全量同步Elasticsearch方案之Canal

1、前言

Canal 是阿里的一款开源项目，纯 Java 开发。基于数据库增量日志解析，提供增量数据订阅&消费，目前主要支持了 MySQL(也支持 mariaDB)。

Canal 除了支持 binlog 实时 增量同步 数据库以外也支持 全量同步 ，本文主要分享使用Canal来实现从MySQL到Elasticsearch的全量同步；

可经过使用 adapter 的 REST 接口手动触发 ETL 任务，实现全量同步。

在执行全量同步的时候，同一个 destination 的增量同步任务会被 阻塞，待全量同步完成被阻塞的增量同步会被 从新唤醒

PS：关于Canal的部署与 实时同步 请看文章《Canal高可用架构部署》

 

2、ETL接口

adapter 的 ETL 接口为：/etl/{type}/{task}

• 默认web端口为 8081
• type 为类型(hbase/es7/rdb)
• task 为任务名对应配置文件名，如sys_user.yml

 

例子：

curl -X POST http://127.0.0.1:8081/etl/es7/sys_user.yml

执行成功输出：

{"succeeded":true,"resultMessage":"导入ES 数据：17 条"}

 

3、实践过程当中遇到的坑

3.1. 链接池不够

当同步的数据量比较大时，执行一段时间后会出现下图的错误

3.1.1. 缘由分析

查看 canal 源码得知当同步的数据量大于1w时，会分批进行同步，每批1w条记录，并使用多线程来并行执行任务，而 adapter 默认的链接池为3，当线程获取数据库链接等待超过1分钟就会抛出该异常。

线程数为当前服务器cpu的可用线程数

 

3.1.2. 解决方式

修改 adapter 的 conf/application.yml 文件中的 srcDataSources 配置项，增长 maxActive 配置数据库的最大链接数为当前服务器cpu的可用线程数

cpu线程数能够下命令查看

grep 'processor' /proc/cpuinfo | sort -u | wc -l

 

3.2. es链接超时

当同步的表字段比较多时，概率出现如下报错

3.2.1. 缘由分析

因为 adapter 的表映射配置文件中的 commitBatch 提交批大小设置过大致使(6000)

 

3.2.2. 解决方式

修改 adapter 的 conf/es7/xxx.yml 映射文件中的 commitBatch 配置项为3000

 

3.3. 同步慢

三千万的数据量用时3.5小时左右

3.3.1. 缘由分析

因为当数据量大于1w时 canal 会对数据进行分批同步，每批1w条经过分页查询实现；因此当数据量较大时会出现深分页的状况致使查询很是慢。

 

3.3.2. 解决方式

预先使用ID、时间或者业务字段等进行数据分批后再进行同步，减小每次同步的数据量。

 

3.3.3. 案例

使用ID进行数据分批，适合增加类型的ID，如自增ID、雪花ID等；

1. 查出 最小ID、最大ID 与 总数据量
2. 根据每批数据量大小计算每批的 ID区间

 

计算过程：

• 最小ID = 1333224842416979257
• 最大ID = 1341698897306914816
• 总数据量 = 3kw
• 每次同步量 = 300w

 

(1) 计算同步的次数

总数据量 / 每次同步量 = 10

 

(2) 计算每批ID的增量值

(最大ID - 最小ID) / 次数 = 847405488993555.9

 

(3) 计算每批ID的值

最小ID + 增量值 = ID2

ID2 + 增量值 = ID3

...

ID9 + 增量值 = 最大ID

 

(4) 使用分批的ID值进行同步

修改sql映射配置，的 etlCondition 参数：

etlCondition: "where id >= {} and id < {}"

 

调用etl接口，并增长 params 参数，多个参数之间使用 ; 分割

curl -X POST http://127.0.0.1:8081/etl/es7/sys_user.yml?params=最小ID;ID2

curl -X POST http://127.0.0.1:8081/etl/es7/sys_user.yml?params=ID2;ID3

...

 

扫码关注有惊喜！