所有工作子线程退出。
工作线程的并发控制包括了两个层面，一层是在不同表级别的并发，另一层是同一张表级别的并发。mydumper 的主线程会将一次同步任务拆分为多个同步子任务，并将每个子任务分发给同一个异步队列 conf.queue_less_locking/conf.queue，工作子线程从队列中获取任务并执行。具体的子任务划分包括以下策略：
开启 less-locking 选项的非 InnoDB 表的处理。
先将所有 non_innodb_table 分为 num_threads 组，分组方式是遍历这些表，依此将遍历到的表加入到当前数据量最小的分组，尽量保证每个分组内的数据量相近。
上述得到的每个分组内会包含一个或多个非 InnoDB 表，如果配置了 rows-per-file 选项，会对每张表进行 chunks 估算，对于每一张表，如果估算结果包含多个 chunks，会将子任务进一步按照 chunks 进行拆分，分发 chunks 数量个子任务，如果没有 chunks 划分，分发为一个独立的子任务。
注意，在该模式下，子任务会 发送到 queue_less_locking，并在编号为 num_threads ~ 2 * num_threads 的子线程中处理任务。
less_locking_threads 任务执行完成之后，主线程就会 UNLOCK TABLES / FTWRL / 释放锁，这样有助于减少锁持有的时间。主线程根据 conf.unlock_tables 来判断非 InnoDB 表是否全部导出，普通工作线程 或者 queue_less_locking 工作线程每次处理完一个非 InnoDB 表任务都会根据 non_innodb_table_counter 和 non_innodb_done 两个变量判断是否还有没有导出结束的非 InnoDB 表，如果都已经导出结束，就会向异步队列 conf.unlock_tables 中发送一条数据，表示可以解锁全局锁。
每个 less_locking_threads 处理非 InnoDB 表任务时，会先 加表锁，导出数据，最后 解锁表锁。
未开启 less-locking 选项的非 InnoDB 表的处理。
遍历每一张非 InnoDB 表，同样对每张表进行 chunks 估算，如果包含多个 chunks，按照 chunks 个数分发同样的子任务数；如果没有划分 chunks，每张表分发一个子任务。所有的任务都分发到 conf->queue 队列。
InnoDB 表的处理。
与未开启 less-locking 选项的非 InnoDB 表的处理相同，同样是 按照表分发子任务，如果有 chunks 子任务会进一步细分。
从上述的并发模型可以看出 mydumper 首先按照表进行同步任务拆分，对于同一张表，如果配置 rows-per-file 参数，会根据该参数和表行数将表划分为合适的 chunks 数，这即是同一张表内部的并发。具体表行数的估算和 chunks 划分的实现见 get_chunks_for_table 函数。
需要注意目前 DM 在任务配置中指定的库表黑白名单功能只应用于 load 和 binlog replication 处理单元。如果在 dump 处理单元内使用库表黑白名单功能，需要在同步任务配置文件的 dump 处理单元配置提供 extra-args 参数，并指定 mydumper 相关参数，包括 --database, --tables-list 和 --regex。mydumper 使用 regex 过滤库表的实现参考 check_regex 函数。
load 处理单元load 处理单元的代码位于 github.com/pingcap/dm/loader 包内，该处理单元在 dump 处理单元运行结束后运行，读取 dump 处理单元导出的 SQL 文件解析并在下游数据库执行逻辑 SQL。我们重点分析 Init 和 Process 两个 interface 的实现。
Init 实现细节该阶段进行一些初始化和清理操作，并不会开始同步任务，如果在该阶段运行中出现错误，会通过 rollback 机制 清理资源，不需要调用 Close 函数。该阶段包含的初始化操作包括以下几点：
创建 checkpoint，checkpoint 用于记录全量数据的导入进度和 load 处理单元暂停或异常终止后，恢复或重新开始任务时可以从断点处继续导入数据。
应用任务配置的数据同步规则，包括以下规则：
初始化黑白名单
初始化表路有规则
初始化列值转换规则
Process 实现细节该阶段的工作流程也很直观，通过 一个收发数据类型为 *pb.ProcessError 的 channel 接收运行过程中出现的错误，出错后通过 context 的 CancelFunc 强制结束处理单元运行。在核心的 数据导入函数 中，工作模型与 mydumper 类似，即在 主线程中分发任务，有多个工作线程执行具体的数据导入任务。具体的工作细节如下：
主线程会按照库，表的顺序读取创建库语句文件
主线程读取 checkpoint 信息，结合数据文件信息创建 fileJob 随机分发任务给一个工作子线程，fileJob 任务的结构如下所示 ：
type fileJob struct {
schema string
table string
dataFile string
offset int64 // 表示读取文件的起始 offset，如果没有 checkpoint 断点信息该值为 0
info *tableInfo // 保存原库表，目标库表，列名，insert 语句 column 名字列表等信息
}
在每个工作线程内部，有一个循环不断从自己 fileJobQueue 获取任务，每次获取任务后会对文件进行解析，并将解析后的结果分批次打包为 SQL 语句分发给线程内部的另外一个工作协程，该工作协程负责处理 SQL 语句的执行。工作流程的伪代码如下所示，完整的代码参考 func (w *Worker) run()：
// worker 工作线程内分发给内部工作协程的任务结构
type dataJob struct {
sql string // insert 语句, insert into 
