MySQL数据实时增量同步到Kafka - Flume
转载自:https://www.cnblogs.com/yucy/p/7845105.html
MySQL数据实时增量同步到Kafka - Flume
-
写在前面的话
需求,将MySQL里的数据实时增量同步到Kafka。接到活儿的时候,第一个想法就是通过读取MySQL的binlog日志,将数据写到Kafka。不过对比了一些工具,例如:Canel,Databus,Puma等,这些都是需要部署server和client的。其中server端是由这些工具实现,配置了就可以读binlog,而client端是需要我们动手编写程序的,远没有达到我即插即用的期望和懒人的标准。
再来看看flume,只需要写一个配置文件,就可以完成数据同步的操作。官网:http://flume.apache.org/FlumeUserGuide.html#flume-sources。它的数据源默认是没有读取binlog日志实现的,也没有读数据库表的官方实现,只能用开源的自定义source:https://github.com/keedio/flume-ng-sql-source
-
同步的格式
原作者的插件flume-ng-sql-source只支持csv的格式,如果开始同步之后,数据库表需要增减字段,则会给开发者造成很大的困扰。所以我添加了一个分支版本,用来将数据以JSON的格式,同步到kafka,字段语义更加清晰。
sql-json插件包下载地址:https://github.com/yucy/flume-ng-sql-source-json/releases/download/1.0/flume-ng-sql-source-json-1.0.jar
将此jar包下载之后,和相应的数据库驱动包,一起放到flume的lib目录之下即可。
-
处理机制
flume-ng-sql-source在【status.file.name】文件中记录读取数据库表的偏移量,进程重启后,可以接着上次的进度,继续增量读表。
-
启动说明
说明:启动命令里的【YYYYMM=201711】,会传入到flume.properties里面,替换${YYYYMM}
- [test@localhost ~]$ YYYYMM=201711 bin/flume-ng agent -c conf -f conf/flume.properties -n sync &
-c:表示配置文件的目录,在此我们配置了flume-env.sh,也在conf目录下;
-f:指定配置文件,这个配置文件必须在全局选项的--conf参数定义的目录下,就是说这个配置文件要在前面配置的conf目录下面;
-n:表示要启动的agent的名称,也就是我们flume.properties配置文件里面,配置项的前缀,这里我们配的前缀是【sync】;
-
flume的配置说明
- flume-env.sh
- # 配置JVM堆内存和java运行参数,配置-DpropertiesImplementation参数是为了在flume.properties配置文件中使用环境变量
- export JAVA_OPTS="-Xms512m -Xmx512m -Dcom.sun.management.jmxremote -DpropertiesImplementation=org.apache.flume.node.EnvVarResolverProperties"
关于propertiesImplementation参数的官方说明:http://flume.apache.org/FlumeUserGuide.html#using-environment-variables-in-configuration-files
- flume.properties
- # 数据来源
- sync.sources = s-1
- # 数据通道
- sync.channels = c-1
- # 数据去处,这里配置了failover,根据下面的优先级配置,会先启用k-1,k-1挂了后再启用k-2
- sync.sinks = k-1 k-2
- #这个是配置failover的关键,需要有一个sink group
- sync.sinkgroups = g-1
- sync.sinkgroups.g-1.sinks = k-1 k-2
- #处理的类型是failover
- sync.sinkgroups.g-1.processor.type = failover
- #优先级,数字越大优先级越高,每个sink的优先级必须不相同
- sync.sinkgroups.g-1.processor.priority.k-1 = 5
- sync.sinkgroups.g-1.processor.priority.k-2 = 10
- #设置为10秒,当然可以根据你的实际状况更改成更快或者很慢
- sync.sinkgroups.g-1.processor.maxpenalty = 10000
- ########## 数据通道的定义
- # 数据量不大,直接放内存。其实还可以放在JDBC,kafka或者磁盘文件等
- sync.channels.c-1.type = memory
- # 通道队列的最大长度
- sync.channels.c-1.capacity = 100000
- # putList和takeList队列的最大长度,sink从capacity中抓取batchsize个event,放到这个队列。所以此参数最好比capacity小,比sink的batchsize大。
- # 官方定义:The maximum number of events the channel will take from a source or give to a sink per transaction.
- sync.channels.c-1.transactionCapacity = 1000
- sync.channels.c-1.byteCapacityBufferPercentage = 20
- ### 默认值的默认值等于JVM可用的最大内存的80%,可以不配置
- # sync.channels.c-1.byteCapacity = 800000
- #########sql source#################
- # source s-1用到的通道,和sink的通道要保持一致,否则就GG了
- sync.sources.s-1.channels=c-1
- ######### For each one of the sources, the type is defined
- sync.sources.s-1.type = org.keedio.flume.source.SQLSource
- sync.sources.s-1.hibernate.connection.url = jdbc:mysql://192.168.1.10/testdb?useSSL=false
- ######### Hibernate Database connection properties
- sync.sources.s-1.hibernate.connection.user = test
- sync.sources.s-1.hibernate.connection.password = 123456
- sync.sources.s-1.hibernate.connection.autocommit = true
- sync.sources.s-1.hibernate.dialect = org.hibernate.dialect.MySQL5Dialect
- sync.sources.s-1.hibernate.connection.driver_class = com.mysql.jdbc.Driver
- sync.sources.s-1.run.query.delay=10000
- sync.sources.s-1.status.file.path = /home/test/apache-flume-1.8.0-bin/status
- # 用上${YYYYMM}环境变量,是因为我用的测试表示一个月表,每个月的数据会放到相应的表里。使用方式见上面的启动说明
- sync.sources.s-1.status.file.name = test_${YYYYMM}.status
- ######## Custom query
- sync.sources.s-1.start.from = 0
- sync.sources.s-1.custom.query = select * from t_test_${YYYYMM} where id > $@$ order by id asc
- sync.sources.s-1.batch.size = 100
- sync.sources.s-1.max.rows = 100
- sync.sources.s-1.hibernate.connection.provider_class = org.hibernate.connection.C3P0ConnectionProvider
- sync.sources.s-1.hibernate.c3p0.min_size=5
- sync.sources.s-1.hibernate.c3p0.max_size=20
- ######### sinks 1
- # sink k-1用到的通道,和source的通道要保持一致,否则取不到数据
- sync.sinks.k-1.channel = c-1
- sync.sinks.k-1.type = org.apache.flume.sink.kafka.KafkaSink
- sync.sinks.k-1.kafka.topic = sync-test
- sync.sinks.k-1.kafka.bootstrap.servers = localhost:9092
- sync.sinks.k-1.kafka.producer.acks = 1
- # 每批次处理的event数量
- sync.sinks.k-1.kafka.flumeBatchSize = 100
- ######### sinks 2
- # sink k-2用到的通道,和source的通道要保持一致,否则取不到数据
- sync.sinks.k-2.channel = c-1
- sync.sinks.k-2.type = org.apache.flume.sink.kafka.KafkaSink
- sync.sinks.k-2.kafka.topic = sync-test
- sync.sinks.k-2.kafka.bootstrap.servers = localhost:9092
- sync.sinks.k-2.kafka.producer.acks = 1
- sync.sinks.k-2.kafka.flumeBatchSize = 100
关于putList和takeList与capacity的关系,引用:http://blog.csdn.net/u012948976/article/details/51760546
flume各部分参数含义
- batchData的大小见参数:
batchSize
- PutList和TakeList的大小见参数:
transactionCapactiy
- Channel总容量大小见参数:
capacity
-
问题记录
异常:Exception in thread "PollableSourceRunner-SQLSource-src-1" java.lang.AbstractMethodError: org.keedio.flume.source.SQLSource.getMaxBackOffSleepInterval()J
分析:由于我用的是flume1.8,而flume-ng-sql-1.4.3插件对应的flume-ng-core版本是1.5.2,1.8版本里的PollableSource接口多了两个方法 getBackOffSleepIncrement(); getMaxBackOffSleepInterval();在失败补偿暂停线程处理时,需要用到这个方法。
解决方法:更新flume-ng-sql-1.4.3里依赖的flume-ng-core版本为1.8.0,并在源代码【SQLSource.java】里添加这两个方法即可。
- @Override
- public long getBackOffSleepIncrement() {
- return 1000;
- }
- @Override
- public long getMaxBackOffSleepInterval() {
- return 5000;
- }