腾讯大牛教你ClickHouse实时同步MySQL数据

　　文章转载自 腾讯云数据库
　　| 作者 史鹏宙，CSIG云与智慧产业事业群研发工程师
　　ClickHouse作为OLAP分析引擎已经被广泛使用，数据的导入导出是用户面临的第一个问题。由于ClickHouse本身无法很好地支持单条大批量的写入，因此在实时同步数据方面需要借助其他服务协助。本文给出一种结合Canal+Kafka的方案，并且给出在多个MySQL实例分库分表的场景下，如何将多张MySQL数据表写入同一张ClickHouse表的方法，欢迎大家批评指正。
　　首先来看看我们的需求背景：
　　1. 实时同步多个MySQL实例数据到ClickHouse，每天规模500G，记录数目亿级别，可以接受分钟级别的同步延迟；
　　2. 某些数据库表存在分库分表的操作，用户需要跨MySQL实例跨数据库的表同步到ClickHouse的一张表中；
　　3. 现有的MySQL binlog开源组件(Canal)，无法做到多张源数据表到一张目的表的映射关系。
　　基本原理
　　一、使用JDBC方式同步
　　1. 使用Canal组件完成binlog的解析和数据同步；
　　2. Canal-Server进程会伪装成MySQL的slave，使用MySQL的binlog同步协议完成数据同步；
　　3. Canal-Adapter进程负责从canal-server获取解析后的binlog，并且通过jdbc接口写入到ClickHouse；
　　优点：
　　1. Canal组件原生支持；
　　缺点：
　　1. Canal-Adpater写入时源表和目的表一一对应，灵活性不足；
　　2. 需要维护两个Canal组件进程；
　　二、Kafka+ClickHouse物化视图方式同步
　　1. Canal-Server完成binlog的解析，并且将解析后的json写入Kafka；
　　2. Canal-Server可以根据正则表达式过滤数据库和表名，并且根据规则写入Kafka的topic；
　　3. ClickHouse使用KafkaEngine和Materialized View完成消息消费，并写入本地表；
　　优点：
　　1. Kafka支持水平扩展，可以根据数据规模调整partition数目；
　　2. Kafka引入后将写入请求合并，防止ClickHouse生成大量的小文件，从而影响查询性能；
　　3. Canal-Server支持规则过滤，可以灵活配置上游的MySQL实例的数据库名和表名，并且指明写入的Kafka topic名称；
　　缺点：
　　1. 需要维护Kafka和配置规则；
　　2. ClickHouse需要新建相关的视图、Kafka Engine的外表等；
　　具体步骤
　　一、准备工作
　　1. 如果使用TencentDB，则在控制台确认binlog_format为ROW，无需多余操作。
　　如果是自建MySQL，则在客户端中查询变量：
　　2. 创建账号canal，用于同步binlog
　　二、Canal组件部署
　　前置条件：
　　Canal组件部署的机器需要跟ClickHouse服务和MySQL网络互通；
　　需要在机器上部署java8，配置JAVA_HOME、PATH等环境变量；
　　基本概念：
　　1. Canal-Server组件部署
　　Canal-Server的主要作用是订阅binlog信息并解析和定义instance相关信息，建议每个Canal-Server进程对应一个MySQL实例；
　　1）下载canal.deployer-1.1.4.tar.gz，解压
　　2）修改配置文件conf/canal.properties，需要关注的配置如下：
　　3）配置instance
　　可以参照example新增新的instance，主要修改配置文件conf/${instance_name}/instance.properties文件。
　　订阅 172.21.48.35的MySQL的testdb数据库中的以tb_开头的表的数据变更（例如tb_20200801 、 tb_20200802等），主要的步骤如下：
　　步骤1：创建example2实例：cddeployer/conf && cp -r example example2
　　步骤2：修改deployer/conf/example2/instance.properties文件
　　步骤3：在conf/canal.properties中修改 canal.destinations ，新增example2
　　订阅 172.21.48.35的MySQL的empdb_0数据库的employees_20200801表，empdb_1数据库的employees_20200802表，并且数据写入Kafka；
　　步骤1：创建example2实例：cddeployer/conf && cp -r example example3
　　步骤2：修改deployer/conf/example3/instance.properties文件
　　步骤3：在Kafka中新建topic employees_topic，指定分区数目为3
　　步骤4：在conf/canal.properties中修改 canal.destinations ，新增example3；修改服务模式为kafka，配置kafka相关信息；
　　2. Canal-Adapter组件部署(只针对方案一)
　　Canal-Adapter的主要作用是通过JDBC接口写入ClickHouse数据，可以配置多个表的写入；
　　1）下载canal.adapter-1.1.4.tar.gz，解压；
　　2）在lib目录下新增clickhouse驱动jar包及httpclient的jar包 httpcore-4.4.13.jar、httpclient-4.3.3.jar、clickhouse-jdbc-0.2.4.jar；
　　3）修改配置文件conf/application.yml文件，修改canalServerHost、srcDataSources、canalAdapters的配置；
　　4）修改配置文件conf/rdb/mytest_user.yml文件
　　上述的配置文件中，由于开启了mirrorDb: true，目的端的ClickHouse必须有相同的数据库名和表名。
　　修改adapter的conf/rdb/mytest_user.yml配置文件，指定源数据库和目标数据库
　　在conf/rdb 目录配置多个yml文件，分别指明不同的table名称。
　　Kafka 服务配置
　　一、调整合理的producer参数
　　确认Canal-Server里的canal.properties文件，重要参数见下表；
　　二、新建相关的topic名称
　　根据Canal-Server里instance里配置文件instance.properties，注意分区数目与canal.mq.partitionsNum 保持一致；
　　partition数目需要考虑以下因素：
　　1. 上游的MySQL的数据量。原则上数据写入量越大，应该分配更多的partition数目；
　　2. 考虑下游ClickHouse的实例数目。topic的partition分区总数 最好 不大于 下游ClickHouse的总实例数目，保证每个ClickHouse实例都能至少分配到一个partition；
　　ClickHouse服务配置
　　根据上游MySQL实例的表的schema新建数据表；
　　引入Kafka时需要额外新建Engine=Kafka的外表以及相关的物化视图表；
　　建议：
　　1. 为每个外表新增不同的 kafka_group_name，防止相互影响；
　　2. 设置kafka_skip_broken_messages 参数为合理值，遇到无法解析数据会跳过；
　　3. 设置合理的kafka_num_consumers值，最好保证所有ClickHouse实例该值的总和大于 topic的partition数目；
　　新建相关的分布式查询表；
　　服务启动
　　启动相关的Canal组件进程；
　　1. canal-server: sh bin/startup.sh
　　2. canal-adapter: sh bin/startup.sh
　　在MySQL中插入数据，观察日志是否可以正常运行；
　　如果使用Kafka，可以通过kafka-console-consumer.sh脚本观察binlog数据解析；
　　观察ClickHouse数据表中是否正常写入数据；
　　实际案例
　　需求：实时同步MySQL实例的empdb_0.employees_20200801表和empdb_1.employees_20200802数据表
　　方案：使用方案二
　　环境及参数：
　　1.在MySQL新建相关表
　　2. Canal-Server配置
　　步骤1. 修改conf/canal.properties文件
　　步骤2. 新增employees实例，修改employees/instances.properties配置
　　3. Kafka配置
　　4. 新增topic employees_topic，分区数为3
　　5. ClickHouse建表
　　6. 启动Canal-Server服务
　　MySQL实例上游插入数据，观察数据是否在Canal-Server解析正常，是否在ClickHouse中完成同步。