025-大数据ETL工具之StreamSets安装及订阅mysql binlog

时间 2019-12-19

标签数据 etl 工具 streamsets 安装订阅 mysqlbinlog 栏目 MySQL 繁體版

原文原文链接

这是坚持技术写做计划（含翻译）的第25篇，定个小目标999，每周最少2篇。html

本文主要介绍CDH6.2+StreamSets3.9。java

StreamSets是一个大数据采集和数据处理工具。能够经过拖拽式的可视化操做，实现数据管道(Pipelines)的设计和调度。其特色有：mysql

拖拽式的可视化界面操做，上手快。
对常见数据处理(数据源、数据操做、数据输出)支持较好。
内置监控，能够对数据流进行观测。

相似的开源产品还有 Apache NiFi , 网上有关于NiFi和StreamSets 的对比 Open Source ETL: Apache NiFi vs Streamsets (网上有中文翻译版版)git

国内接触较多的ETL工具，多是 DataX 、 Kettle 、Sqoop。此处有个简单的对比，数据集成之 kettle、sqoop、datax、streamSets 比较 github

安装StreamSets 3.9

下载parcel安装包

从 archives.streamsets.com/index.html 下载3.9的
sql

并上传到http服务器的www目录下，本文以centos7.6为例

wget -P /var/www/html/streamsets3.9.0/ https://archives.streamsets.com/datacollector/3.9.0/parcel/manifest.json
wget -P /var/www/html/streamsets3.9.0/ https://archives.streamsets.com/datacollector/3.9.0/parcel/STREAMSETS_DATACOLLECTOR-3.9.0-el7.parcel.sha
wget -P /var/www/html/streamsets3.9.0/ https://archives.streamsets.com/datacollector/3.9.0/parcel/STREAMSETS_DATACOLLECTOR-3.9.0-el7.parcel
复制代码

配置csd

从 streamsets.com/opensource 下载
apache

wget -P /opt/cloudera/csd/ https://archives.streamsets.com/datacollector/3.9.0/csd/STREAMSETS-3.9.0.jar
cd /opt/cloudera/csd/
sudo chown cloudera-scm:cloudera-scm STREAMSETS-3.9.0.jar && sudo chmod 644 STREAMSETS-3.9.0.jar
systemctl restart cloudera-scm-server
复制代码

下载分发Parcel包

下载并激活，可是，我实际测试时，总大小，4.6G，实际下载后，5.2G，致使sha1sum 校验失败，报

在cm所在主机， ls -lah /opt/cloudera/parcel-repo
json

把下载的 archives.streamsets.com/datacollect… 复制到 /opt/cloudera/parcel-repo 下
centos

若是已经不信邪，试过下载，并报hash错误后，直接替换后，这个页面仍是提示hash，此时再次点击下载，就会变成分配。
激活后以下所示

建立完毕

streamsets 简单使用

打开streamsets，默认用户名密码 admin/admin
bash

官方教程，参考 Basic Tutorial

本文主要讲解订阅mysql binlog进行数据同步

mysql binlog

开启binlog

修改mysql配置文件，my.cnf，在mysqld下增长（注意5.7的不加server-id没法正常启动）

server-id=1
log-bin=mysql-bin
binlog_format=ROW
复制代码

建立并配置同步帐号

GRANT ALL on slave_test.* to 'slave_test'@'%' identified by 'slave_test';
GRANT SELECT, REPLICATION CLIENT, REPLICATION SLAVE on *.* to 'slave_test'@'%';
FLUSH PRIVILEGES;
复制代码

安装mysql jdbc驱动

wget -P /opt/cloudera/parcels/STREAMSETS_DATACOLLECTOR/streamsets-libs/streamsets-datacollector-mysql-binlog-lib/lib/ https://repo1.maven.org/maven2/mysql/mysql-connector-java/5.1.47/mysql-connector-java-5.1.47.jar
复制代码

重启streamsets

建立pipeline

配置mysql binlog解析及处理

配置目标端

运行

测试

此处使用mysql自带的压测工具 mysqlslap.exe 进行测试

bin/mysqlslap --user=root --password=xxxxxx --concurrency=50 --number-int-cols=5 --number-char-cols=20 --auto-generate-sql --number-of-queries=100000 --auto-generate-sql-load-type=write --host=192.168.0.123 --port=3306
--user 用户(须要有建库建表权限)
--password 密码
--concurrency 并发数
--number-int-cols 表内有5个数字列
--number-char-cols 表内有20个字符串列
--auto-generate-sql 自动生成脚本
--number-of-queries 总执行次数
--auto-generate-sql-load-type=write 只执行写入操做
--host mysql 主机
--port 端口
复制代码

下方有监控报表

常见错误

同步不一致致使的错误，手动从

设置偏移量

若是报错 Pipeline Status: RUNNING_ERROR: For input string: ""xxxx" ，把my.cnf改为

server-id=1
log-bin=mysql-bin
binlog_format=ROW
sync_binlog=1
binlog_gtid_simple_recovery=ON
log_slave_updates=ON
gtid_mode=ON
enforce_gtid_consistency=ON
复制代码