如何用gpss实现Oracle到Greenplum的增量同步

了解更多Greenplum技术干货，欢迎访问Greenplum中文社区网站

之前我们在《如何用gpss实现MySQL到Greenplum的增量同步》中详细介绍了MySQL到Greenplum增量同步的实现步骤。今天将给大家讲一讲Oracle到Greenplum又是如何实现的。

​Oracle数据库虽然在OLTP领域仍有着毋庸置疑的优势地位，但在OLAP领域与Greenplum则是差距显著。如今已经有越来越多的分析型业务从Oracle迁移到Greenplum，在《如何从Oracle迁移到Greenplum》系列文章中，详细介绍了业务的迁移的最佳实践；而数据迁移中最核心的就是如何实现数据的实时增量同步。

对增量同步而言，gpss作为一个流计算框架，与源端是解耦的，因此只要Kafka topic中的消息，包含足够的信息，gpss都可以提取变化的数据并重放到gp中。之前介绍了如何利用gpss同步来自Maxwell和Mysql的增量数据，这里再以Oracle Golden Gate为例，介绍如何实时同步来自Oracle的增量数据。

1 测试环境

• Oracle

• Oracle Golden Gate

• Kafka 2.2.2

• Greenplum 6.4.0

• GPSS 1.3.6

我们要完成的工作是:

• 通过GoldenGate将Oracle中的增量数据以json格式发送到Kafka （略）

• 利用gpss解析kafka中的json消息

• 将变化的数据更新到Greenplum的目标表中

2 测试数据简介

测试使用的表在Oracle中定义如下：

CREATE TABLE SIEBEL_TEST.TEST_POC(
   ID numeric,
   NAME varchar2 (50),
   BIRTHDAY date
)

其中 ID 列为键，用来唯一标识一条记录， NAME 和 BIRTHDAY 为更新字段。

在源端分别对这个表进行了insert，update和delete操作。

Insert语句为:

insert into test_poc values (1, 'Igor', '01-JAN-2000');

Update语句为:

update test_poc set birthday=add_months(birthday,1) where id <3;

Delete语句为:

delete from test_poc where id=3;

3 Kafka的消息格式

接下来我们对Golden Gate的这三种类型的消息进行简单的分析。

Insert时生成的消息示例如下：

{
  "table": "SIEBEL_TEST.TEST_POC",
  "op_type": "I",
  "op_ts": "2019-11-21 10:05:34.000000",
  "current_ts": "2019-11-21T11:05:37.823000",
  "pos": "00000000250000058833",
  "tokens": {
    "TK_OPTYPE": "INSERT",
    "SCN": ""
  },
  "after": {
    "ID": 1,
    "NAME": "Igor",
    "BIRTHDAY": "2000-01-01 00:00:00"
  }
}

Table表示源表的表名，current_ts表示操作发生的时间，这里我们用它做排序；op_type和after表示执行的操作及对应的数据。

Delete生成的消息如下，op_type为"D"，同时before中包含了完整的内容。

{
  "table": "SIEBEL_TEST.TEST_POC",
  "op_type": "D",
  "op_ts": "2019-11-21 10:13:19.000000",
  "current_ts": "2019-11-21T11:13:23.060002",
  "pos": "00000000250000059999",
  "tokens": {
    "TK_OPTYPE": "DELETE",
    "SCN": ""
  },
  "before": {
    "ID": 3,
    "NAME": "Gianluca",
    "BIRTHDAY": "2002-01-01 00:00:00"
  }
}

Update除了包含新数据(after)外，还包含了更新之前的数据(before), op_type类型为’U’。

{
  "table": "SIEBEL_TEST.TEST_POC",
  "op_type": "U",
  "op_ts": "2019-11-21 10:13:19.000000",
  "current_ts": "2019-11-21T11:13:23.060000",
  "pos": "00000000250000059561",
  "tokens": {
    "TK_OPTYPE": "SQL COMPUPDATE",
    "SCN": ""
  },
  "before": {
    "ID": 1,
    "NAME": "Igor",
    "BIRTHDAY": "2000-01-01 00:00:00"
  },
  "after": {
    "ID": 1,
    "NAME": "Igor",
    "BIRTHDAY": "2000-02-01 00:00:00"
  }
}

根据生成的消息，我们需要执行如下操作：

• 根据id对消息去重

• 根据ts对消息排序

• 对op_type为D的列执行删除操作

• 对其它type类型执行Merge(upsert)操作

4 执行gpss的Kafka JOB

Greenplum中的定义包含了用于排序的字段ts，用来区分消息更新的先后顺序，定义如下：

CREATE TABLE test_poc(
   id numeric,
   name varchar (50),
   birthday date,
   ts timestamp
);

根据数据同步的需求，gpss需要的yaml配置文件如下：

DATABASE: test
​USER: gpadmin
HOST: mdw
PORT: 5432
VERSION: 2
KAFKA:
   INPUT:
      SOURCE:
        BROKERS: kafkahost:9092
        TOPIC: oggpoc
      VALUE:
        COLUMNS:
          - NAME: c1
            TYPE: json
        FORMAT: json
      ERROR_LIMIT: 100
   OUTPUT:
      MODE: MERGE
      MATCH_COLUMNS:
        - id
      UPDATE_COLUMNS:
        - name
        - birthday
      ORDER_COLUMNS:
        - ts
      DELETE_CONDITION: c1->>'op_type' = 'D'
      TABLE: test_poc
      MAPPING:
         - NAME: id
           EXPRESSION: |
              CASE WHEN ((c1->'after')::json is not null) THEN (c1->'after'->>'ID')::integer
              ELSE (c1->'before'->>'ID')::integer end
         - NAME: name
           EXPRESSION: |
              CASE WHEN ((c1->'after')::json is not null) THEN (c1->'after'->>'NAME')::text
              ELSE null end
         - NAME: birthday
           EXPRESSION: |
              CASE WHEN ((c1->'after')::json is not null) THEN (c1->'after'->>'BIRTHDAY')::date
              ELSE null end
         - NAME: ts
           EXPRESSION: (c1->>'current_ts')::timestamp
   COMMIT:
      MINIMAL_INTERVAL: 2000

相关字段的含义和gpss实际执行的操作可参见参考文献[2]，这里着重介绍下有区别的的地方，也就是由于insert和update操作的实际内容包含在after中，而delete的内容包含在before中，每个字段的内容需要额外的判断逻辑：有after时读取after中的内容，否则读取before中的内容。

此外需要注意的是，当新消息的ORDER_COLUMNS的内容有重复时，gpss会把所有的包含重复内容的行，都记录到目标表中；这样的主要目的是为了避免数据丢失。因此在实际使用时一定要确保排序地段的唯一性。

配置文件准备好后，我们通过gpkafka来执行加载:

gpkafka load ogg.yaml

gpkafka便会从kafka中拉取对应的消息，按照设定的操作将Kafka中的增量数据同步到目标表中。

5 小结

这里简单介绍了如何用gpss从Kafka消费GoldenGate生成的Oracle增量数据进行同步，其它数据库及CDC工具（例如Informatica，StreamSet，NIFI等）也都可以利用类似的方案实现同步。今后会做更多的相关介绍，欢迎大家试用，反馈，指导。

6 参考文献

1. https://github.com/pdeemea/kafka-gpss-replication

2. 如何用gpss实现MySQL到Greenplum的增量同步

3. https://gpdb.docs.pivotal.io/streaming-server