点击上方蓝色字体，选择“设为星标”
回复”资源“获取更多资源
点击右侧关注，大数据开发领域最强公众号！
大数据真好玩
点击右侧关注，大数据真好玩！
数据仓库的同步方法
我们的数据仓库长久以来一直使用天级别的离线同步方法：采用Sqoop或DataX按天定时获取各个MySQL表的全量或增量数据，然后载入到Hive里对应的各个表中。这种方法门槛低，容易操作，在数仓建设阶段能够快速启动。但是随着时间的推移，它暴露出了一些缺点：
从MySQL获取数据只能靠select，如果一次select数据量过大，会造成慢查询，甚至影响线上业务；
随着业务量的增长和新业务的加入，数据量会相应增加，离线同步一次的耗时会越来越长；
增量同步方式无法检测到MySQL中被delete掉的记录，如果没有时间戳字段的话，也较难检测到被update的记录。
所以，我们最近致力于按照变动数据获取（Change Data Capture，CDC）的方式改造我们的数仓，分三步走：
首先订阅MySQL库的Binlog，将其存储到临时表中；
然后对需要入库的表一次性制作快照，并将存量数据导入Hive；
最后基于存量数据和Binlog记录的变动进行合并，还原出与业务库相同的数据。
本文要说的就是第一步的实现方案。我们采用阿里的开源组件Canal来接入MySQL Binlog，并投递到Kafka；采用LinkedIn的开源组件Camus获取Kafka中的Binlog，并落地到Hive。限于篇幅，我们不会从源码级别探索Canal和Camus的内部机制，参考官方文档或者自行读源码都非常简单。
Canal的配置
采用最新的1.1.3版本: https://github.com/alibaba/canal/releases/tag/canal-1.1.3 Kafka版本则是1.0.1。
canal.properties配置
只列出关键的配置项如下，其中有些是和Kafka的配置对应的。完整的配置及其含义还请参见Canal项目的GitHub Wiki。
# 如果要做高可用的话，把ZooKeeper配置好canal.zkServers = 10.10.99.130:2181,10.10.99.132:2181,10.10.99.133:2181,10.10.99.124:2181,10.10.99.125:2181# Binlog格式，MySQL的binlog-format也应该为ROWcanal.instance.binlog.format = ROW# 是否过滤掉DCL、DML、DDL语句canal.instance.filter.query.dcl = truecanal.instance.filter.query.dml = falsecanal.instance.filter.query.ddl = false# 允许自动检测Canal监听实例的变更，60秒一次canal.auto.scan = truecanal.auto.scan.interval = 60# 默认值tcp，改为投递到Kafkacanal.serverMode = kafka# Kafka bootstrap.servers，可以不用写上全部的brokerscanal.mq.servers = 10.10.99.132:9092,10.10.99.133:9092,10.10.99.134:9092,10.10.99.135:9092# 投递失败的重试次数，默认0，改成2canal.mq.retries = 2# Kafka batch.size，即producer一个微批次的大小，默认16K，这里加倍canal.mq.batchSize = 32768# Kafka max.request.size，即一个请求的最大大小，默认1M，这里也加倍canal.mq.maxRequestSize = 2097152# Kafka linger.ms，即sender线程在检查微批次是否就绪时的超时，默认0ms，改为150ms# 满足batch.size和linger.ms其中之一，就会发送消息canal.mq.lingerMs = 150# Kafka buffer.memory，缓存大小，默认32Mcanal.mq.bufferMemory = 33554432# 获取Binlog数据的批次大小，默认50canal.mq.canalBatchSize = 50# 获取Binlog数据的超时时间，默认200mscanal.mq.canalGetTimeout = 200# 是否将Binlog转为JSON格式。如果为false，就是原生Protobuf格式canal.mq.flatMessage = true# 压缩类型，官方文档没有描述canal.mq.compressionType = none# Kafka acks，默认all，表示分区leader会等所有follower同步完才给producer发送ack# 0表示不等待ack，1表示leader写入完毕之后直接ackcanal.mq.acks = all# Kafka消息投递是否使用事务# 主要针对flatMessage的异步发送和动态多topic消息投递进行事务控制来保持和Canal Binlog位置的一致性canal.mq.transaction = false
instance.properties配置
我们最终采用多topic单partition的方式把Binlog存入Kafka，也就是每张表对应一个topic，每个topic只有一个partition。这样可以保证表级别Binlog的有序性，并且实测热点表对应topic的压力也不大。
# 需要接入Binlog的表名，支持正则，但我们手动指定每张表canal.instance.filter.regex=mall\\.address,mall\\.base_category,mall\\.orders,mall\\.order_product,mall\\.product,mall\\.mall_category,mall\\.mall_comment# 不需要接入Binlog表的黑名单canal.instance.filter.black.regex=# 单topic模式下的表名# canal.mq.topic=example# 多topic模式下的topic名与表名的对应关系，同样支持正则canal.mq.dynamicTopic=bl_mall_address:mall\\.address,bl_mall_base_category:mall\\.base_category,bl_mall_orders:mall\\.orders,bl_mall_order_product:mall\\.order_product,bl_mall_product:mall\\.product,bl_mall_mall_category:mall\\.mall_category,bl_mall_mall_comment:mall\\.mall_comment# 单partition模式下的分区号canal.mq.partition=0# 多partition模式下的分区hash规则，需要按主键组来# canal.mq.partitionsNum=3# canal.mq.partitionHash=test.table:id^name,.*\\..*
通过kafka-topics工具观察自动生成的topic：
Camus的配置
Camus在国内并没有Canal那么有名，但十分好用。它是LinkedIn开源的，基于Hadoop MapReduce的Kafka到HDFS数据管道。它支持Kafka topic的自动发现与offset管理，基于Avro或JSON的数据schema，以及按时间分区的功能。另外它也提供了数据读取和写入的自定义逻辑入口，比较灵活。
Camus在很久之前就作为一个子项目合并到了同为LinkedIn开源的数据交换组件Gobblin中，不再单独维护。本文使用的是Confluent维护的镜像版本，仍然在更新，传送门：https://github.com/confluentinc/camus。另外采用的Hadoop版本是CDH自带的2.6.0。
将Camus源码clone到本地之后，执行mvn clean package编译并打包，就可以准备使用了。
camus.properties配置
这个properties文件的名字可以随便起，每一个properties就代表了一个Camus job（本质上是MR job）的定义。仍然只列出关键的配置项如下。
# Kafka brokerskafka.brokers=10.10.99.132:9092,10.10.99.133:9092,10.10.99.134:9092,10.10.99.135:9092# job名称camus.job.name=binlog-fetch# Kafka数据落地到HDFS的位置。Camus会按照topic名自动创建子目录etl.destination.path=/user/hive/warehouse/binlog.db# HDFS上用来保存当前Camus job执行信息的位置，如offset、错误日志等etl.execution.base.path=/camus/exec# HDFS上保存Camus job执行历史的位置etl.execution.history.path=/camus/exec/history# 即core-site.xml中的fs.defaultFS参数fs.default.name=hdfs://mycluster# Kafka消息解码器，默认有JsonStringMessageDecoder和KafkaAvroMessageDecoder# Canal的Binlog是JSON格式的。当然我们也可以自定义解码器camus.message.decoder.class=com.linkedin.camus.etl.kafka.coders.JsonStringMessageDecoder# 落地到HDFS时的写入器，默认支持Avro、SequenceFile和字符串# 这里我们采用一个自定义的WriterProvider，代码在后面# etl.record.writer.provider.class=com.linkedin.camus.etl.kafka.common.StringRecordWriterProvideretl.record.writer.provider.class=com.linkedin.camus.etl.kafka.common.CanalBinlogRecordWriterProvider# JSON消息中的时间戳字段，用来做分区的# 注意这里采用Binlog的业务时间，而不是日志时间camus.message.timestamp.field=es# 时间戳字段的格式camus.message.timestamp.format=unix_milliseconds# 时间分区的类型和格式，默认支持小时、天，也可以自定义时间etl.partitioner.class=com.linkedin.camus.etl.kafka.partitioner.TimeBasedPartitioneretl.destination.path.topic.sub.dirformat='pt_hour'=YYYYMMddHH# 拉取过程中MR job的mapper数mapred.map.tasks=20# 按照时间戳字段，一次性拉取多少个小时的数据过后就停止，-1为不限制kafka.max.pull.hrs=-1# 时间戳早于多少天的数据会被抛弃而不入库kafka.max.historical.days=3# 每个mapper的最长执行分钟数，-1为不限制kafka.max.pull.minutes.per.task=-1# Kafka topic白名单和黑名单kafka.blacklist.topics=__consumer_offsets,binlog_dym_test,binlog_mall_test,test010802,test_kylin_streaming2,user_persona4scheduler,HbaseRequestsPerSecondkafka.whitelist.topics=# 设定输出数据的压缩方式，支持deflate、gzip和snappymapred.output.compress=false# etl.output.codec=gzip# etl.deflate.level=6# 设定时区，以及一个时间分区的单位etl.default.timezone=Asia/Shanghaietl.output.file.time.partition.mins=60
自定义Binlog落地方式
我们想要在数据输出时就符合各表的定义，而不是之后再去费力解析JSON。这可以通过实现Camus提供的RecordWriterProvider接口来自定义。不多说，直接上代码：
public class CanalBinlogRecordWriterProvider implements RecordWriterProvider { static class CanalBinlogRecordWriter extends RecordWriter<IEtlKey, CamusWrapper> { private DataOutputStream outputStream; private String fieldDelimiter; private String rowDelimiter; public CanalBinlogRecordWriter(DataOutputStream outputStream, String fieldDelimiter, String rowDelimiter) { this.outputStream = outputStream; this.fieldDelimiter = fieldDelimiter; this.rowDelimiter = rowDelimiter; } @Override public void write(IEtlKey key, CamusWrapper value) throws IOException, InterruptedException { if (value == null) { return; } String recordStr = (String) value.getRecord(); JSONObject record = JSON.parseObject(recordStr, Feature.OrderedField); if (record.getString("isDdl").equals("true")) { return; } JSONArray data = record.getJSONArray("data"); for (int i = 0; i < data.size(); i++) { JSONObject obj = data.getJSONObject(i); if (obj != null) { StringBuilder fieldsBuilder = new StringBuilder(); fieldsBuilder.append(record.getLong("id")); fieldsBuilder.append(fieldDelimiter); fieldsBuilder.append(record.getLong("es")); fieldsBuilder.append(fieldDelimiter); fieldsBuilder.append(record.getLong("ts")); fieldsBuilder.append(fieldDelimiter); fieldsBuilder.append(record.getString("type")); for (Entry<String, Object> entry : obj.entrySet()) { fieldsBuilder.append(fieldDelimiter); fieldsBuilder.append(entry.getValue()); } fieldsBuilder.append(rowDelimiter); outputStream.write(fieldsBuilder.toString().getBytes()); } } } @Override public void close(TaskAttemptContext context) throws IOException, InterruptedException { outputStream.close(); } } @Override public String getFilenameExtension() { return ""; } @Override public RecordWriter<IEtlKey, CamusWrapper> getDataRecordWriter( TaskAttemptContext context, String fileName, CamusWrapper data, FileOutputCommitter committer ) throws IOException, InterruptedException { Configuration conf = context.getConfiguration(); String rowDelimiter = conf.get("etl.output.record.delimiter", "\n"); Path path = new Path(committer.getWorkPath(), EtlMultiOutputFormat.getUniqueFile(context, fileName, getFilenameExtension())); FileSystem fs = path.getFileSystem(conf); FSDataOutputStream outputStream = fs.create(path, false); return new CanalBinlogRecordWriter(outputStream, "\t", rowDelimiter); }}
这样，我们就只留下了需要关心的数据，并且格式化为制表符分隔、换行符结尾的文本格式，可以直接符合数仓中对Hive表的定义规范了。
Camus job的执行和调度
可以通过hadoop jar命令来执行Camus job，不过项目内直接提供了camus-run工具，写法就很简单了：
bin/camus-run -P conf/binlog-fetch-camus.properties
通过Crontab或者Azkaban调度它都行，不再赘述。目前我们是半小时调度一次，运行良好。查看生成的目录结构。内部分区的格式是“pt_hour=YYYYMMddHH”：
在上述/camus/exec目录下也可以看到Kafka offset的存储。
版权声明：
本文为大数据技术与架构整理，原作者独家授权。未经原作者允许转载追究侵权责任。
编辑｜冷眼丶
微信公众号｜import_bigdata
欢迎点赞+收藏+转发朋友圈素质三连
文章不错？点个【在看】吧！** 👇**
本文分享自微信公众号 - 大数据技术与架构（import_bigdata）。
如有侵权，请联系 support@oschina.cn 删除。
本文参与“OSC源创计划”，欢迎正在阅读的你也加入，一起分享。
