logstash_output_kafka:Mysql同步Kafka深刻详解

0、题记

实际业务场景中，会遇到基础数据存在Mysql中，实时写入数据量比较大的情景。迁移至kafka是一种比较好的业务选型方案。

而mysql写入kafka的选型方案有：
方案一：logstash_output_kafka 插件。
方案二：kafka_connector。
方案三：debezium 插件。
方案四：flume。
方案五：其余相似方案。
其中：debezium和flume是基于mysql binlog实现的。

若是须要同步历史全量数据+实时更新数据，建议使用logstash。

一、logstash同步原理

经常使用的logstash的插件是：logstash_input_jdbc实现关系型数据库到Elasticsearch等的同步。

实际上，核心logstash的同步原理的掌握，有助于你们理解相似的各类库之间的同步。

logstash核心原理：输入生成事件，过滤器修改它们，输出将它们发送到其余地方。

logstash核心三部分组成：input、filter、output。

input { }
filter { }
output { }
1.1 input输入

包含但远不限于：

jdbc：关系型数据库：mysql、oracle等。
file：从文件系统上的文件读取。
syslog：在已知端口514上侦听syslog消息。
redis：redis消息。beats：处理 Beats发送的事件。
kafka：kafka实时数据流。
1.2 filter过滤器

过滤器是Logstash管道中的中间处理设备。您能够将过滤器与条件组合，以便在事件知足特定条件时对其执行操做。

能够把它比做数据处理的ETL环节。

一些有用的过滤包括：

grok：解析并构造任意文本。Grok是目前Logstash中将非结构化日志数据解析为结构化和可查询内容的最佳方式。有了内置于Logstash的120种模式，您极可能会找到知足您需求的模式！
mutate：对事件字段执行常规转换。您能够重命名，删除，替换和修改事件中的字段。
drop：彻底删除事件，例如调试事件。
clone：制做事件的副本，可能添加或删除字段。
geoip：添加有关IP地址的地理位置的信息。
1.3 output输出

输出是Logstash管道的最后阶段。一些经常使用的输出包括：

elasticsearch：将事件数据发送到Elasticsearch。
file：将事件数据写入磁盘上的文件。
kafka：将事件写入Kafka。
详细的filter demo参考：http://t.cn/EaAt4zP

二、同步Mysql到kafka配置参考

input {
jdbc {
jdbc_connection_string => "jdbc:mysql://192.168.1.12:3306/news_base"
jdbc_user => "root"
jdbc_password => "xxxxxxx"
jdbc_driver_library => "/home/logstash-6.4.0/lib/mysql-connector-java-5.1.47.jar"
jdbc_driver_class => "com.mysql.jdbc.Driver"
#schedule => " "
statement => "SELECT from news_info WHERE id > :sql_last_value order by id"
use_column_value => true
tracking_column => "id"
tracking_column_type => "numeric"
record_last_run => true
last_run_metadata_path => "/home/logstash-6.4.0/sync_data/news_last_run"

}

}

filter {
ruby{
code => "event.set('gather_time_unix',event.get('gather_time').to_i1000)"
}
ruby{
code => "event.set('publish_time_unix',event.get('publish_time').to_i1000)"
}
mutate {
remove_field => [ "@version" ]
remove_field => [ "@timestamp" ]
remove_field => [ "gather_time" ]
remove_field => [ "publish_time" ]
}
}

output {
kafka {
bootstrap_servers => "192.168.1.13:9092"
codec => json_lines
topic_id => "mytopic"

}
file {
        codec => json_lines
        path => "/tmp/output_a.log"
}

}
以上内容不复杂，不作细讲。

注意：
Mysql借助logstash同步后，日期类型格式：“2019-04-20 13:55:53”已经被识别为日期格式。

code =>
"event.set('gather_time_unix',event.get('gather_time').to_i*1000)"，
是将Mysql中的时间格式转化为时间戳格式。

三、坑总结

3.1 坑1字段大小写问题

from星友：使用logstash同步mysql数据的，由于在jdbc.conf里面没有添加 lowercase_column_names
=> "false" 这个属性，因此logstash默认把查询结果的列明改成了小写，同步进了es，因此就致使es里面看到的字段名称全是小写。
最后总结：es是支持大写字段名称的，问题出在logstash没用好，须要在同步配置中加上 lowercase_column_names => "false" 。记录下来但愿能够帮到更多人。

3.2 同步到ES中的数据会不会重复？

想将关系数据库的数据同步至ES中，若是在集群的多台服务器上同时启动logstash。
解读：实际项目中就是没用随机id 使用指定id做为es的_id ，指定id能够是url的md5.这样相同数据就会走更新覆盖之前数据

3.3 相同配置logstash,升级6.3以后不能同步数据。

解读：高版本基于时间增量有优化。
tracking_column_type => "timestamp"应该是须要指定标识为时间类型，默认为数字类型numeric

3.4 ETL字段统一在哪处理?

解读：能够logstash同步mysql的时候sql查询阶段处理，如：select a_value as avalue***。

或者filter阶段处理,mutate rename处理。

mutate {
rename => ["shortHostname", "hostname" ]
}
或者kafka阶段借助kafka stream处理。

四、小结

相关配置和同步都不复杂，复杂点每每在于filter阶段的解析还有logstash性能问题。须要结合实际业务场景作深刻的研究和性能分析。有问题，欢迎留言讨论。