共计 1649 个字符，预计需要花费 5 分钟才能阅读完成。
一、前言
Canal 是阿里的一款开源我的项目，纯 Java 开发。基于数据库增量日志解析，提供增量数据订阅 & 生产，目前次要反对了 MySQL(也反对 mariaDB)。
Canal 除了反对 binlog 实时 增量同步 数据库之外也反对 全量同步，本文次要分享应用 Canal 来实现从 MySQL 到 Elasticsearch 的全量同步；
可通过应用 adapter 的 REST 接口手动触发 ETL 工作，实现全量同步。
在执行全量同步的时候，同一个
destination的增量同步工作会被 阻塞 ，待全量同步实现被阻塞的增量同步会被 从新唤醒
PS：对于 Canal 的部署与 实时同步 请看文章《Canal 高可用架构部署》
二、ETL 接口
adapter 的 ETL 接口为：/etl/{type}/{task}
- 默认 web 端口为
8081 - type 为类型(hbase/es7/rdb)
- task 为工作名对应配置文件名，如 sys_user.yml
例子：
curl -X POST http://127.0.0.1:8081/etl/es7/sys_user.yml执行胜利输入：
{"succeeded":true,"resultMessage":"导入 ES 数据：17 条"}
三、实际过程中遇到的坑
3.1. 连接池不够
当同步的数据量比拟大时，执行一段时间后会呈现下图的谬误
3.1.1. 起因剖析
查看 canal 源码得悉当同步的数据量大于 1w 时，会分批进行同步，每批 1w 条记录，并应用多线程来并行执行工作，而 adapter 默认的连接池为 3，当线程获取数据库连贯期待超过 1 分钟就会抛出该异样。
线程数为以后服务器 cpu 的可用线程数
3.1.2. 解决形式
批改 adapter 的 conf/application.yml 文件中的 srcDataSources 配置项，减少 maxActive 配置数据库的最大连接数为以后服务器 cpu 的可用线程数
cpu 线程数能够下命令查看
grep 'processor' /proc/cpuinfo | sort -u | wc -l
3.2. es 连贯超时
当同步的表字段比拟多时，几率呈现以下报错
3.2.1. 起因剖析
因为 adapter 的表映射配置文件中的 commitBatch 提交批大小设置过大导致(6000)
3.2.2. 解决形式
批改 adapter 的 conf/es7/xxx.yml 映射文件中的 commitBatch 配置项为 3000
3.3. 同步慢
三千万的数据量用时 3.5 小时左右
3.3.1. 起因剖析
因为当数据量大于 1w 时 canal 会对数据进行分批同步，每批 1w 条通过分页查问实现；所以当数据量较大时会呈现深分页的状况导致查问十分慢。
3.3.2. 解决形式
事后应用 ID、工夫或者业务字段等进行数据分批后再进行同步，缩小每次同步的数据量。
3.3.3. 案例
应用 ID 进行数据分批，适宜增长类型的 ID，如自增 ID、雪花 ID 等；
- 查出 最小 ID、最大 ID 与 总数据量
- 依据每批数据量大小计算每批的 ID 区间
计算过程：
- 最小 ID = 1333224842416979257
- 最大 ID = 1341698897306914816
- 总数据量 = 3kw
- 每次同步量 = 300w
(1) 计算同步的次数
总数据量 / 每次同步量 = 10
(2) 计算每批 ID 的增量值
(最大 ID - 最小 ID) / 次数 = 847405488993555.9
(3) 计算每批 ID 的值
最小 ID + 增量值 = ID2
ID2 + 增量值 = ID3
...
ID9 + 增量值 = 最大 ID
(4) 应用分批的 ID 值进行同步
批改 sql 映射配置，的 etlCondition 参数：
etlCondition: "where id >= {} and id < {}"
调用 etl 接口，并减少 params 参数，多个参数之间应用 ; 宰割
curl -X POST http://127.0.0.1:8081/etl/es7/sys_user.yml?params= 最小 ID;ID2
curl -X POST http://127.0.0.1:8081/etl/es7/sys_user.yml?params=ID2;ID3
...
扫码关注有惊喜！
