42.数据采集实现(canal)

2.1 canal 入门
2.1.1 什么是 canal
阿里巴巴 B2B 公司,因为业务的特性,卖家主要集中在国内,买家主要集中在国外,
所以衍生出了同步杭州和美国异地机房的需求,从 2010 年开始,阿里系公司开始逐步的尝
试基于数据库的日志解析,获取增量变更进行同步,由此衍生出了增量订阅&消费的业务。
canal 是用 java 开发的基于数据库增量日志解析,提供增量数据订阅&消费的中间件。
目前,canal 主要支持了 MySQL 的 binlog 解析,解析完成后才利用 canal client 来处理
获得的相关数据。(数据库同步需要阿里的 otter 中间件,基于 canal)。
2.1.2 使用场景
(1) 原始场景:
阿里 otter 中间件的一部分
otter 是阿里用于进行异地数据库之间的同步框架,canal 是其中一部分。
42.数据采集实现(canal)_第1张图片

 

(2) 常见场景 1 :更新缓存
42.数据采集实现(canal)_第2张图片

 

(3) 常见场景 2:抓取业务数据新增变化表,用于制作拉链表。
(4) 常见场景 3 :抓取业务表的新增变化数据,用于制作实时统计(我们就是这种场景)
2.1.3 canal 的工作原理
(1)
MySQL 主从复制过程
Master 主库将改变记录,写到二进制日志(binary log)中
Slave 从库向 mysql master 发送 dump 协议,将 master 主库的 binary log
events 拷贝到它的中继日志(relay log);
Slave 从库读取并重做中继日志中的事件,将改变的数据同步到自己的数据库。
42.数据采集实现(canal)_第3张图片

 

(2)
canal 的工作原理
很简单,就是 把自己伪装成 slave,假装从 master 复制数据
42.数据采集实现(canal)_第4张图片

 

2.1.4 MySQL 的 binlog
(1) 什么是 binlog
MySQL 的二进制日志可以说 MySQL 最重要的日志了,它记录了所有的 DDL 和
DML(除了数据查询语句)语句,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。
一般来说开启二进制日志大概会有 1%的性能损耗。二进制有两个最重要的使用场景:
其一: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。
其二:自然就是数据恢复了,通过使用 mysqlbinlog 工具来使恢复数据。
二进制日志包括两类文件:二进制日志索引文件(文件名后缀为.index)用于记录所有
的二进制文件,二进制日志文件(文件名后缀为.00000*)记录数据库所有的 DDL 和 DML(除
了数据查询语句)语句事件
(2) binlog 的开启
找到 MySQL 配置文件的位置
Linux: /etc/my.cnf
如果/etc 目录下没有,可以通过 locate my.cnf 查找位置
Windows: \my.ini
在 mysql 的配置文件下,修改配置
在[mysqld] 区块,设置/添加 log-bin=mysql-bin
这 个 表 示 binlog 日 志 的 前 缀 是 mysql-bin , 以后生成的日志文件就是
mysql-bin.123456 的文件后面的数字按顺序生成,每次 mysql 重启或者到达单个文件大
小的阈值时,新生一个文件,按顺序编号。
(3) binlog 的分类设置
mysql binlog 的格式有三种,分别是 STATEMENT,MIXED,ROW。
在配置文件中可以选择配置
binlog_format= statement|mixed|row
三种格式的区别:
statement
语句级,binlog 会记录每次一执行写操作的语句。
相对 row 模式节省空间,但是可能产生不一致性,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。
优点:
节省空间
缺点:
有可能造成数据不一致。
row
行级,
binlog 会记录每次操作后每行记录的变化
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,他只记录
执行后的效果。
缺点:占用较大空间。
mixed
statement 的升级版,一定程度上解决了,因为一些情况而造成的 statement 模
式不一致问题
默认还是 statement,在某些情况下譬如:
当函数中包含 UUID() 时;
包含 AUTO_INCREMENT 字段的表被更新时;
执行 INSERT DELAYED 语句时;
用 UDF 时;
会按照 ROW 的方式进行处理
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。
综合上面对比,Cannel 想做监控分析,选择 row 格式比较合适

你可能感兴趣的:(实时数仓,大数据)