Flink 从0-1实现 电商实时数仓 - 业务数据采集

9,948 阅读5分钟

这是我参与8月更文挑战的第3天,活动详情查看:8月更文挑战

业务数据采集

流程

image.png

  1. 用户产生业务数据
  2. 后端服务存入Mysql
  3. 开启Mysql binlog
  4. 使用 Maxwell 将业务数据发送至 Kafka

Maxwell 介绍

Maxwell 是由美国 Zendesk 开源,用Java编写的MySQL实时抓取软件。实时读取MySQL二进制日志Binlog,并生成 JSON 格式的消息,作为生产者发送给 Kafka,Kinesis、RabbitMQ、Redis、Google Cloud Pub/Sub、文件或其它平台的应用程序。

官网地址:maxwells-daemon.io/

与 Maxwell 相同功能的框架还有:Debezium、canal

选择 Maxwell 的原因的,一行数据会生成一个json,结构简单,而且没有表字段类型什么的,比较清晰,很符合业务需要。

Maxwell 原理

很简单,就是把自己伪装成 slave 假装从 master 复制数据

1. MySQL主从复制过程
  • Master主库将改变记录,写到二进制日志(binary log)中  

  • Slave从库向mysql master发送dump协议,将master主库的binary log events拷贝到它的中继日志(relay log);

  • Slave从库读取并重做中继日志中的事件,将改变的数据同步到自己的数据库。

2. MySQL的binlog
  1. 什么是binlog

     MySQL的二进制日志可以说MySQL最重要的日志了,它记录了所有的DDL和DML(除了数据查询语句)语句,以事件形式记录,还包含语句所执行的消耗的时间,MySQL的二进制日志是事务安全型的。

     一般来说开启二进制日志大概会有1%的性能损耗。二进制有两个最重要的使用场景:

       Ø 其一:MySQL Replication在Master端开启binlog,Master把它的二进制日志传递给slaves来达到master-slave数据一致的目的。 

       Ø 其二:自然就是数据恢复了,通过使用mysqlbinlog工具来使恢复数据。

     二进制日志包括两类文件:二进制日志索引文件(文件名后缀为.index)用于记录所有的二进制文件,二进制日志文件(文件名后缀为.00000*)记录数据库所有的DDL和DML(除了数据查询语句)语句事件。

  2.  binlog 的开启

    1. 找到MySQL配置文件的位置

    2. Linux: /etc/my.cnf

      如果/etc目录下没有,可以通过locate my.cnf查找位置

    3. 在mysql的配置文件下,修改配置

      在[mysqld] 区块,设置/添加  log-bin=mysql-bin

    这个表示binlog日志的前缀是mysql-bin,以后生成的日志文件就是 mysql-bin.123456 的文件后面的数字按顺序生成,每次mysql重启或者到达单个文件大小的阈值时,新生一个文件,按顺序编号。

  3. binlog 的分类设置

    mysql binlog的格式有三种,分别是STATEMENT,MIXED,ROW。

    在配置文件中可以选择配置 binlog_format= statement|mixed|row

    三种格式的区别

    1. statement

      语句级,binlog会记录每次一执行写操作的语句。

      相对row模式节省空间,但是可能产生不一致性,比如

      update  tt set create_date=now()

      如果用binlog日志进行恢复,由于执行时间不同可能产生的数据就不同。

      优点: 节省空间

      缺点: 有可能造成数据不一致。

    2. row

      行级, binlog会记录每次操作后每行记录的变化。

      优点:保持数据的绝对一致性。因为不管sql是什么,引用了什么函数,他只记录执行后的效果。

      缺点:占用较大空间。

    3. mixed

      statement的升级版,一定程度上解决了,因为一些情况而造成的statement模式不一致问题

      默认还是statement,在某些情况下譬如:

       当函数中包含 UUID() 时;
       包含 AUTO_INCREMENT 字段的表被更新时;
       执行 INSERT DELAYED 语句时;
       用 UDF 时;
       
      

      会按照 ROW的方式进行处理

      优点:节省空间,同时兼顾了一定的一致性。

      缺点:还有些极个别情况依旧会造成不一致,另外statement和mixed对于需要对binlog的监控的情况都不方便。

    综合上面对比,Maxwell想做监控分析,选择row格式比较合适

实现

1. 配置 MySQL
  1. 配置binlog

    sudo vim /etc/my.cnf
    
    server-id=1
    log-bin=mysql-bin
    binlog_format=row
    binlog-do-db=tmall
    

    注意:binlog-do-db根据自己的情况进行修改,指定具体要同步的数据库

  2. 重启MySQL使配置生效

sudo systemctl restart mysqld
2. 配置 Maxwell
  1. 下载 Maxwell

    官网地址:maxwells-daemon.io/

    github:github.com/zendesk/max…

    我使用的是 1.25.0 版本

  2. 解压 Maxwell

    tar -zxvf /opt/software/maxwell-1.25.0.tar.gz -C /opt/module/
    
  3. 初始化 Maxwell 元数据库

    1. 创建 maxwell 数据库
      CREATE DATABASE maxwell ;
      
    2. 分配一个账号可以操作该数据库
      GRANT ALL ON maxwell.* TO 'maxwell'@'%' IDENTIFIED BY '666666';
      
    3. 分配这个账号可以监控其他数据库的权限
      GRANT SELECT ,REPLICATION SLAVE , REPLICATION CLIENT  ON *.* TO maxwell@'%';
      
  4. 配置 Maxwell

    1. 拷贝配置文件
      cd /opt/module/maxwell-1.25.0/
      cp config.properties.example config.properties
      
    2. 修改配置文件
      # 配置kafka
      producer=kafka
      kafka.bootstrap.servers=hd1:9092,hd2:9092,hd3:9092
      
      # 需要添加topic
      kafka_topic=ods_base_db_m
      
      # mysql
      host=hd3
      user=maxwell
      password=666666
      
      # 处理历史数据需要用到
      client_id=maxwell_1
      

    注意:默认还是输出到指定Kafka主题的一个kafka分区,因为多个分区并行可能会打乱binlog的顺序

    如果要提高并行度,首先设置kafka的分区数 > 1,然后设置producer_partition_by属性

    可选值 producer_partition_by=database|table|primary_key|random|column

  5. 启动 Maxwell

    /opt/module/maxwell-1.25.0/bin/maxwell --config  /opt/module/maxwell-1.25.0/config.properties >/dev/null 2>&1 &
    
  6. 测试 Maxwell

    cd /opt/module/kafka_2.11-2.4.1/
    bin/kafka-console-consumer.sh --bootstrap-server hd1:9092 --topic ods_base_db_m
    

关注专栏持续更新 👇🏻👇🏻👇🏻👇🏻👇🏻👇🏻👇🏻👇🏻