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: ${global_bizdate} biz_mysql_host: 你的mysql ipbiz_mysql_port: 3306biz_mysql_username: 你的mysql账号biz_mysql_password: 你的mysql明码biz_es_host: 你的es地址带协定和端口 http://127.0.0.1:9200biz_es_username: 你的es账号biz_es_password: 你的es明码
配置的自定义参数将会主动替换json模板中的同名变量
reader mysqlreader插件中要害配置: a.update_date >= '${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