使用ETLCloud实现CDC实时数据集成：从MySQL到ClickHouse的实时数据同步

背景

在上一篇文章中体验了 ETLCloud 的离线数据迁移功能，就像大数据领域里有离线计算和实时计算， ETLCloud 还提供了基于 CDC （Change Data Capture）的实时数据集成功能：实时数据集成是指通过变化数据捕获技术（ CDC ）实时监测数据库中的变化数据，并捕获这些变化数据传输到 MQ 或数据库中提供给目标端消费。
今天以单表的 CDC 为例来体验下 ETLCloud 的实时数据集成功能，循序渐进，后续再实践下将多数据源或者多个表合并为大宽表。
依然使用诗词数据库，对数据库中的诗词表数据进行近实时的监听；依托 ETLCloud 的 CDC 功能，借助 MySQL 的 binlog 机制（即 MySQL 主从同步的原理，我们熟悉的阿里开源的 Canal 同步工具，同样利用的这一原理，包括：基于语句和基于行的复制；无论是基于语句的复制，还是基于行的复制，都是通过在主库上记录二进制日志，在从库上重放日志的方式实现异步的数据复制）实现从 MySQL 到 ClickHouse 的实时数据同步。

数据集

MySQL数据库中的库表 poetry 结构如下，数据量： 311828 。

CREATE TABLE `poetry` (
	`id` INT(11) UNSIGNED NOT NULL AUTO_INCREMENT,
	`title` VARCHAR(150) NOT NULL COLLATE 'utf8mb4_unicode_ci',
	`yunlv_rule` TEXT NOT NULL COLLATE 'utf8mb4_unicode_ci',
	`author_id` INT(10) UNSIGNED NOT NULL,
	`content` TEXT NOT NULL COLLATE 'utf8mb4_unicode_ci',
	`dynasty` VARCHAR(10) NOT NULL COMMENT '诗所属朝代（S-宋代, T-唐代）' COLLATE 'utf8mb4_unicode_ci',
	`author` VARCHAR(150) NOT NULL COLLATE 'utf8mb4_unicode_ci',
	PRIMARY KEY (`id`) USING BTREE
)
COLLATE='utf8mb4_unicode_ci'
ENGINE=InnoDB
AUTO_INCREMENT=311829;

ClickHouse 中的建表语句：

CREATE TABLE poetry.poetry (`id` Int32, `title` String, `yunlv_rule` String, `author_id` Int32, `content` String, `dynasty` String, `author` String) ENGINE = MergeTree() PRIMARY KEY id ORDER BY id SETTINGS index_granularity = 8192

Note：这里采用 MergeTree 引擎，如果使用 MySQL 引擎，后续的大数据查询分析效率会很低。。

基础环境

数据库服务部署在多云环境下，共涉及到3台云主机，操作系统及配置如下：

MySQL所在主机（阿里云）
操作系统：Ubuntu16

root@ali:~# uname -a
Linux ali 4.4.0-62-generic #83-Ubuntu SMP Wed Jan 18 14:10:15 UTC 2017 x86_64 x86_64 x86_64 GNU/Linux

root@iZuf69c5h89bkzv0aqfm8lZ:~# cat /etc/os-release
NAME="Ubuntu"
VERSION="16.04.2 LTS (Xenial Xerus)"
ID=ubuntu
ID_LIKE=debian
PRETTY_NAME="Ubuntu 16.04.2 LTS"
VERSION_ID="16.04"
…

基本配置：2C8G
数据库版本：5.7.22-0ubuntu0.16.04.1

ClickHouse所在主机（华为云）
操作系统：CentOS 6

[root@ecs-xx-0003 ~]# uname -a
Linux ecs-xx-0003 2.6.32-754.15.3.el6.x86_64 #1 SMP Tue Jun 18 16:25:32 UTC 2019 x86_64 x86_64 x86_64 GNU/Linux
[root@ecs-xx-0003 ~]# cat /proc/version 
Linux version 2.6.32-754.15.3.el6.x86_64 (mockbuild@x86-01.bsys.centos.org) (gcc version 4.4.7 20120313 (Red Hat 4.4.7-23) (GCC) ) #1 SMP Tue Jun 18 16:25:32 UTC 2019

基本配置：4C8G
数据库版本：19.9.5.36

[root@ecs-xx-0003 clickhouse-server]# clickhouse-server --version
ClickHouse server version 19.9.5.36.

ETLCloud所在主机（本地虚拟机）
操作系统：CentOS 7
基本配置：2C4G

Note：上一篇用到的腾讯云主机到期释放了，就在本地虚拟机使用 Docker 重新部署了一套 ETLCloud ，这里选择的是社区版，采用 Docker 部署的方式轻量、快速启动： docker pull ccr.ccs.tencentyun.com/restcloud/restcloud-etl:V2.2

实时数据同步实践

接下来，进入我们的实时数据同步实践：全程零代码、可视化、鼠标点一点即可完成从 MySQL 到 ClickHouse 的实时数据同步。

开启MySQL的CDC

我的 MySQL 服务部署在阿里云的 Ubuntu 上，编辑配置文件： vi /etc/mysql/my.cnf 。

[mysqld]
log-bin=db218-bin
server-id=218
binlog-do_db=poetry # 开启指定库的binlog
binlog-format=row # 设置二进制日志格式为行级别，这是支持CDC必须的

数据源配置

共涉及两个数据源 MySQL 与 ClickHouse ，直接选择对应的数据库，配置好地址、端口、用户名密码，测试连接成功即可。

新增监听器

从首页的实时数据集成——>数据库监听器——>新增监听器。
选择前面创建的 MySQL 数据源，采用白名单方式，可以自动载入数据库和数据表进行下拉选择。

采用最简单“直接传输到目标库”的方式实现 CDC 数据同步，选择前面创建的 ClickHouse 数据源。

如果希望同步历史数据，可以选择全量+增量。

之后，便可以启动监听，理论上对数据表的查询、修改以及删除操作均会被监听到。

测试语句准备

在实际测试 CDC 近实时的实际同步前，我先用 ChatGPT 生成了一首唐诗：模仿李白的风格，作一首以端午为主题的七言绝句。

粽叶飘香端午至，龙舟竞渡水波涛。五月初五传古意，粽香扑鼻诗情高。

INSERT INTO `poetry` (`id`, `title`, `yunlv_rule`, `author_id`, `content`, `dynasty`, `author`) VALUES (311829, '端午', '七律测试', 105, '叶飘香端午至，龙舟竞渡水波涛。五月初五传古意，粽香扑鼻诗情高。', 'T', '李白');

UPDATE poetry SET yunlv_rule = "七律更新" WHERE id = 311829;

DELETE FROM poetry WHERE id = 311829;

INSERT INTO `poetry` (`title`, `yunlv_rule`, `author_id`, `content`, `dynasty`, `author`) VALUES ('端午', '七律插入', 105, '叶飘香端午至，龙舟竞渡水波涛。五月初五传古意，粽香扑鼻诗情高。', 'T', '李白');

插入测试

在MySQL中执行以下插入语句，然后查看下 ETLCloud 的可视化数据统计，再到 ClickHouse 端确认下新增的数据是否同步成功。

-- 指定ID插入
INSERT INTO `poetry` (`id`, `title`, `yunlv_rule`, `author_id`, `content`, `dynasty`, `author`) VALUES (311829, '端午', '七律测试', 105, '叶飘香端午至，龙舟竞渡水波涛。五月初五传古意，粽香扑鼻诗情高。', 'T', '李白');

Note：由于这里用的 ClickHouse 版本较低，还没有提供 Web 版的 PlayGround ，就直接通过命令行客户端进行连接查询了。

-- 省略ID插入，主键自增
INSERT INTO `poetry` (`title`, `yunlv_rule`, `author_id`, `content`, `dynasty`, `author`) VALUES ('端午', '七律插入', 105, '叶飘香端午至，龙舟竞渡水波涛。五月初五传古意，粽香扑鼻诗情高。', 'T', '李白');

更新测试

在 MySQL 端执行更新语句。

UPDATE poetry SET yunlv_rule = "七律更新" WHERE id = 311829;

删除测试

在 MySQL 端执行删除语句。

DELETE FROM poetry WHERE id = 311829;

问题记录

修改了MySQL配置，开启binlog后，无法启动了（当然，我恢复了配置依然无法启动）。。

问题描述：

root@ali:/var/lib/mysql# systemctl start mysql.service

Job for mysql.service failed because the control process exited with error code. See “systemctl status mysql.service” and “journalctl -xe” for details.

解决方法：将日志文件所在目录/var/log和进程pid文件所在目录/var/run/加入到mysql访问组

root@ali:/var/log/mysql# chown -R mysql:mysql /run/mysqld
root@ali:/var/log/mysql# chown -R mysql:mysql /var/run/mysqld
root@ali:/var/log/mysql# chown -R mysql:mysql /var/log/mysql

经过测试发现，对于新增操作（无论是指定 ID 插入，还是省略 ID 插入，借助主键自增策略）， CDC 都可以实时同步到 ClickHouse ，但是当更新、删除数据时，同步出现异常；对于异常数据，实时数据传输时会记录下来，可以到“异常数据”的 Tab 下查看具体的异常数据及出错原因。

更新操作无法同步到ClickHouse

问题描述：Query must be like ‘INSERT INTO [db.]table [(c1, c2, c3)] VALUES (?, ?, ?)’. Got: alter table poetry update id=?, title=?, yunlv_rule=?, author_id=?, content=?, dynasty=?, author=? where id=?
问题分析： ClickHouse 中没有 dual 虚拟表，它的虚拟表是 system.one

删除操作无法同步到ClickHouse

问题描述：数据删除异常: ClickHouse exception, code: 62, host: 139.9.172.55, port: 8123; Code: 62, e.displayText() = DB:: Exception: Syntax error: failed at position 1: delete from poetry where id=311829. Expected one of: ATTACH, DETACH, DROP, SHOW, USE, SELECT, WITH, KILL, TRUNCATE, DESC, DESCRIBE, SYSTEM query, SELECT subquery, list of elements, ALTER query, ALTER TABLE, EXISTS, CREATE TABLE or ATTACH TABLE query, Query with output, SHOW PROCESSLIST query, SHOW PROCESSLIST, RENAME query, RENAME TABLE, SELECT query, possibly with UNION, SET query, SHOW [TEMPORARY] TABLES|DATABASES [[NOT] LIKE ‘str’], EXISTS or SHOW CREATE query, SELECT query, subquery, possibly with UNION, USE query, CHECK TABLE, DESCRIBE query, DROP query, INSERT query, INSERT INTO, KILL QUERY query, OPTIMIZE query, OPTIMIZE TABLE, SELECT query, CREATE, SET, Query (version 19.9.5.36)

问题分析： ClickHouse 中的删除操作与MySQL中不一样， ClickHouse 通过 alter 方式实现更新、删除，把 update 、 delete 操作叫做 mutation (突变)。语法为：

ALTER TABLE [db.]table DELETE WHERE filter_expr
ALTER TABLE [db.]table UPDATE column1 = expr1 [, ...] WHERE filter_expr

区别：标准 SQL 的更新、删除操作是同步的，即客户端要等服务端反回执行结果（通常是 int 值）；而 ClickHouse 的 update 、 delete 是通过异步方式实现的，当执行 update 语句时，服务端立即反回，但是实际上此时数据还没变，而是排队等着。按照官方的说明， update/delete 的使用场景是一次更新大量数据，不建议一次只更新一条数据。

总结

以上就是基于 ETLCloud 实时数据集成功能实现的单表 CDC 数据从 MySQL 到 ClickHouse 的同步实践，不过可能因为目标库为 ClickHouse ，其更新、删除操作与传统的关系型数据库的标准 SQL 有所区别，导致更新和删除数据的操作未能成功同步，这个问题已反馈给官方技术人员。
ETLCloud 提供了实时数据传输统计图形展示，对同步的进度及异常数据进行近实时的监控。