MySQL數據實時增量同步到Kafka - Flume

• 寫在前面的話

　　需求，將MySQL里的數據實時增量同步到Kafka。接到活兒的時候，第一個想法就是通過讀取MySQL的binlog日志，將數據寫到Kafka。不過對比了一些工具，例如：Canel，Databus，Puma等，這些都是需要部署server和client的。其中server端是由這些工具實現，配置了就可以讀binlog，而client端是需要我們動手編寫程序的，遠沒有達到我即插即用的期望和懶人的標准。

　　再來看看flume，只需要寫一個配置文件，就可以完成數據同步的操作。官網：http://flume.apache.org/FlumeUserGuide.html#flume-sources。它的數據源默認是沒有讀取binlog日志實現的，也沒有讀數據庫表的官方實現，只能用開源的自定義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，如果開始同步之后，數據庫表需要增減字段，則會給開發者造成很大的困擾。所以我添加了一個分支版本，用來將數據以JSON的格式，同步到kafka，字段語義更加清晰。

　　sql-json插件包下載地址：https://github.com/yucy/flume-ng-sql-source-json/releases/download/1.0/flume-ng-sql-source-json-1.0.jar

　　將此jar包下載之后，和相應的數據庫驅動包，一起放到flume的lib目錄之下即可。

• 處理機制

flume-ng-sql-source在【status.file.name】文件中記錄讀取數據庫表的偏移量，進程重啟后，可以接着上次的進度，繼續增量讀表。

 

• 啟動說明

說明：啟動命令里的【YYYYMM=201711】，會傳入到flume.properties里面，替換${YYYYMM}

[test@localhost ~]$ YYYYMM=201711 bin/flume-ng agent -c conf -f conf/flume.properties -n sync &

 -c：表示配置文件的目錄，在此我們配置了flume-env.sh，也在conf目錄下；

 -f：指定配置文件，這個配置文件必須在全局選項的--conf參數定義的目錄下，就是說這個配置文件要在前面配置的conf目錄下面；

 -n：表示要啟動的agent的名稱，也就是我們flume.properties配置文件里面，配置項的前綴，這里我們配的前綴是【sync】；

 

• flume的配置說明

• flume-env.sh

# 配置JVM堆內存和java運行參數，配置-DpropertiesImplementation參數是為了在flume.properties配置文件中使用環境變量
export JAVA_OPTS="-Xms512m -Xmx512m -Dcom.sun.management.jmxremote -DpropertiesImplementation=org.apache.flume.node.EnvVarResolverProperties"

 關於propertiesImplementation參數的官方說明：http://flume.apache.org/FlumeUserGuide.html#using-environment-variables-in-configuration-files

 

• flume.properties

 

# 數據來源
sync.sources = s-1
# 數據通道
sync.channels = c-1
# 數據去處，這里配置了failover，根據下面的優先級配置，會先啟用k-1，k-1掛了后再啟用k-2
sync.sinks = k-1 k-2

#這個是配置failover的關鍵，需要有一個sink group
sync.sinkgroups = g-1
sync.sinkgroups.g-1.sinks = k-1 k-2
#處理的類型是failover
sync.sinkgroups.g-1.processor.type = failover
#優先級，數字越大優先級越高，每個sink的優先級必須不相同
sync.sinkgroups.g-1.processor.priority.k-1 = 5
sync.sinkgroups.g-1.processor.priority.k-2 = 10
#設置為10秒，當然可以根據你的實際狀況更改成更快或者很慢
sync.sinkgroups.g-1.processor.maxpenalty = 10000

########## 數據通道的定義
# 數據量不大，直接放內存。其實還可以放在JDBC，kafka或者磁盤文件等
sync.channels.c-1.type = memory
# 通道隊列的最大長度
sync.channels.c-1.capacity = 100000
# putList和takeList隊列的最大長度，sink從capacity中抓取batchsize個event，放到這個隊列。所以此參數最好比capacity小，比sink的batchsize大。
# 官方定義：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
### 默認值的默認值等於JVM可用的最大內存的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，否則就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${YYYYMM}環境變量，是因為我用的測試表示一個月表，每個月的數據會放到相應的表里。使用方式見上面的啟動說明
sync.sources.s-1.status.file.name = test_${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，否則取不到數據
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
# 每批次處理的event數量
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，否則取不到數據
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

 

關於putList和takeList與capacity的關系，引用：http://blog.csdn.net/u012948976/article/details/51760546

flume各部分參數含義

• batchData的大小見參數：batchSize
• PutList和TakeList的大小見參數：transactionCapactiy
• Channel總容量大小見參數：capacity

 

•   問題記錄

異常：Exception in thread "PollableSourceRunner-SQLSource-src-1" java.lang.AbstractMethodError: org.keedio.flume.source.SQLSource.getMaxBackOffSleepInterval()J

分析：由於我用的是flume1.8，而flume-ng-sql-1.4.3插件對應的flume-ng-core版本是1.5.2，1.8版本里的PollableSource接口多了兩個方法 getBackOffSleepIncrement(); getMaxBackOffSleepInterval();在失敗補償暫停線程處理時，需要用到這個方法。

解決方法：更新flume-ng-sql-1.4.3里依賴的flume-ng-core版本為1.8.0，並在源代碼【SQLSource.java】里添加這兩個方法即可。

@Override
public long getBackOffSleepIncrement() {
    return 1000;
}
@Override
public long getMaxBackOffSleepInterval() {
    return 5000;
}