使用logstash同步MySQL数据到ES
概述
在生成业务常有将MySQL数据同步到ES的需求，若是须要很高的定制化，每每须要开发同步程序用于处理数据。但没有特殊业务需求，官方提供的logstash就颇有优点了。
在使用logstash咱们应先了解其特性，再决定是否使用：java
- 无需开发，仅需安装配置logstash便可；
- 凡是SQL能够实现的logstash都可以实现（本就是经过sql查询数据）
- 支持每次全量同步或按照特定字段（如递增ID、修改时间）增量同步；
- 同步频率可控，最快同步频率每分钟一次（若是对实效性要求较高，慎用）；
- 不支持被物理删除的数据同步物理删除ES中的数据（可在表设计中增长逻辑删除字段IsDelete标识数据删除）。
一、安装
前往官网下载logstash，下载地址www.elastic.co/downloads/l…，zip压缩包大约160M（以为官网下载慢的可前往@zxiaofan的CSDN下载）；
程序目录：【windows】G:\ELK\logstash-6.5.4；【linux】/tomcat/logstash/logstash-6.5.4。
下文统一以【程序目录】表示不一样环境的安装目录。mysql
二、配置
2.一、新建目录存放配置文件及mysql依赖包
在【程序目录】目录（\bin同级）新建mysql目录，将下载好的mysql-connector-java-5.1.34.jar放入此目录；
在【程序目录】\mysql目录新建jdbc.conf文件，此文件将配置数据库链接信息、查询数据sql、分页信息、同步频率等核心信息。
注意事项请查看注释信息。linux
2.二、单表同步配置
input {
stdin {}
jdbc {
type => "jdbc"
# 数据库链接地址
jdbc_connection_string => "jdbc:mysql://192.168.1.1:3306/TestDB?characterEncoding=UTF-8&autoReconnect=true""
# 数据库链接帐号密码；
jdbc_user => "username"
jdbc_password => "pwd"
# MySQL依赖包路径；
jdbc_driver_library => "mysql/mysql-connector-java-5.1.34.jar"
# the name of the driver class for mysql
jdbc_driver_class => "com.mysql.jdbc.Driver"
# 数据库重连尝试次数
connection_retry_attempts => "3"
# 判断数据库链接是否可用，默认false不开启
jdbc_validate_connection => "true"
# 数据库链接可用校验超时时间，默认3600S
jdbc_validation_timeout => "3600"
# 开启分页查询（默认false不开启）；
jdbc_paging_enabled => "true"
# 单次分页查询条数（默认100000,若字段较多且更新频率较高，建议调低此值）；
jdbc_page_size => "500"
# statement为查询数据sql，若是sql较复杂，建议配经过statement_filepath配置sql文件的存放路径；
# sql_last_value为内置的变量，存放上次查询结果中最后一条数据tracking_column的值，此处即为ModifyTime；
# statement_filepath => "mysql/jdbc.sql"
statement => "SELECT KeyId,TradeTime,OrderUserName,ModifyTime FROM `DetailTab` WHERE ModifyTime>= :sql_last_value order by ModifyTime asc"
# 是否将字段名转换为小写，默认true（若是有数据序列化、反序列化需求，建议改成false）；
lowercase_column_names => false
# Value can be any of: fatal,error,warn,info,debug，默认info；
sql_log_level => warn
#
# 是否记录上次执行结果，true表示会将上次执行结果的tracking_column字段的值保存到last_run_metadata_path指定的文件中；
record_last_run => true
# 须要记录查询结果某字段的值时，此字段为true，不然默认tracking_column为timestamp的值；
use_column_value => true
# 须要记录的字段，用于增量同步，需是数据库字段
tracking_column => "ModifyTime"
# Value can be any of: numeric,timestamp，Default value is "numeric"
tracking_column_type => timestamp
# record_last_run上次数据存放位置；
last_run_metadata_path => "mysql/last_id.txt"
# 是否清除last_run_metadata_path的记录，须要增量同步时此字段必须为false；
clean_run => false
#
# 同步频率(分 时 天 月 年)，默认每分钟同步一次；
schedule => "* * * * *"
}
}
filter {
json {
source => "message"
remove_field => ["message"]
}
# convert 字段类型转换，将字段TotalMoney数据类型改成float；
mutate {
convert => {
"TotalMoney" => "float"
}
}
}
output {
elasticsearch {
# host => "192.168.1.1"
# port => "9200"
# 配置ES集群地址
hosts => ["192.168.1.1:9200", "192.168.1.2:9200", "192.168.1.3:9200"]
# 索引名字，必须小写
index => "consumption"
# 数据惟一索引（建议使用数据库KeyID）
document_id => "%{KeyId}"
}
stdout {
codec => json_lines
}
}
复制代码
2.三、多表同步
多表配置和单表配置的区别在于input模块的jdbc模块有几个type，output模块就需对应有几个type；git
input {
stdin {}
jdbc {
# 多表同步时，表类型区分，建议命名为“库名_表名”，每一个jdbc模块需对应一个type；
type => "TestDB_DetailTab"
# 其余配置此处省略，参考单表配置
# ...
# ...
# record_last_run上次数据存放位置；
last_run_metadata_path => "mysql\last_id.txt"
# 是否清除last_run_metadata_path的记录，须要增量同步时此字段必须为false；
clean_run => false
#
# 同步频率(分 时 天 月 年)，默认每分钟同步一次；
schedule => "* * * * *"
}
jdbc {
# 多表同步时，表类型区分，建议命名为“库名_表名”，每一个jdbc模块需对应一个type；
type => "TestDB_Tab2"
# 多表同步时，last_run_metadata_path配置的路径应不一致，避免有影响；
# 其余配置此处省略
# ...
# ...
}
}
filter {
json {
source => "message"
remove_field => ["message"]
}
}
output {
# output模块的type需和jdbc模块的type一致
if [type] == "TestDB_DetailTab" {
elasticsearch {
# host => "192.168.1.1"
# port => "9200"
# 配置ES集群地址
hosts => ["192.168.1.1:9200", "192.168.1.2:9200", "192.168.1.3:9200"]
# 索引名字，必须小写
index => "detailtab1"
# 数据惟一索引（建议使用数据库KeyID）
document_id => "%{KeyId}"
}
}
if [type] == "TestDB_Tab2" {
elasticsearch {
# host => "192.168.1.1"
# port => "9200"
# 配置ES集群地址
hosts => ["192.168.1.1:9200", "192.168.1.2:9200", "192.168.1.3:9200"]
# 索引名字，必须小写
index => "detailtab2"
# 数据惟一索引（建议使用数据库KeyID）
document_id => "%{KeyId}"
}
}
stdout {
codec => json_lines
}
}
复制代码
三、启动运行
在【程序目录】目录执行如下命令启动：github
【windows】
bin\logstash.bat -f mysql\jdbc.conf
【linux】
nohup ./bin/logstash -f mysql/jdbc_jx_moretable.conf &
复制代码
可新建脚本配置好启动命令，后期直接运行便可。
在【程序目录】\logs目录会有运行日志。sql
Note：
5.x/6.X/7.x版本须要jdk8支持，若是默认jdk版本不是jdk8，那么须要在logstash或logstash.lib.sh的行首位置添加两个环境变量：数据库
export JAVA_CMD="/usr/tools/jdk1.8.0_162/bin"
export JAVA_HOME="/usr/tools/jdk1.8.0_162/"
复制代码
开机自启动：json
- windows开机自启：
- 方案1：使用windows自带的任务计划；
- 方案2：nssm注册windows服务，blog.csdn.net/u010887744/…
- linux开机自启：
- CentOS 7将linux服务加入系统启动 systemd service，blog.csdn.net/u010887744/…
四、问题及解决方案
4.一、数据同步后，ES没有数据
output.elasticsearch模块的index必须是全小写；windows
4.二、增量同步后last_run_metadata_path文件内容不改变
若是lowercase_column_names配置的不是false，那么tracking_column字段配置的必须是全小写。tomcat
4.三、提示找不到jdbc_driver_library
2032 com.mysql.jdbc.Driver not loaded.
Are you sure you've included the correct jdbc driver in :jdbc_driver_library?
复制代码
检测配置的地址是否正确，若是是linux环境，注意路径分隔符是“/”，而不是“\”。
4.四、数据丢失
statement配置的sql中，若是比较字段使用的是大于“>”，可能存在数据丢失。
假设当同步完成后last_run_metadata_path存放的时间为2019-01-30 20:45:30，而这时候新入库一条数据的更新时间也为2019-01-30 20:45:30，那么这条数据将没法同步。
解决方案：将比较字段使用 大于等于“>=”。
4.五、数据重复更新
上一个问题“数据丢失”提供的解决方案是比较字段使用“大于等于”，但这时又会产生新的问题。
假设当同步完成后last_run_metadata_path存放的时间为2019-01-30 20:45:30，而数据库中更新时间最大值也为2019-01-30 20:45:30，那么这些数据将重复更新，直到有更新时间更大的数据出现。
当上述特殊数据不少，且长期没有新的数据更新时，会致使大量的数据重复同步到ES。
什么时候会出现以上状况呢：①比较字段非“自增”；②比较字段是程序生成插入。
解决方案：
- ①比较字段自增保证不重复或重复几率极小（好比使用自增ID或者数据库的timestamp），这样就能避免大部分异常状况了；
- ②若是确实存在大量程序插入的数据，其更新时间相同，且可能长期无数据更新，可考虑按期更新数据库中的一条测试数据，避免最大值有大量数据。
4.六、容灾
logstash自己没法集群，咱们常使用的组合ELK是经过kafka集群变相实现集群的。
可供选择的处理方式：①使用任务程序推送数据到kafaka，由kafka同步数据到ES，但任务程序自己也须要容灾，并须要考虑重复推送的问题；②将logstash加入守护程序，并辅以第三方监控其运行状态。
具体如何选择，须要结合自身的应用场景了。
4.七、海量数据同步
为何会慢？logstash分页查询使用临时表分页，每条分页SQL都是将全集查询出来看成临时表，再在临时表上分页查询。这样致使每次分页查询都要对主表进行一次全表扫描。
SELECT * FROM (SELECT * FROM `ImageCN1`
WHERE ModifyTime>= '1970-01-01 08:00:00'
order by ModifyTime asc) AS `t1`
LIMIT 5000 OFFSET 10000000;
复制代码
数据量太大，首次同步如何安全过渡同步？
可考虑在statement对应的sql中加上分页条件，好比ID在什么范围，修改时间在什么区间，将单词同步的数据总量减小。先少许数据同步测试验证，再根据测试状况修改区间条件启动logstash完成同步。好比将SQL修改成：
SELECT
*
FROM
`ImageCN1`
WHERE
ModifyTime < '2018-10-10 10:10:10' AND ModifyTime >= '1970-01-01 08:00:00'
ORDER BY
ModifyTime ASC
复制代码
当同步完ModifyTime<'2018-10-10 10:10:10'区间的数据在修改SQL同步剩余区间的数据。
这样须要每次同步后就修改sql，线上运营比较繁琐，是否能够不修改sql，同时保证同步效率呢？SQL咱们能够再修改下：
SELECT
*
FROM
`ImageCN1`
WHERE
ModifyTime >= '1970-01-01 08:00:00'
ORDER BY
ModifyTime ASC
LIMIT 100000
复制代码
这样就能保证每次子查询的数据量不超过10W条，实际测试发现，数据量很大时效果很明显。
[SQL]USE XXXDataDB;
受影响的行: 0
时间: 0.001s
[SQL]
SELECT
*
FROM
( SELECT * FROM `ImageCN1` WHERE ModifyTime >= '1970-01-01 08:00:00' ORDER BY ModifyTime ASC ) AS `t1`
LIMIT 5000 OFFSET 900000;
受影响的行: 0
时间: 7.229s
[SQL]
SELECT
*
FROM
( SELECT * FROM `ImageCN1` WHERE ModifyTime >= '2018-07-18 19:35:10' ORDER BY ModifyTime ASC LIMIT 100000 ) AS `t1`
LIMIT 5000 OFFSET 90000
受影响的行: 0
时间: 1.778s
复制代码
测试能够看出，SQL不加limit 10W时，越日后分页查询越慢，耗时达到8S，而加了limit条件的SQL耗时稳定在2S之内。
祝君好运！
Life is all about choices！
未来的你必定会感激如今拼命的本身！
【CSDN】【GitHub】【OSCHINA】【掘金】【微信公众号】
- 1. 使用logstash同步MySQL数据到ES
- 2. 使用logstash同步MongoDB数据到es
- 3. Logstash同步MySQL数据到ES
- 4. es同步mysql同步-logstash
- 5. 使用Logstash来实时同步MySQL数据到ES
- 6. MYSQL同步数据到ES
- 7. mysql数据同步到es
- 8. 一步一个脚印实现logstash同步MySQL数据到ES
- 9. SQL数据同步到ElasticSearch（三）- 使用Logstash+LastModifyTime同步数据
- 10. logstash增量同步mysql数据到elasticsearch
- 更多相关文章...
- • MySQL Workbench使用教程 - MySQL教程
- • 使用netwox构造IP数据包 - TCP/IP教程
- • Flink 数据传输及反压详解
- • TiDB 在摩拜单车在线数据业务的应用和实践
-
每一个你不满意的现在，都有一个你没有努力的曾经。