MySQL数据实时增量同步到Kafka

• 写在前面的话

　　需求，将MySQL里的数据实时增量同步到Kafka。接到活儿的时候，第一个想法就是通过读取MySQL的binlog日志，将数据写到Kafka。不过对比了一些工具，例如：Canel，Databus，Puma等，这些都是需要部署server和client的。其中server端是由这些工具实现，配置了就可以读binlog，而client端是需要我们动手编写程序的，远没有达到我即插即用的期望和懒人的标准。

　　再来看看flume，只需要写一个配置文件，就可以完成数据同步的操作。官网：http://flume.apache.org/FlumeUserGuide.html#flume-sources。它的数据源默认是没有读取binlog日志实现的，也没有读数据库表的官方实现，只能用开源的自定义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，如果开始同步之后，数据库表需要增减字段，则会给开发者造成很大的困扰。所以我添加了一个分支版本，用来将数据以JSON的格式，同步到kafka，字段语义更加清晰。

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

　　将此jar包下载之后，和相应的数据库驱动包，一起放到flume的lib目录之下即可。

• 处理机制

flume-ng-sql-source在【status.file.name】文件中记录读取数据库表的偏移量，进程重启后，可以接着上次的进度，继续增量读表。

• 启动说明

说明：启动命令里的【YYYYMM=201711】，会传入到flume.properties里面，替换${YYYYMM}

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

 -c：表示配置文件的目录，在此我们配置了flume-env.sh，也在conf目录下；

 -f：指定配置文件，这个配置文件必须在全局选项的--conf参数定义的目录下，就是说这个配置文件要在前面配置的conf目录下面；

 -n：表示要启动的agent的名称，也就是我们flume.properties配置文件里面，配置项的前缀，这里我们配的前缀是【sync】；

• flume的配置说明

• flume-env.sh

# 配置JVM堆内存和java运行参数，配置-DpropertiesImplementation参数是为了在flume.properties配置文件中使用环境变量
export JAVA_OPTS="-Xms512m -Xmx512m -Dcom.sun.management.jmxremote -DpropertiesImplementation=org.apache.flume.node.EnvVarResolverProperties"

 关于propertiesImplementation参数的官方说明：http://flume.apache.org/FlumeUserGuide.html#using-environment-variables-in-configuration-files

• flume.properties

# 数据来源
sync.sources = s-1
# 数据通道
sync.channels = c-1
# 数据去处，这里配置了failover，根据下面的优先级配置，会先启用k-1，k-1挂了后再启用k-2
sync.sinks = k-1 k-2

#这个是配置failover的关键，需要有一个sink group
sync.sinkgroups = g-1
sync.sinkgroups.g-1.sinks = k-1 k-2
#处理的类型是failover
sync.sinkgroups.g-1.processor.type = failover
#优先级，数字越大优先级越高，每个sink的优先级必须不相同
sync.sinkgroups.g-1.processor.priority.k-1 = 5
sync.sinkgroups.g-1.processor.priority.k-2 = 10
#设置为10秒，当然可以根据你的实际状况更改成更快或者很慢
sync.sinkgroups.g-1.processor.maxpenalty = 10000

########## 数据通道的定义
# 数据量不大，直接放内存。其实还可以放在JDBC，kafka或者磁盘文件等
sync.channels.c-1.type = memory
# 通道队列的最大长度
sync.channels.c-1.capacity = 100000
# putList和takeList队列的最大长度，sink从capacity中抓取batchsize个event，放到这个队列。所以此参数最好比capacity小，比sink的batchsize大。
# 官方定义：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
### 默认值的默认值等于JVM可用的最大内存的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，否则就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${YYYYMM}环境变量，是因为我用的测试表示一个月表，每个月的数据会放到相应的表里。使用方式见上面的启动说明
sync.sources.s-1.status.file.name = test_${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，否则取不到数据
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
# 每批次处理的event数量
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，否则取不到数据
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

关于putList和takeList与capacity的关系，引用：http://blog.csdn.net/u012948976/article/details/51760546

flume各部分参数含义

• batchData的大小见参数：batchSize
• PutList和TakeList的大小见参数：transactionCapactiy
• Channel总容量大小见参数：capacity

•   问题记录

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

分析：由于我用的是flume1.8，而flume-ng-sql-1.4.3插件对应的flume-ng-core版本是1.5.2，1.8版本里的PollableSource接口多了两个方法 getBackOffSleepIncrement(); getMaxBackOffSleepInterval();在失败补偿暂停线程处理时，需要用到这个方法。

解决方法：更新flume-ng-sql-1.4.3里依赖的flume-ng-core版本为1.8.0，并在源代码【SQLSource.java】里添加这两个方法即可。

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