腾讯大牛教你ClickHouse实时同步MySQL数据
腾讯大牛教你ClickHouse实时同步MySQL数据
| 作者 史鹏宙，CSIG云与智慧产业事业群研发工程师
ClickHouse作为OLAP分析引擎已经被广泛使用，数据的导入导出是用户面临的第一个问题。由于ClickHouse本身无法很好地支持单条大批量的写入，因此在实时同步数据方面需要借助其他服务协助。本文给出一种结合Canal+Kafka的方案，并且给出在多个MySQL实例分库分表的场景下，如何将多张MySQL数据表写入同一张ClickHouse表的方法，欢迎大家批评指正。
首先来看看我们的需求背景：
1. 实时同步多个MySQL实例数据到ClickHouse，每天规模500G，记录数目亿级别，可以接受分钟级别的同步延迟；
2. 某些数据库表存在分库分表的操作，用户需要跨MySQL实例跨数据库的表同步到ClickHouse的一张表中；
3. 现有的MySQL binlog开源组件(Canal)，无法做到多张源数据表到一张目的表的映射关系。
基本原理
一、使用JDBC方式同步
1. 使用Canal组件完成binlog的解析和数据同步；
2. Canal-Server进程会伪装成MySQL的slave，使用MySQL的binlog同步协议完成数据同步；
3. Canal-Adapter进程负责从canal-server获取解析后的binlog，并且通过jdbc接口写入到ClickHouse；
优点：
1. Canal组件原生支持；
缺点：
1. Canal-Adpater写入时源表和目的表一一对应，灵活性不足；
2. 需要维护两个Canal组件进程；
二、Kafka+ClickHouse物化视图方式同步
1. Canal-Server完成binlog的解析，并且将解析后的json写入Kafka；
2. Canal-Server可以根据正则表达式过滤数据库和表名，并且根据规则写入Kafka的topic；
3. ClickHouse使用KafkaEngine和Materialized View完成消息消费，并写入本地表；
优点：
1. Kafka支持水平扩展，可以根据数据规模调整partition数目；
2. Kafka引入后将写入请求合并，防止ClickHouse生成大量的小文件，从而影响查询性能；
3. Canal-Server支持规则过滤，可以灵活配置上游的MySQL实例的数据库名和表名，并且指明写入的Kafka topic名称；
缺点：
1. 需要维护Kafka和配置规则；
2. ClickHouse需要新建相关的视图、Kafka Engine的外表等；
具体步骤
一、准备工作
1. 如果使用TencentDB，则在控制台确认binlog_format为ROW，无需多余操作。
如果是自建MySQL，则在客户端中查询变量：
> show variables like '%binlog%';+-----------------------------------------+----------------------+| Variable_name | Value |+-----------------------------------------+----------------------+| binlog_format | ROW |+-----------------------------------------+----------------------+ > show variables like '%log_bin%';+---------------------------------+--------------------------------------------+| Variable_name | Value |+---------------------------------+--------------------------------------------+| log_bin | ON || log_bin_basename | /data/mysql_root/log/20146/mysql-bin || log_bin_index | /data/mysql_root/log/20146/mysql-bin.index |+---------------------------------+--------------------------------------------+ |
|---|
2. 创建账号canal，用于同步binlog
CREATE USER canal IDENTIFIED BY 'canal'; GRANT SELECT, REPLICATION SLAVE, REPLICATION CLIENT ON *.* TO 'canal'@'%';FLUSH PRIVILEGES; |
|---|
二、Canal组件部署
前置条件：
Canal组件部署的机器需要跟ClickHouse服务和MySQL网络互通；
需要在机器上部署java8，配置JAVA_HOME、PATH等环境变量；
基本概念：
1. Canal-Server组件部署
Canal-Server的主要作用是订阅binlog信息并解析和定义instance相关信息，建议每个Canal-Server进程对应一个MySQL实例；
1）下载canal.deployer-1.1.4.tar.gz，解压
2）修改配置文件conf/canal.properties，需要关注的配置如下：
...# 端口相关信息，如果同一台机器部署多个进程需要修改canal.port = 11111canal.metrics.pull.port = 11112canal.admin.port = 11110...# 服务模式canal.serverMode = tcp...# Kafka地址canal.mq.servers = 172.21.48.11:9092# 使用消息队列时 这两个值必须为truecanal.mq.flatMessage = truecanal.mq.flatMessage.onlyData = true...# instance列表，conf目录下必须有同名的目录canal.destinations = example,example2 |
|---|
3）配置instance
可以参照example新增新的instance，主要修改配置文件conf/${instance_name}/instance.properties文件。
样例1: 同步某个数据库的以XX前缀开头的表
订阅 172.21.48.35的MySQL的testdb数据库中的以tb_开头的表的数据变更（例如tb_20200801 、 tb_20200802等），主要的步骤如下：
步骤1：创建example2实例：cddeployer/conf && cp -r example example2
步骤2：修改deployer/conf/example2/instance.properties文件
...# 上游MySQL实例地址canal.instance.master.address=172.21.48.35:3306...# 同步账户信息canal.instance.dbUsername=canalcanal.instance.dbPassword=canal...# 过滤数据库名称和表名canal.instance.filter.regex=testdb\\.tb_.*, |
|---|
步骤3：在conf/canal.properties中修改 canal.destinations ，新增example2
样例2: 同步多个数据库的以XX前缀开头的表，且输出到Kafka
订阅 172.21.48.35的MySQL的empdb_0数据库的employees_20200801表，empdb_1数据库的employees_20200802表，并且数据写入Kafka；
步骤1：创建example2实例：cddeployer/conf && cp -r example example3
步骤2：修改deployer/conf/example3/instance.properties文件
...# 上游MySQL实例地址canal.instance.master.address=172.21.48.35:3306...# 同步账户信息canal.instance.dbUsername=canalcanal.instance.dbPassword=canal...# 过滤数据库名称和表名canal.instance.filter.regex=empdb_.*\\.employees_.*...# Kafka的topic名称和匹配的规则canal.mq.dynamicTopic=employees_topic:empdb_.*\\.employees_.*canal.mq.partition=0 # Kafka topic的分区数目(即partition数目）canal.mq.partitionsNum=3 # 根据employees_开头的表中的 emp_no字段来进行数据hash，分布到不同的partitioncanal.mq.partitionHash=empdb_.*\\.employees_.*:emp_no |
|---|
步骤3：在Kafka中新建topic employees_topic，指定分区数目为3
步骤4：在conf/canal.properties中修改 canal.destinations ，新增example3；修改服务模式为kafka，配置kafka相关信息；
# 服务模式canal.serverMode = kafka...# Kafka地址canal.mq.servers = 172.21.48.11:9092# 使用消息队列时 这两个值必须为truecanal.mq.flatMessage = truecanal.mq.flatMessage.onlyData = true...# instance列表，conf目录下必须有同名的目录canal.destinations = example,example2,example3 |
|---|
2. Canal-Adapter组件部署(只针对方案一)
Canal-Adapter的主要作用是通过JDBC接口写入ClickHouse数据，可以配置多个表的写入；
1）下载canal.adapter-1.1.4.tar.gz，解压；
2）在lib目录下新增clickhouse驱动jar包及httpclient的jar包 httpcore-4.4.13.jar、httpclient-4.3.3.jar、clickhouse-jdbc-0.2.4.jar；
3）修改配置文件conf/application.yml文件，修改canalServerHost、srcDataSources、canalAdapters的配置；
server: port: 8081spring: jackson: date-format: yyyy-MM-dd HH??ss time-zone: GMT+8 default-property-inclusion: non_null canal.conf: mode: tcp canalServerHost: 127.0.0.1:11111 # canal-server的服务地址 batchSize: 500 syncBatchSize: 1000 retries: 0 timeout: accessKey: secretKey: # MySQL的配置，修改用户名密码及制定数据库 srcDataSources: defaultDS: url: jdbc:mysql://172.21.48.35:3306 username: root password: yourpasswordhere canalAdapters: - instance: example groups: - groupId: g1 outerAdapters: - name: logger - name: rdb key: mysql1 # clickhouse的配置，修改用户名密码数据库 properties: jdbc.driverClassName: ru.yandex.clickhouse.ClickHouseDriver jdbc.url: jdbc:clickhouse://172.21.48.18:8123 jdbc.username: default jdbc.password: |
|---|
4）修改配置文件conf/rdb/mytest_user.yml文件
dataSourceKey: defaultDSdestination: examplegroupId: g1outerAdapterKey: mysql1concurrent: truedbMapping: database: testdb mirrorDb: true |
|---|
上述的配置文件中，由于开启了mirrorDb: true，目的端的ClickHouse必须有相同的数据库名和表名。
样例1：源数据库与目标数据库名字不同，源表名与目标表名不同
修改adapter的conf/rdb/mytest_user.yml配置文件，指定源数据库和目标数据库
dataSourceKey: defaultDSdestination: examplegroupId: g1outerAdapterKey: mysql1concurrent: truedbMapping: database: source_database_name table: source_table targetTable: destination_database_name.destination_table targetColumns: id: name: commitBatch: 3000 # 批量提交的大小 |
|---|
样例2：多个源数据库表写入目的端的同一张表
在conf/rdb 目录配置多个yml文件，分别指明不同的table名称。
Kafka 服务配置
一、调整合理的producer参数
确认Canal-Server里的canal.properties文件，重要参数见下表；
配置项 | Kafka SDK配置项 | 配置说明 |
|---|---|---|
canal.mq.servers | bootstrap.servers | Kafka服务地址 |
canal.mq.retries | retries | producer在发送失败的时候会重试次数，默认为0 |
canal.mq.batchSize | batch.size | producer尝试发送同一个partition的请求数据量，默认为16K |
canal.mq.maxRequestSize | max.request.size | producer请求的最大大小，默认为1M |
canal.mq.lingerMs | linger.ms | producer等待发送的延迟，默认为100ms |
canal.mq.bufferMemory | buffer.memory | producer使用的缓存消息的最大内存，默认为30M |
canal.mq.flatMessage | - | Canal-Server 将binlog解析结果转为json；下游为ClickHouse Kafka Engine表时必须为true |
canal.mq.flatMessage.onlyData | - | Canal-Server 只发送binlog解析结果中的data部分；下游为ClickHouse Kafka Engine表时必须为true |
canal.mq.acks | acks | producer希望leader返回的用于确认请求完成的确认数量. 可选值 all, -1, 0 1. 默认值为all |
二、新建相关的topic名称
根据Canal-Server里instance里配置文件instance.properties，注意分区数目与canal.mq.partitionsNum 保持一致；
partition数目需要考虑以下因素：
1. 上游的MySQL的数据量。原则上数据写入量越大，应该分配更多的partition数目；
2. 考虑下游ClickHouse的实例数目。topic的partition分区总数 最好 不大于 下游ClickHouse的总实例数目，保证每个ClickHouse实例都能至少分配到一个partition；
ClickHouse服务配置
根据上游MySQL实例的表的schema新建数据表；
引入Kafka时需要额外新建Engine=Kafka的外表以及相关的物化视图表；
建议：
1. 为每个外表新增不同的 kafka_group_name，防止相互影响；
2. 设置kafka_skip_broken_messages 参数为合理值，遇到无法解析数据会跳过；
3. 设置合理的kafka_num_consumers值，最好保证所有ClickHouse实例该值的总和大于 topic的partition数目；
新建相关的分布式查询表；
服务启动
启动相关的Canal组件进程；
1. canal-server: sh bin/startup.sh
2. canal-adapter: sh bin/startup.sh
在MySQL中插入数据，观察日志是否可以正常运行；
如果使用Kafka，可以通过kafka-console-consumer.sh脚本观察binlog数据解析；
观察ClickHouse数据表中是否正常写入数据；
实际案例
需求：实时同步MySQL实例的empdb_0.employees_20200801表和empdb_1.employees_20200802数据表
方案：使用方案二
环境及参数：
MySQL地址 | 172.21.48.35:3306 |
|---|---|
CKafka地址 | 172.21.48.11:9092 |
Canal instance名称 | employees |
Kafka目的topic | employees_topic |
1.在MySQL新建相关表
# MySQL表的建表语句CREATE DATABASE `empdb_0`;CREATE DATABASE `empdb_1`; CREATE TABLE `empdb_0`.`employees_20200801` ( `emp_no` int(11) NOT NULL, `birth_date` date NOT NULL, `first_name` varchar(14) NOT NULL, `last_name` varchar(16) NOT NULL, `gender` enum('M','F') NOT NULL, `hire_date` date NOT NULL, PRIMARY KEY (`emp_no`)); CREATE TABLE `empdb_1`.`employees_20200802` ( `emp_no` int(11) NOT NULL, `birth_date` date NOT NULL, `first_name` varchar(14) NOT NULL, `last_name` varchar(16) NOT NULL, `gender` enum('M','F') NOT NULL, `hire_date` date NOT NULL, PRIMARY KEY (`emp_no`)); |
|---|
2. Canal-Server配置
步骤1. 修改conf/canal.properties文件
canal.serverMode = kafka...canal.destinations = example,employees...canal.mq.servers = 172.21.48.11:9092canal.mq.retries = 0canal.mq.batchSize = 16384canal.mq.maxRequestSize = 1048576canal.mq.lingerMs = 100canal.mq.bufferMemory = 33554432canal.mq.canalBatchSize = 50canal.mq.canalGetTimeout = 100canal.mq.flatMessage = truecanal.mq.flatMessage.onlyData = truecanal.mq.compressionType = nonecanal.mq.acks = allcanal.mq.producerGroup = cdbproducercanal.mq.accessChannel = local... |
|---|
步骤2. 新增employees实例，修改employees/instances.properties配置
...canal.instance.master.address=172.21.48.35:3306...canal.instance.dbUsername=canalcanal.instance.dbPassword=canal...canal.instance.filter.regex=empdb_.*\\.employees_.*...canal.mq.dynamicTopic=employees_topic:empdb_.*\\.employees_.*canal.mq.partition=0canal.mq.partitionsNum=3canal.mq.partitionHash=empdb_.*\\.employees_.*:emp_no |
|---|
3. Kafka配置
4. 新增topic employees_topic，分区数为3
5. ClickHouse建表
CREATE DATABASE testckdb ON CLUSTER default_cluster; CREATE TABLE IF NOT EXISTS testckdb.ck_employees ON CLUSTER default_cluster ( `emp_no` Int32, `birth_date` String, `first_name` String, `last_name` String, `gender` String, `hire_date` String) ENGINE=MergeTree() ORDER BY (emp_no)SETTINGS index_granularity = 8192; CREATE TABLE IF NOT EXISTS testckdb.ck_employees_stream ON CLUSTER default_cluster ( `emp_no` Int32, `birth_date` String, `first_name` String, `last_name` String, `gender` String, `hire_date` String) ENGINE = Kafka()SETTINGS kafka_broker_list = '172.21.48.11:9092', kafka_topic_list = 'employees_topic', kafka_group_name = 'employees_group', kafka_format = 'JSONEachRow', kafka_skip_broken_messages = 1024, kafka_num_consumers = 1; CREATE MATERIALIZED VIEW IF NOT EXISTS testckdb.ck_employees_mv ON CLUSTER default_cluster TO testckdb.ck_employees( `emp_no` Int32, `birth_date` String, `first_name` String, `last_name` String, `gender` String, `hire_date` String) AS SELECT `emp_no`, `birth_date`, `first_name`, `last_name`, `gender`, `hire_date`FROM testckdb.ck_employees_stream; CREATE TABLE IF NOT EXISTS testckdb.ck_employees_dis ON CLUSTER default_cluster AS testckdb.ck_employees ENGINE=Distributed(default_cluster, testckdb, ck_employees); |
|---|
6. 启动Canal-Server服务
MySQL实例上游插入数据，观察数据是否在Canal-Server解析正常，是否在ClickHouse中完成同步。
手机运维小程序限时免费体验！
手机运维小程序——腾讯云数据库上线啦，从此在手机里可以实现实例信息查看，健康报告接收，慢SQL分析和异常查看等功能，以后回家终于可以不背电脑了！
↓↓一年19.9特惠Cynos点这儿~