共计 3445 个字符，预计需要花费 9 分钟才能阅读完成。
数据同步的形式
数据同步的 2 大形式
-
基于 SQL 查问的 CDC(Change Data Capture)：
- 离线调度查问作业，批处理。把一张表同步到其余零碎，每次通过查问去获取表中最新的数据。也就是咱们说的基于 SQL 查问抽取；
- 无奈保障数据一致性，查的过程中有可能数据曾经产生了屡次变更；
- 不保障实时性，基于离线调度存在人造的提早;
- 工具软件以 Kettle（Apache Hop 最新版）、DataX 为代表, 须要联合任务调度零碎应用。
-
基于日志的 CDC：
- 实时生产日志，流解决，例如 MySQL 的 binlog 日志残缺记录了数据库中的变更，能够把 binlog 文件当作流的数据源；
- 保障数据一致性，因为 binlog 文件蕴含了所有历史变更明细；
- 保障实时性，因为相似 binlog 的日志文件是能够流式生产的，提供的是实时数据;
- 工具软件以 Flink CDC、阿里巴巴 Canal、Debezium 为代表。
基于 SQL 查问增量数据同步原理
咱们思考用 SQL 如何查问增量数据？数据有减少、批改、删除
删除数据采纳逻辑删除的形式，比方定义一个 is_deleted 字段标识逻辑删除
如果数据是 UPDATE 的，也就是会被批改的，那么 where update_datetime >= last_datetime(调度滚动工夫)就是增量数据
如果数据是 APPEND ONLY 的除了用更新工夫还能够用 where id >= 调度上次 last_id
联合任务调度零碎
调度工夫是每日调度执行一次，那么 last_datetime = 以后调度开始执行工夫 – 24 小时，提早就是 1 天
调度工夫是 15 分钟一次，那么 last_datetime = 以后调度开始执行工夫 – 15 分钟，提早就是 15 分钟
这样就实现了捕捉增量数据，从而实现增量同步
DolphinScheduler + Datax 构建离线增量数据同步平台
本实际应用
单机 8c16g
DataX 2022-03-01 官网下载
DolphinScheduler 2.0.3（DolphinScheduler 的装置过程略，请参考官网）
DolphinScheduler 中设置好 DataX 环境变量
DolphinScheduler 提供了可视化的作业流程定义，用来离线定时调度 DataX Job 作业，应用起来很是顺滑
基于 SQL 查问离线数据同步的用武之地
为什么不必基于日志实时的形式？不是不必，而是依据场合用。思考到业务理论需要状况，基于 SQL 查问这种离线的形式也并非齐全淘汰了
特地是业务上实时性要求不高，每次调度增量数据没那么大的状况下，不须要分布式架构来负载，这种状况下是比拟适合的抉择
场景举例：
网站、APP 的百万级、千万级的内容搜寻，每天几百篇内容新增 + 批改，搜寻上会用到 ES(ElasticSearch)，那么就须要把 MySQL 内容数据增量同步到 ES
DataX 就能满足需要！
DolphinScheduler 中配置 DataX MySQL To ElasticSearch 工作流
工作流定义
工作流定义 > 创立工作流 > 拖入 1 个 SHELL 组件 > 拖入 1 个 DATAX 组件
SHELL 组件(文章)
脚本
echo '文章同步 MySQL To ElasticSearch'DATAX 组件 (t_article)
用到 2 个插件 mysqlreader、elasticsearchwriter^[1]
选 自定义模板：
{
"job": {
"content": [
{
"reader": {
"name": "mysqlreader",
"parameter": {
"connection": [
{
"jdbcUrl": ["jdbc:mysql://${biz_mysql_host}:${biz_mysql_port}/ 你的数据库?useUnicode=true&zeroDateTimeBehavior=convertToNull&characterEncoding=UTF8&autoReconnect=true&useSSL=false&&allowLoadLocalInfile=false&autoDeserialize=false&allowLocalInfile=false&allowUrlInLocalInfile=false"
],
"querySql": ["select a.id as pk,a.id,a.title,a.content,a.is_delete,a.delete_date,a.create_date,a.update_date from t_article a.update_date >='${biz_update_dt}';"
]
}
],
"password": "${biz_mysql_password}",
"username": "${biz_mysql_username}"
}
},
"writer": {
"name": "elasticsearchwriter",
"parameter": {"endpoint": "${biz_es_host}",
"accessId": "${biz_es_username}",
"accessKey": "${biz_es_password}",
"index": "t_article",
"type": "_doc",
"batchSize": 1000,
"cleanup": false,
"discovery": false,
"dynamic": true,
"settings": {
"index": {
"number_of_replicas": 0,
"number_of_shards": 1
}
},
"splitter": ",",
"column": [
{
"name": "pk",
"type": "id"
},
{
"name": "id",
"type": "long"
},
{
"name": "title",
"type": "text"
},
{
"name": "content",
"type": "text"
}
{
"name": "is_delete",
"type": "text"
},
{
"name": "delete_date",
"type": "date"
},
{
"name": "create_date",
"type": "date"
},
{
"name": "update_date",
"type": "date"
}
]
}
}
}
],
"setting": {
"errorLimit": {
"percentage": 0,
"record": 0
},
"speed": {
"channel": 1,
"record": 1000
}
}
}
}reader 和 writer 的字段配置需保持一致
自定义参数：
biz_update_dt: ${global_bizdate}
biz_mysql_host: 你的 mysql ip
biz_mysql_port: 3306
biz_mysql_username: 你的 mysql 账号
biz_mysql_password: 你的 mysql 明码
biz_es_host: 你的 es 地址带协定和端口 http://127.0.0.1:9200
biz_es_username: 你的 es 账号
biz_es_password: 你的 es 明码配置的自定义参数将会主动替换 json 模板中的同名变量
reader mysqlreader 插件中要害配置：a.update_date >= '${biz_update_dt}' 就是实现增量同步的要害配置
writer elasticsearchwriter 插件中要害配置：“
"column": [
{
"name": "pk",
"type": "id"
},
......
]type = id 这样配置，就把文章主键映射到 es 主键 _id 从而实现雷同主键 id 反复写入数据，就会更新数据。如果不这样配置数据将会反复导入 es 中
保留工作流
全局变量设置global_bizdate：$[yyyy-MM-dd 00:00:00-1]
global_bizdate 援用的变量为 DolphinScheduler 内置变量，具体参考官网文档 ^[2]
联合调度工夫设计好工夫滚动的窗口时长，比方按 1 天增量，那么这里工夫就是减 1 天
最终的工作流 DAG 图为：
by 流水理鱼 |wwek
参考
1. DataX ElasticSearchWriter 插件文档
2. Apache DolphinScheduler 内置参数
本文首发于流水理鱼博客，如要转载请注明出处。
欢送关注我的公众号：流水理鱼（liushuiliyu），全栈、云原生、Homelab 交换。
如果您对相干文章感兴趣，也能够关注我的博客：www.iamle.com 下面有更多内容