关于程序员:关系数据库数据入湖的场景及方案总结

关系数据库的数据入湖，有多种场景、多种工具、多种入湖时效要求等，本文梳理相干场景，以及对应的倡议计划。

首先介绍下两种入湖工具：批量数据迁徙工具（如 CDM）和 实时数据接入工具（如 CDL）。

批量数据迁徙工具，能够一次全量、一次全量 + 批次增量的形式将数据从关系数据库的数据迁徙到数据湖，往往入湖时效性（从数据产生到数据进入数据湖贴源层）在 10 多分钟或更长，如 15 分钟左右，取决于批次增量迁徙工作的工夫距离。以下是批量数据迁徙工具（CDM）的性能架构图：

实时数据接入工具（如 CDL），能够实时捕捉关系数据库的 binlog 日志，保留在音讯队列如 Kafka，并反对实时解析 binlog 日志生成增删改命令来操作数据湖的数据记录，实现关系数据库的数据实时入湖，入湖时效性在秒级或分钟级，个别小于 15 分钟。以下是实时数据接入工具（CDL）的性能架构图：

场景 1：关系数据库有存量历史数据，无实时产生的新数据

计划：

• 入湖工具：批量数据迁徙工具（如 CDM）
• 入湖形式：整表迁徙，示意如下：
  

• 入湖流程：

  1. 应用入湖工具，配置关系数据库作为源端，配置 HDFS/Hive 的目录作为目标端；
  2. 用入湖工具启动入湖作业，关系数据库 -》HDFS 目录（数据湖贴源层）。

场景 2：关系数据库初始无数据，在建设入湖流程后，关系数据库才凋谢数据写入

计划：

前置条件：关系数据库关上 binlog 日志开关。

• 入湖工具：实时数据接入工具（如 CDL）
• 入湖形式：实时增量数据入湖，示意如下：
  

• 入湖流程：

  1. 应用入湖工具，配置关系数据库作为源端，配置 Hudi 文件的目录作为目标端；
  2. 启动入湖工具运行；

  3. 关系数据库的实时增量数据入湖；

     • 数据记录插入、批改、删除到关系数据库；
     • 关系数据库的数据变动日志被实时捕捉到入湖工具；
     • 入湖工具解析日志，调用 Hudi 接口插入、批改、删除数据记录到 Hudi 文件的目录（数据湖贴源层）。

场景 3：关系数据库有存量历史数据，且实时产生新数据，数据记录有工夫标识字段

计划 1：

• 入湖工具：批量数据迁徙工具（如 CDM）
• 入湖形式：首次存量历史数据入湖 + 继续批次增量数据入湖
• 入湖时效：近实时（取决于批次调度周期）

• 入湖流程：

  1. 假如关系数据库实时产生稳固数量的新数据；
  2. 应用入湖工具，配置关系数据库作为源端，配置 HDFS/Hive 的目录作为目标端；
  3. 用入湖工具，启动存量数据入湖作业，其中 Where 过滤条件的工夫标识字段从初始工夫截止到以后工夫；
     注：存量数据入湖作业运行工夫较久，视存量历史数据量、网络带宽、入湖作业吞吐量等因素决定。在此期间，关系数据库因为一直承受新写入，累积较大量的新数据。
  4. 继续批次启动增量数据入湖作业，其中 Where 过滤条件的工夫标识字段从上一批次作业的截止工夫到到以后工夫；每批次迁徙数据量逐渐缩小，批次之间的工夫距离逐渐减小并趋势稳固，每批次作业所占用的计算资源也逐渐减小并趋势稳固。示意如下：

计划 2：

前置条件：关系数据库关上 binlog 日志开关。

• 入湖工具：批量数据迁徙工具（如 CDM）+ 实时数据接入工具（如 CDL）
• 入湖形式：首次存量历史数据入湖 + 继续批次增量数据入湖 + 实时增量数据入湖
• 入湖时效：前两个阶段非实时，最初阶段进入实时

• 入湖流程：

  1. 假如关系数据库实时产生稳固数量的新数据；
  2. 应用批量数据迁徙工具，配置关系数据库作为源端，配置 HDFS/Hive 的目录作为目标端（表 A，文件格式可能是 CSV）；
  3. 用批量数据迁徙工具，启动存量数据入湖作业，其中 Where 过滤条件的工夫标识字段从初始工夫截止到以后工夫；注：存量数据入湖作业运行工夫较久，视存量历史数据量、网络带宽、入湖作业吞吐量等因素决定。在此期间，关系数据库因为一直承受新写入，累积较大量的新数据。
  4. 继续批次启动增量数据入湖作业，其中 Where 过滤条件的工夫标识字段从上一批次作业的截止工夫到到以后工夫；每批次迁徙数据量逐渐缩小，批次之间的工夫距离逐渐减小并趋势稳固，每批次作业所占用的计算资源也逐渐减小并趋势稳固；
  5. 某工夫点 Ts 暂停关系数据库的数据写入，确保 Ts 之前的数据全副由批次作业迁徙到了 HDFS 目录（数据湖贴源层）；
  6. 进行批量数据迁徙工具的批次作业。
  7. 应用实时数据接入工具，配置关系数据库作为源端，配置 Hudi 文件的目录作为目标端（表 B，文件格式是 Hudi）；
  8. 启动实时数据接入工具运行；
  9. 此时 Te 关系数据库凋谢数据写入；

  10. 关系数据库的实时增量数据入湖；

      • 关系数据库的数据变动日志被实时捕捉到实时数据接入工具；
      • 实时数据接入工具解析日志，调用 Hudi 接口插入、批改、删除数据记录到 Hudi 文件的目录（数据湖贴源层）。示意如下：

场景 4：关系数据库有存量历史数据，且实时产生新数据，数据记录无工夫标识字段

计划：

前置条件：关系数据库关上 binlog 日志开关。

• 入湖工具：批量数据迁徙工具（如 CDM）+ 实时数据接入工具（如 CDL）
• 入湖形式：整表迁徙 + 实时增量数据入湖
• 入湖时效：最初阶段进入实时

• 入湖流程：

  1. 暂停关系数据库的数据写入；
  2. 应用批量数据迁徙工具，配置关系数据库作为源端，配置 HDFS/Hive 的目录作为目标端（表 A，文件格式可能是 CSV）；
  3. 用批量数据迁徙工具批量数据迁徙工具启动入湖作业，关系数据库 -》HDFS 目录（数据湖贴源层）；
  4. 以上存量数据迁徙实现后，进行批量数据迁徙工具的批次作业；
  5. 应用实时数据接入工具，配置关系数据库作为源端，配置 Hudi 文件的目录作为目标端（表 B，文件格式是 Hudi）；
  6. 启动实时数据接入工具运行；
  7. 此时 Te 关系数据库凋谢数据写入；

  8. 关系数据库的实时增量数据入湖；

     • 关系数据库的数据变动日志被实时捕捉到实时数据接入工具；
     • 实时数据接入工具解析日志，调用 Hudi 接口插入、批改、删除数据记录到 Hudi 文件的目录（数据湖贴源层）。示意如下：

  本文由华为云公布