Oracle里存储的结构化数据导出到Hadoop体系做离线计算是一种常见数据处置手段。近期有场景需要做Oracle到Hadoop体系的实时导入，这里以此案例做以介绍。
Oracle作为商业化的数据库解决方案，自发性的获取数据库事务日志等比较困难，故选择官方提供的同步工具OGG（Oracle GoldenGate）来解决。
安装与基本配置
环境说明
软件配置
| 角色 | 数据存储服务及版本 | OGG版本 | IP |
|---|---|---|---|
| 源服务器 | OracleRelease11.2.0.1 | Oracle GoldenGate 11.2.1.0 for Oracle on Linux x86-64 | 10.0.0.25 |
| 目标服务器 | Hadoop 2.7.2 | Oracle GoldenGate for Big Data 12.2.0.1 on Linux x86-64 | 10.0.0.2 |
以上源服务器上OGG安装在Oracle用户下，目标服务器上OGG安装在root用户下。
注意
Oracle导出到异构的存储系统，如MySQL，DB2，PG等以及对应的不同平台，如AIX，Windows，Linux等官方都有提供对应的Oracle GoldenGate版本，可在这里或者在旧版本查询下载安装。
Oracle源端基础配置
将下载到的对应OGG版本放在方便的位置并解压，本示例Oracle源端最终的解压目录为/u01/gg。
配置环境变量
这里的环境变量主要是对执行OGG的用户添加OGG相关的环境变量，本示例为Oracle用户添加的环境变量如下：（/home/oracle/.bash_profile文件）Oracle打开归档模式
使用如下命令查看当前是否为归档模式（archive）如非以上状态，手动调整即可
Oracle打开日志相关
OGG基于辅助日志等进行实时传输，故需要打开相关日志确保可获取事务内容。通过一下命令查看当前状态：如果以上查询结果非YES，可通过以下命令修改状态：
Oracle创建复制用户
为了使Oracle里用户的复制权限更加单纯，故专门创建复制用户，并赋予dba权限最终这个ggs帐号的权限如下所示：
OGG初始化
进入OGG的主目录执行./ggsci，进入OGG命令行Oracle创建模拟复制库表
模拟建一个用户叫tcloud，密码tcloud，同时基于这个用户建一张表，叫t_ogg。
目标端基础配置
将下载到的对应OGG版本放在方便的位置并解压，本示例Oracle目标端最终的解压目录为/data/gg。
配置环境变量
这里需要用到HDFS相关的库，故需要配置java环境变量以及OGG相关，并引入HDFS的相关库文件，参考配置如下：OGG初始化
目标端的OGG初始化和源端类似进入OGG的主目录执行./ggsci，进入OGG命令行
Oracle源配置
Oracle实时传输到Hadoop集群（HDFS，Hive，Kafka等）的基本原理如图：
根据如上原理，配置大概分为如下步骤：源端目标端配置ogg管理器（mgr）；源端配置extract进程进行Oracle日志抓取；源端配置pump进程传输抓取内容到目标端；目标端配置replicate进程复制日志到Hadoop集群或者复制到用户自定义的解析器将最终结果落入到Hadoop集群。
配置全局变量
在源端服务器OGG主目录下，执行./ggsci到OGG命令行下，执行如下命令：
其中./globals变量没有的话可以用edit params ./globals来编辑添加即可（编辑器默认使用的vim）
配置管理器mgr
在OGG命令行下执行如下命令：
说明：PORT即mgr的默认监听端口；DYNAMICPORTLIST动态端口列表，当指定的mgr端口不可用时，会在这个端口列表中选择一个，最大指定范围为256个；AUTORESTART重启参数设置表示重启所有EXTRACT进程，最多5次，每次间隔3分钟；PURGEOLDEXTRACTS即TRAIL文件的定期清理
在命令行下执行start mgr即可启动管理进程，通过info mgr可查看mgr状态
添加复制表
在OGG命令行下执行添加需要复制的表的操作，如下：
配置extract进程
配置extract进程OGG命令行下执行如下命令：
说明：第一行指定extract进程名称；dynamicresolution动态解析；SETENV设置环境变量，这里分别设置了Oracle数据库以及字符集；userid ggs,password ggs即OGG连接Oracle数据库的帐号密码，这里使用2.3.4中特意创建的复制帐号；exttrail定义trail文件的保存位置以及文件名，注意这里文件名只能是2个字母，其余部分OGG会补齐；table即复制表的表明，支持*通配，必须以;结尾
接下来在OGG命令行执行如下命令添加extract进程：
最后添加trail文件的定义与extract进程绑定：
可在OGG命令行下通过info命令查看状态：
配置pump进程
pump进程本质上来说也是一个extract，只不过他的作用仅仅是把trail文件传递到目标端，配置过程和extract进程类似，只是逻辑上称之为pump进程
在OGG命令行下执行：
说明：第一行指定extract进程名称；passthru即禁止OGG与Oracle交互，我们这里使用pump逻辑传输，故禁止即可；dynamicresolution动态解析；userid ggs,password ggs即OGG连接Oracle数据库的帐号密码，这里使用2.3.4中特意创建的复制帐号；rmthost和mgrhost即目标端OGG的mgr服务的地址以及监听端口；rmttrail即目标端trail文件存储位置以及名称
分别将本地trail文件和目标端的trail文件绑定到extract进程：
同样可以在OGG命令行下使用info查看进程状态：
配置define文件
Oracle与MySQL，Hadoop集群（HDFS，Hive，kafka等）等之间数据传输可以定义为异构数据类型的传输，故需要定义表之间的关系映射，在OGG命令行执行：
在OGG主目录下执行：./defgen paramfile dirprm/tcloud.prm
完成之后会生成这样的文件/u01/gg/dirdef/tcloud.t_ogg，将这个文件拷贝到目标端的OGG主目录下的dirdef目录即可。
目标端的配置
创建目标表（目录）
这里主要是当目标端为HDFS目录或者Hive表或者MySQL数据库时需要手动先在目标端创建好目录或者表，创建方法都类似，这里我们模拟实时传入到HDFS目录，故手动创建一个接收目录即可hadoop –fs mkdir /gg/replication/hive/
配置管理器mgr
目标端的OGG管理器（mgr）和源端的配置类似，在OGG命令行下执行：
配置checkpoint
checkpoint即复制可追溯的一个偏移量记录，在全局配置里添加checkpoint表即可
保存即可
配置replicate进程
在OGG的命令行下执行：
说明：REPLICATE r2hdfs定义rep进程名称；sourcedefs即在3.6中在源服务器上做的表映射文件；TARGETDB LIBFILE即定义HDFS一些适配性的库文件以及配置文件，配置文件位于OGG主目录下的dirprm/hdfs.props；REPORTCOUNT即复制任务的报告生成频率；GROUPTRANSOPS为以事务传输时，事务合并的单位，减少IO操作；MAP即源端与目标端的映射关系
其中property=dirprm/hdfs.props的配置中，最主要的几项配置及注释如下：
具体的OGG for Big Data支持参数以及定义可参考地址
最后在OGG的命令行下执行：
将文件与复制进程绑定即可
测试
启动进程
在源端和目标端的OGG命令行下使用start [进程名]的形式启动所有进程。
启动顺序按照源mgr——目标mgr——源extract——源pump——目标replicate来完成。
检查进程状态
以上启动完成之后，可在源端与目标端的OGG命令行下使用info [进程名]来查看所有进程状态，如下：
源端：
目标端：
所有的状态均是RUNNING即可。（当然也可以使用info all来查看所有进程状态）
测试同步更新效果
测试方法比较简单，直接在源端的数据表中insert，update，delete操作即可。由于Oracle到Hadoop集群的同步是异构形式，目前尚不支持truncate操作。
源端进行insert操作
查看源端trail文件状态
查看目标端trail文件状态
查看HDFS中是否有写入
注意：从写入到HDFS的文件内容看，文件的格式如下：
很明显Oracle的数据已准实时导入到HDFS了。导入的内容实际是一条条的类似流水日志（具体日志格式不同的传输格式，内容略有差异，本例使用的delimitedtext。格式为操作符 数据库.表名 操作时间戳(GMT+0) 当前时间戳(GMT+8) 偏移量 字段1名称 字段1内容 字段2名称 字段2内容），如果要和Oracle的表内容完全一致，需要客户手动实现解析日志并写入到Hive的功能，这里官方并没有提供适配器。目前腾讯侧已实现该功能的开发。
当然你可以直接把这个HDFS的路径通过LOCATION的方式在Hive上建外表（external table）达到实时导入Hive的目的。
总结
OGG for Big Data实现了Oracle实时同步到Hadoop体系的接口，但得到的日志目前仍需应用层来解析（关系型数据库如MySQL时OGG对应版本已实现应用层的解析，无需人工解析）。
OGG的几个主要进程mgr，extract，pump，replicate配置方便，可快速配置OGG与异构关系存储结构的实时同步。后续如果有新增表，修改对应的extract，pump和replicate进程即可，当然如果是一整个库，在配置上述2个进程时，使用通配的方式即可。
附录
OGG到Hadoop体系的实时同步时，可在源端extract和pump进程配置不变的情况下，直接在目标端增加replicate进程的方式，增加同步目标，以下简单介绍本示例中增加同步到Kafka的配置方法。
本示例中extract，pump进程都是现成的，无需再添加。只需要在目标端增加同步到Kafka的replicate进程即可。
在OGG的命令行下执行：
replicate进程和导入到HDFS的配置类似，差异是调用不同的配置dirprm/r2kafka.props。这个配置的主要配置如下：
r2kafka.props引用的custom_kafka_producer.properties定义了Kafka的相关配置如下：
以上配置以及其他可配置项可参考地址：
以上配置完成后，在OGG命令行下添加trail文件到replicate进程并启动导入到Kafka的replicate进程
检查实时同步到kafka的效果，在Oracle源端更新表的同时，使用kafka客户端自带的脚本去查看这里配置的ggtopic这个kafkatopic下的消息：
目标端Kafka的同步情况：
显然，Oracle的数据已准实时同步到Kafka。从头开始消费这个topic发现之前的同步信息也存在。架构上可以直接接Storm，SparkStreaming等直接消费kafka消息进行业务逻辑的处理。
从Oracle实时同步到其他的Hadoop集群中，官方最新版本提供了HDFS，HBase，Flume和Kafka，相关配置可参考官网给出的例子配置即可。
版权声明：本文由王亮原创文章，转载请注明出处:
文章原文链接：https://www.qcloud.com/community/article/220
来源：腾云阁 https://www.qcloud.com/community