logstash_output_kafka:Mysql同步Kafka深入详解

0、题记

实际业务场景中，会遇到基础数据存在Mysql中，实时写入数据量比较大的情景。迁移至kafka是一种比较好的业务选型方案。

而mysql写入kafka的选型方案有：

方案一：logstash_output_kafka 插件。 方案二：kafka_connector。 方案三：debezium 插件。 方案四：flume。 方案五：其他类似方案。

其中：debezium和flume是基于mysql binlog实现的。

如果需要同步历史全量数据+实时更新数据，建议使用logstash。

1、logstash同步原理

常用的logstash的插件是：logstash_input_jdbc实现关系型数据库到Elasticsearch等的同步。

实际上，核心logstash的同步原理的掌握，有助于大家理解类似的各种库之间的同步。

logstash核心原理：输入生成事件，过滤器修改它们，输出将它们发送到其他地方。

logstash核心三部分组成：input、filter、output。

input { }
filter { }
output { }

1.1 input输入

包含但远不限于：

1. jdbc：关系型数据库：mysql、oracle等。
2. file：从文件系统上的文件读取。
3. syslog：在已知端口514上侦听syslog消息。
4. redis：redis消息。beats：处理 Beats发送的事件。
5. kafka：kafka实时数据流。

1.2 filter过滤器

过滤器是Logstash管道中的中间处理设备。您可以将过滤器与条件组合，以便在事件满足特定条件时对其执行操作。

可以把它比作数据处理的ETL环节。

一些有用的过滤包括：

1. grok：解析并构造任意文本。Grok是目前Logstash中将非结构化日志数据解析为结构化和可查询内容的最佳方式。有了内置于Logstash的120种模式，您很可能会找到满足您需求的模式！
2. mutate：对事件字段执行常规转换。您可以重命名，删除，替换和修改事件中的字段。
3. drop：完全删除事件，例如调试事件。
4. clone：制作事件的副本，可能添加或删除字段。
5. geoip：添加有关IP地址的地理位置的信息。

1.3 output输出

输出是Logstash管道的最后阶段。一些常用的输出包括：

1. elasticsearch：将事件数据发送到Elasticsearch。
2. file：将事件数据写入磁盘上的文件。
3. kafka：将事件写入Kafka。

详细的filter demo参考：http://t.cn/EaAt4zP

2、同步Mysql到kafka配置参考

input {
    jdbc {
      jdbc_connection_string => "jdbc:mysql://192.168.1.12:3306/news_base"
      jdbc_user => "root"
      jdbc_password => "xxxxxxx"
      jdbc_driver_library => "/home/logstash-6.4.0/lib/mysql-connector-java-5.1.47.jar"
      jdbc_driver_class => "com.mysql.jdbc.Driver"
      #schedule => "* * * * *"
      statement => "SELECT * from news_info WHERE id > :sql_last_value  order by id"
      use_column_value => true
      tracking_column => "id"        
      tracking_column_type => "numeric"
      record_last_run => true
      last_run_metadata_path => "/home/logstash-6.4.0/sync_data/news_last_run"    

    }

}

filter {
   ruby{
        code => "event.set('gather_time_unix',event.get('gather_time').to_i*1000)"
    }
    ruby{
        code => "event.set('publish_time_unix',event.get('publish_time').to_i*1000)"
    }
  mutate {
    remove_field => [ "@version" ]
    remove_field => [ "@timestamp" ]
    remove_field => [ "gather_time" ]
    remove_field => [ "publish_time" ]
  }
}

 output {
      kafka {
            bootstrap_servers => "192.168.1.13:9092"
            codec => json_lines
            topic_id => "mytopic"

    }
    file {
            codec => json_lines
            path => "/tmp/output_a.log"
    }
 }

以上内容不复杂，不做细讲。

注意： Mysql借助logstash同步后，日期类型格式：“2019-04-20 13:55:53”已经被识别为日期格式。

code => "event.set('gather_time_unix',event.get('gather_time').to_i*1000)"，

是将Mysql中的时间格式转化为时间戳格式。

3、坑总结

3.1 坑1字段大小写问题

from星友：使用logstash同步mysql数据的，因为在jdbc.conf里面没有添加 lowercase_column_names => "false" 这个属性，所以logstash默认把查询结果的列明改为了小写，同步进了es，所以就导致es里面看到的字段名称全是小写。

最后总结：es是支持大写字段名称的，问题出在logstash没用好，需要在同步配置中加上 lowercase_column_names => "false" 。记录下来希望可以帮到更多人。

3.2 同步到ES中的数据会不会重复？

想将关系数据库的数据同步至ES中，如果在集群的多台服务器上同时启动logstash。

解读：实际项目中就是没用随机id 使用指定id作为es的_id ，指定id可以是url的md5.这样相同数据就会走更新覆盖以前数据

3.3 相同配置logstash,升级6.3之后不能同步数据。

解读：高版本基于时间增量有优化。

tracking_column_type => "timestamp"应该是需要指定标识为时间类型，默认为数字类型numeric

3.4 ETL字段统一在哪处理?

解读：可以logstash同步mysql的时候sql查询阶段处理，如：select a_value as avalue***。

或者filter阶段处理,mutate rename处理。

mutate {
        rename => ["shortHostname", "hostname" ]
    }

或者kafka阶段借助kafka stream处理。

4、小结

• 相关配置和同步都不复杂，复杂点往往在于filter阶段的解析还有logstash性能问题。
• 需要结合实际业务场景做深入的研究和性能分析。
• 有问题，欢迎留言讨论。