Kafka（六）利用Kafka Connect+Debezium通过CDC方式将Oracle数据库的数据同步至PostgreSQL中

背景

平时一些业务场景可能需要我们在多个系统之间进行业务同步，典型的场景有如下几种

1. 将数据表同步至ElasticSearch以提高搜索速度。
2. 同一张表的数据需要在多个数据库之间进行同步。多个数据库可能是同一种数据库，也可能是本文中的例子一样，是不同数据库之间进行同步
3. 在同一个数据库中不同的表进行同步。例如表A中新增数据时，我们也需要在表B中进行一些数据操作

上述3个场景的共同要求基本都是，当数据源有新数据时，我们希望马上同步到目标，尽量减少延迟；在同步期间尽量减少对数据源的影响。

解决方案

场景一

对于场景一，我们可以使用的解决方案是Logstash的Jdbc插件。该插件的基本原理是，通过SQL和定期查询，获得新数据之后，送到ES中。但这种解决方案会存在一定的延时，并且如果没新增数据，频繁查询是没必要的。

如果数据库是MySQL，也可以选择阿里的cannal，这样解决了上述问题。现实情况可能是，我们在用PostgreSQL，所以只能选择Logstash。

场景二

对于场景二，如果是同一种数据库，例如Mysql，还是可以选择阿里的cannal。 但是对于其他数据库，例如是Oracle和PostgreSQL，就没办法了

场景三

对于场景三，现有的数据库中，无论哪个数据库，我们都可以使用Trigger-触发器来实现。但触发器增加了原本的SQL的执行时间，同时增加触发器需要更改对应的表结构。另一种方案是使用代码，在代码中进行处理，但这样增加了复杂度。

从目前解决的方案来看，都不是很完美。

CDC-Change Data Capture如何解决上述问题

CDC工作原理

每种数据库都有一个至关重要的日志，用来记录数据库中所有修改操作。

1. Oracle数据库的日志是Redo Log
2. MySQL数据库的日志是Binary Log
3. PostgreSQL数据库的日志是Write Ahead Log

通过监控这些日志，当源数据库发生改变时，监控该日志的软件将识别并提取其中的数据变更操作。当数据库中的数据发生插入、更新或删除时，CDC会捕获并记录这些变更操作的详细信息，包括受影响的表、修改前后的值以及执行操作的时间戳等。这些变更数据可以被传递给其他系统或应用程序，以便它们可以根据这些变更进行相应的处理。

CDC不需要对源数据库进行更改，并且不会对源数据库造成性能损耗。

Kafka Connect 和 Debezium简单介绍

Kafka Connect需要两个connector：

1. sourceConnector.jar，将源数据导入至Kafka的topic中
2. sinkConnector.jar，将Kafka topic中的数据导入至目标源

但是Kafka并没有提供特别丰富的connector，那么Debezium就出现了。

你可以把Debezium简单理解成是CDC技术的一种实现，并提供了很多数据库的sourceConnector.jar和sinkConnector.jar

场景二的例子，将Oracle数据库的数据通过CDC方式同步至PostgrSQL中

为了完成此demo，我们需要

1. 一个三节点的kafka集群
2. 安装Oracle数据库和PostgreSQL数据库
3. debezium
4. docker环境

docker-compose文件以及如何配置全部在GitHub上，想要自己体验一下的同学，请按照仓库中的步骤一步一步运行即可。如有问题可在本博文下留言即可。

使用Debezium时遇到问题的排查思路

核心思路就一条，仔细阅读 Debezium官方的Connector文档，特别是每个Connector的第一部分How the connector works

场景一和场景三的实现思路

理解了上述CDC部分，并且如果你能一步一步跟着源码自己动手体验一次。 那么你会很容易知道如何处理场景一和场景三，场景一和场景三无非是使用不同的sourceConnector.jar和sinkConnector.jar，那么我们的问题就变成了怎么找这些jar包？

去confluent hub搜索即可，提供了大量的jar包，包括Elasticsearch相关的sourceConnector、sinkConnector。每个jar包都有对应的文档。

ETL(Extract, Transform, and Load)和Flink CDC

实际业务场景复杂多样，可能不光光是原封不动的复制数据，特别是有一些复杂报表的场景。我们需要对不同数据表的进行同步，并在同步过程中将多个表的数据组织在一起，形成一条有效记录，然后导入到目标源，上述过程就是ETL。

Flink CDC是基于Flink的实现方案，我本人并没有使用过它，这里提一下主要是觉得可能对看博文的你做技术决策有些帮助，根据自己的实际情况去选择适合自己的技术方案。

写在最后

因为我也是才开始慢慢使用CDC解决部分业务场景，所以目前关于Debezium和Kafka Connect的最佳实践还没有特别好的经验分享。基于这个原因，本篇博文并没有太多可供参考的经验，仅仅介绍CDC的思想、提供一些基础示例、不同解决方案的思考思路

参考资料

• datacater的博文