大数据高级开发工程师——大数据相关工具之三 Maxwell

大数据相关工具

Maxwell数据实时同步工具

Maxwell 简介

• Maxwell 是一个能实时读取 MySQL 二进制日志文件binlog，并生成 Json格式的消息，作为生产者发送给 Kafka、Kinesis、RabbitMQ、Redis、Google Cloud Pub/Sub、文件或其它平台的应用程序。它的常见应用场景有ETL、维护缓存、收集表级别的 DML 指标、增量到搜索引擎、数据分区迁移、切库binlog回滚方案等。
• 官网地址：http://maxwells-daemon.io
• GitHub地址：https://github.com/zendesk/maxwell
• Maxwell 主要功能：
  • 支持 select * from table 方式进行全量数据初始化；
  • 支持在主库发生 failover 后，自动恢复 binlog 位置，实现断点续传；
  • 可以对数据进行分区，解决数据倾斜问题，发送到 Kafka 的数据支持库、表、列等级别的数据分区；
  • 工作方式是伪装为 slave 接收 binlog events，然后根据 schema 信息拼装，可以接受 ddl、xid、row 等event。

MySQL Binlog 介绍

1. Binlog简介

• MySQL 中有以下几种日志：
  • 错误日志：记录在启动，运行或停止mysqld时遇到的问题
  • 通用日志：记录建立的客户端连接和执行的语句
  • 二进制日志(bin log)：记录更改数据的语句
  • 中继日志：从服务器 复制 主服务器接收的数据更改
  • 慢查询日志：记录所有执行时间超过 long_query_time 秒的所有查询或不使用索引的查询
  • DDL 日志(元数据日志)：元数据操作由 DDL 语句执行
• 在默认情况下，系统仅仅打开错误日志，关闭了其他所有日志，以达到尽可能减少IO损耗提高系统性能的目的，但是在一般稍微重要一点的实际应用场景中，都至少需要打开二进制日志，因为这是MySQL很多存储引擎进行增量备份的基础，也是MySQL实现复制的基本条件。
• MySQL 的二进制日志 binlog 可以说是 MySQL 最重要的日志，它记录了所有的 DDL 和 DML 语句（除了数据查询语句select、show等），以事件形式记录，还包含语句所执行的消耗的时间，MySQL的二进制日志是事务安全型的。binlog 的主要目的是复制和恢复。
  • MySQL主从复制：MySQL Replication 在 Master 端开启 binlog，Master 把它的二进制日志传递给slaves 来达到 master-slave 数据一致的目的。
  • 数据恢复：通过使用 mysqlbinlog 工具来使恢复数据。

2. Binlog的日志格式

• 记录在二进制日志中的事件的格式取决于二进制记录格式，支持三种格式类型：
  • Statement：基于 SQL 语句的复制（statement-based replication, SBR）
  • Row：基于行的复制（row-based replication, RBR）
  • Mixed：混合模式复制（mixed-based replication, MBR）
• Statement：
  • 每一条会修改数据的sql都会记录在binlog中。
  • 优点：不需要记录每一行的变化，减少了binlog日志量，节约了IO，提高了性能。
  • 缺点：在进行数据同步的过程中有可能出现数据不一致，比如 update tt set create_date=now()，如果用binlog日志进行恢复，由于执行时间不同可能产生的数据就不同。
• Row：
  • 它不记录sql语句上下文相关信息，仅保存哪条记录被修改。
  • 优点：保持数据的绝对一致性。因为不管sql是什么，引用了什么函数，它只记录执行后的效果。
  • 缺点：每行数据的修改都会记录，最明显的就是update语句，导致更新多少条数据就会产生多少事件，占用较大空间。
• Mixed：
  • 从5.1.8版本开始，MySQL提供了Mixed格式，实际上就是Statement与Row的结合。在Mixed模式下，一般的复制使用Statement模式保存binlog，对于Statement模式无法复制的操作使用Row模式保存binlog， MySQL会根据执行的SQL语句选择日志保存方式（因为statement只有sql，没有数据，无法获取原始的变更日志，所以一般建议为Row模式)。
  • 优点：节省空间，同时兼顾了一定的一致性。
  • 缺点：还有些极个别情况依旧会造成不一致，另外statement和mixed对于需要对binlog的监控的情况都不方便。

Mysql 实时数据同步方案对比

• mysql 数据实时同步可以通过解析mysql的 binlog 的方式来实现，解析binlog可以有多种方式，可以通过canal，或者maxwell等各种方式实现。以下是各种抽取方式的对比介绍：

对比项	Canal	Maxwell	mysql_streamer
开源方	阿里巴巴	zendesk	Yelp
语言	Java	Java	Python
活跃度	活跃	活跃	活跃
HA	支持	定制	支持
数据落地	定制	Kafka等	Kafka
分区	支持	支持	不支持
bootstrap	不支持	支持	支持
数据格式	格式自由	json(固定)	json(固定)
文档	较详细	较详细	粗略
随机读	支持	支持	支持

• 其中canal由 Java开发，分为服务端和客户端，拥有众多的衍生应用，性能稳定，功能强大；canal 需要自己编写客户端来消费 canal 解析到的数据。
• Maxwell相对于canal的优势是使用简单，Maxwell比Canal更加轻量级，它直接将数据变更输出为json字符串，不需要再编写客户端。对于缺乏基础建设，短时间内需要快速迭代的项目和公司比较合适。
• 另外Maxwell 有一个亮点功能，就是Canal只能抓取最新数据，对已存在的历史数据没有办法处理。而Maxwell有一个bootstrap功能，可以直接引导出完整的历史数据用于初始化，非常好用。

开启MySQL的Binlog

• mysql的版本尽量不要太低，也不要太高，最好使用5.6及以上版本。
• 添加mysql普通用户maxwell，因为maxwell这个软件默认用户使用的是maxwell这个用户。

-- 校验级别最低，只校验密码长度
mysql> set global validate_password_policy=LOW;
mysql> set global validate_password_length=6;

-- 创建maxwell库（启动时候会自动创建，不需手动创建）和用户
mysql> CREATE USER 'maxwell'@'%' IDENTIFIED BY '123456';
mysql> GRANT ALL ON maxwell.* TO 'maxwell'@'%';
mysql> GRANT SELECT, REPLICATION CLIENT, REPLICATION SLAVE on *.* to 'maxwell'@'%'; 

-- 刷新权限
mysql> flush privileges;

• 修改配置文件 sudo vim /etc/my.cnf，添加或修改以下三行配置：

# binlog日志名称前缀
log-bin=/var/lib/mysql/mysql-bin
# binlog日志格式
binlog-format=ROW
# 唯一标识，这个值的区间是：1到(2^32)-1
server_id=1

• 重启 MySQL 服务

sudo service mysqld restart

• 验证 binlog 是否配置成功

show variables like '%log_bin%';

• 查看binlog日志文件生成：进入 /var/lib/mysql 目录，查看binlog日志文件

Maxwell 安装部署

• 安装包下载&解压：

wget https://github.com/zendesk/maxwell/releases/download/v1.21.1/maxwell-1.21.1.tar.gz
tar -zxvf maxwell-1.21.1.tar.gz -C /bigdata/install

• 修改maxwell配置文件：

cd /bigdata/install/maxwell-1.21.1/
cp config.properties.example config.properties
vim config.properties

• 配置文件config.properties 内容如下：

# choose where to produce data to
producer=kafka
# list of kafka brokers
kafka.bootstrap.servers=node01:9092,node02:9092,node03:9092
# mysql login info
host=node03
port=3306
user=maxwell
password=123456
# kafka topic to write to
kafka_topic=maxwell

Maxwell 实时采集案例

• 关于 kafka 的安装和使用，请参考我之前的博文：JavaEE 企业级分布式高级架构师（十二）Kafka学习笔记
• 启动kafka集群和zookeeper集群

zkServer.sh start
bin/kafka-server-start.sh -daemon config/server.properties

• 创建 topic

# /usr/apps/kafka
bin/kafka-topics.sh --create --bootstrap-server 192.168.254.128:9092 --replication-factor 2 --partitions 3 --topic maxwell
# 查看topic
bin/kafka-topics.sh --list --bootstrap-server 192.168.254.128:9092

• node01 启动 kafka 自带控制台消费者

bin/kafka-console-consumer.sh --bootstrap-server 192.168.254.128:9092 --topic maxwell --from-beginning

• node03 启动maxwell服务

maxwell

• 插入数据进行测试，向mysql表中插入一条数据，查看kafka是否能够接收到数据

CREATE DATABASE /*!32312 IF NOT EXISTS*/`test_db` /*!40100 DEFAULT CHARACTER SET utf8 */;

USE `test_db`;

/*Table structure for table `user` */

DROP TABLE IF EXISTS `user`;

CREATE TABLE `user` (
  `id` varchar(10) NOT NULL,
  `name` varchar(10) DEFAULT NULL,
  `age` int(11) DEFAULT NULL,
  PRIMARY KEY (`id`)
) ENGINE=InnoDB DEFAULT CHARSET=utf8;

/*Data for the table `user` */
-- 插入数据
insert  into `user`(`id`,`name`,`age`) values  ('1','xiaokai',20);
-- 修改数据
update `user` set age= 30 where id='1';
-- 删除数据
delete from `user` where id='1';

• 输出 json 数据字段说明：

字段	说明
database	数据库名称
table	表名称
type	操作类型，包括 insert、update、delete 等
ts	操作时间戳
xid	事务id
commit	同一个 xid 代表同一个事务，事务的最后一条语句会有 commit
data	最新的数据，修改后的数据
old	旧数据，修改前的数据