2.3 数据采集流程

数据采集工作一般是由数据开发工程师承担的。本节笔者介绍一下用户行为数据采集、业务数据采集的流程，让大家了解数据开发工程师是如何工作的，这样才能更好地与他们合作。

一个典型的用户行为数据采集流程，如图2-5所示。

第一步，前端工程师通过异步HTTP接口的形式将埋点数据发送到Ngnix服务器，通过Ngnix做负载均衡将日志文件采集并存储起来。

第二步，通过如Flume之类的日志采集工具将埋点日志文件以消息的形式发送到Kafka集群。

第三步，数据中台通过订阅Kafka集群的日志消息将日志文件存储在数据中台。

一个典型的业务数据采集流程，如图2-6所示。

（1）业务数据库产生的业务数据一般存储在关系型数据库（如MySQL、Oracle等）中，存储的过程会产生Binlog日志文件。Binlog是一种二进制格式的文件，用于记录用户对数据库更新的SQL语句信息，例如更改数据库表和更改内容的SQL语句都会被记录到Binlog里，但是对库表等内容的查询不会被记录。

（2）Kafka MySQL CDC Connect读取了业务数据的Binlog文件后，通过CDC（Change Data Capture，意为“变动数据捕获”，是增量抽取数据解决方案之一，能够帮助识别从上次提取之后发生变化的数据）的方式将业务库变动数据记录到Kafka等下游来消费。

（3）可以通过Python语言在Kafka消费基础上做一个调用，将生产者产生的数据消费到Hbase。这样当MySQL中有相应操作时，Hbase便会同步。