关于数据同步:开源数据集成平台SeaTunnelMySQL实时同步到es

一、前言

• 最近，我的项目有几个表要从 MySQL 实时同步到 另一个 MySQL，也有同步到 ElasticSearch 的。
• 目前，公司生产环境同步，用的是 阿里云的 DTS，每个同步工作每月 500 多元，有点小贵。
• 其余环境：MySQL 同步到 ES，用的是 CloudCanal，不反对 数据转换，增加同步字段比拟麻烦，社区版限度 5 个工作，不够用；MySQL 同步到 MySQL，用的是 debezium，不反对写入 ES。
• 恰好 3 年前用过 SeaTunnel 的 前身 WaterDrop，那就开始吧。本文以 2.3.1 版本，Ubuntu 零碎为例

二、开源数据集成平台 SeaTunnel

1. 简介

• SeaTunnel 是 Apache 软件基金会下的一个高性能开源大数据集成工具，为数据集成场景提供灵便易用、易扩大并反对千亿级数据集成的解决方案。
• Seaunnel 为实时 (CDC) 和批量数据提供高性能数据同步能力，反对十种以上数据源，曾经在 B 站、腾讯云、字节等数百家公司应用。
• 能够抉择 SeaTunnel Zeta 引擎上运行，也能够在 Apache Flink 或 Spark 引擎上运行。

2. 装置

• 下载，这里抉择 2.3.1 版本，执行 tar -xzvf apache-seatunnel-*.tar.gz 解压缩

• 因为 2.3.2 版本，MySQL-CDC 找不到驱动，bug 修复详见

  Caused by: java.sql.SQLException: No suitable driver
        at java.sql/java.sql.DriverManager.getDriver(DriverManager.java:298)
        at com.zaxxer.hikari.util.DriverDataSource.<init>(DriverDataSource.java:106)
        ... 20 more
  
        ... 11 more
  
        at org.apache.seatunnel.engine.client.job.ClientJobProxy.waitForJobComplete(ClientJobProxy.java:122)
        at org.apache.seatunnel.core.starter.seatunnel.command.ClientExecuteCommand.execute(ClientExecuteCommand.java:181)

3. 装置 connectors 插件

• 执行 bash bin/install-plugin.sh，国内倡议先配置 maven 镜像，不然容易失败 或者 慢
• 官网文档写着执行 sh bin/install-plugin.sh，我在 Ubuntu 20.04.2 LTS 上执行报错(bin/install-plugin.sh: 54: Bad substitution)，我提了 PR

4. 编写配置文件

• config 目录下，新建配置文件：如 mysql-es-test.conf

• 增加 env 配置
  因为是 实时同步，这里 job.mode = “STREAMING”，execution.parallelism 是 并发数

  env {
  # You can set flink configuration here
  execution.parallelism = 1
  job.mode = "STREAMING"
  checkpoint.interval = 2000
  #execution.checkpoint.interval = 10000
  #execution.checkpoint.data-uri = "hdfs://localhost:9000/checkpoint"
  }

• MySQL 实时同步，需开启 binlog

• 增加 数据源 配置
  result_table_name 取个 长期表名，便于后续应用。table-names 必须是 数据库. 表名，base-url 必须指定 数据库。
  startup.mode 默认是 INITIAL，先同步历史数据，后增量同步，详情点击

  source {
  MySQL-CDC {
    result_table_name = "t1"
    server-id = 5656
    username = "root"
    password = "pwd"
    table-names = ["db.t1"]
    base-url = "jdbc:mysql://host:3306/db"
  }
  }

• 增加 转换 配置，sql 比拟灵便。
  函数列表请点击

  transform {
  Sql {
    source_table_name = "t1"
    query = "SELECT id, alias_name aliasName FROM t1 WHERE c1 ='1'"
  }
  }

• 增加 输入 配置
  CDC 实时同步 es，必须配置 primary_keys

  sink {
    Elasticsearch {hosts = ["host:9200"]
        username = "elastic"
        password = "pwd"
  
        index = "index_t1"
        # cdc required options
        primary_keys = ["id"]
    }
  }

• 最终配置截图

5. 启动工作

这里以 本地模式为例，另有 集群、spark、flink 模式。

./bin/seatunnel.sh -e local --config ./config/mysql-es-test.conf

三、总结

• 开源数据集成平台 SeaTunnel 可能比拟不便的进行 MySQL 实时同步到 es 等，收费，还不便增加 同步字段。更多弱小性能，请看官网文档。
• 新版本自带 同步引擎，不必依赖 spark、flink 等运行，升高了 小数据量同步场景 部署复杂度
• 新版本开始提供 UI 界面，目前强依赖 调度平台 Apache DolphinScheduler

本文恪守【CC BY-NC】协定，转载请保留原文出处及本版权申明，否则将查究法律责任。
本文首先公布于 https://www.890808.xyz/，其余平台须要审核更新慢一些。