通过数据同步功能将Kafka数据同步至湖仓版

前提条件

• 已创建Job型资源组。具体操作，请参见新建资源组。

• 已创建数据库账号。

  • 如果您是通过阿里云账号访问，只需创建高权限账号。具体操作，请参见创建高权限账号。

  • 如果是通过RAM用户访问，需要创建高权限账号和普通账号并且将RAM用户绑定到普通账号上。具体操作，请参见创建数据库账号和绑定或解绑RAM用户与数据库账号。

• 已创建云消息队列 Kafka 版（简称Kafka）实例，且与企业版及湖仓版集群部署在相同地域。

• 已创建Kafka Topic，并发送消息。详情请参见消息队列Kafka版快速入门操作流程。

注意事项

• Kafka中创建的Topic数据超过一定的时间会被自动清理，如果Topic数据过期，同时数据同步任务失败，重新启动同步任务时读取不到被清理掉的数据，会有丢失数据的风险。因此请适当调大Topic数据的生命周期，并在数据同步任务失败时及时联系技术支持。

• 获取Kafka样例数据在大于8KB的情况下，Kafka API会将数据进行截断，导致解析样例数据为JSON格式时失败，从而无法自动生成字段映射信息。

使用流程

• 步骤一：新建数据源。

• 步骤二：新建同步链路。

• 步骤三：启动数据同步任务。

• 步骤四：数据分析。

• 步骤五（可选）：管理数据源。

新建数据源

1. 登录云原生数据仓库AnalyticDB MySQL控制台，在左上角选择集群所在地域。在左侧导航栏，单击集群列表，在企业版或湖仓版页签下，单击目标集群ID。

2. 在左侧导航栏，单击数据接入>数据源管理。

3. 单击右上角新建数据源。

4. 在新建数据源页面进行参数配置。参数说明如下表所示：

   参数名称	参数说明
   数据源类型	选择数据源类型Kafka。
   数据源名称	系统默认按数据源类型与当前时间生成名称，可按需修改。
   数据源描述	数据源备注描述，例如湖仓应用场景、应用业务限制等。
   部署模式	目前仅支持阿里云实例。
   Kafka实例	Kafka实例ID。 登录云消息队列 Kafka 版控制台，在实例列表页面查看实例ID。
   Kafka Topic	在Kafka中创建的Topic名称。 登录云消息队列 Kafka 版控制台，在目标实例的Topic 管理页面查看Topic名称。
   消息数据格式	Kafka消息数据格式，目前仅支持JSON。

5. 参数配置完成后，单击创建。

新建同步链路

1. 在左侧导航栏，单击SLS/Kafka数据同步。

2. 在右上角，单击新建同步链路。

3. 在新建同步链路页面，进行数据源的数据源及目标端配置、目标库表配置及同步配置。

   • 数据源及目标端配置的参数说明如下：

     参数名称	参数说明
     数据链路名称	数据链路名称。系统默认按数据源类型与当前时间生成名称，可按需修改。
     数据源	选择已有的Kafka数据源，也可新建数据源。
     目标端类型	目前仅支持数据湖-OSS存储。
     OSS路径	AnalyticDB for MySQL湖仓数据在OSS中的存储路径。 重要 展示的Bucket是与AnalyticDB for MySQL集群同地域的所有Bucket，您可以任意选择其中一个。请谨慎规划存储路径，创建后不允许修改。 建议选择一个空目录，且不能与其他任务的OSS路径有相互前缀关系，防止数据覆盖。例如，两个数据同步任务的OSS路径分别为oss://adb_demo/test/sls1/和oss://adb_demo/test/，OSS路径有相互前缀关系，数据同步过程中会有数据覆盖。

   • 目标库表配置参数说明如下：

     参数名称	参数说明
     库名	同步到AnalyticDB for MySQL的数据库名称。如果不存在同名数据库，将新建库；如果已存在同名数据库，数据会同步到已存在的数据库中。库名命名规则，详见使用限制。
     表名	同步到AnalyticDB for MySQL的表名称。如果库中不存在同名表，将新建表；如果库中已存在同名表，数据同步会失败。表名命名规则，详见使用限制。
     样例数据	自动从Kafka Topic中获取的最新数据作为样例数据。 说明 Kafka Topic中的数据需为JSON格式，若存在其他格式的数据，数据同步时会报错。
     JSON解析层级	设置JSON的嵌套解析层数，取值说明： 0：不做解析。 1（默认值）：解析一层。 2：解析两层。 3：解析三层。 4：解析四层。 JSON的嵌套解析策略，请参见JSON解析层级和Schema字段推断示例。
     Schema字段映射	展示样例数据经过JSON解析后的Schema信息。可在此调整目标字段名，类型或按需增删字段等。
     分区键设置	为目标表设置分区键。建议按日志时间或者业务逻辑配置分区，以保证入湖与查询性能。如不设置，则目标表默认没有分区。 目标端分区键的格式处理方法分为：时间格式化和指定分区字段。 按日期时间分区，分区字段名请选择一个日期时间字段。格式处理方法选择时间格式化，选择源端字段格式和目标分区格式。AnalyticDB for MySQL会按源端字段格式识别分区字段的值，并将其转换为目标分区格式进行分区。例如，源字段为gmt_created，值为1711358834，源端字段格式为秒级精度时间戳，目标分区格式为yyyyMMdd，则会按20240325进行分区。 按字段值分区，格式处理方法请选择指定分区字段。

   • 同步配置的参数说明如下：

     参数名称	参数说明
     增量同步起始消费位点	同步任务启动时会从选择的时间点开始消费Kafka数据。取值说明： 最早位点（begin_cursor）：自动从Kafka数据中最开始的时间点消费数据。 最近位点（end_cursor）：自动从Kafka数据中最近的时间点消费数据。 自定义点位：您可以选择任意一个时间点，系统则会从Kafka中第一条大于等于该时间点的数据开始消费。
     Job型资源组	指定任务运行的Job型资源组。
     增量同步所需ACU数	指定任务运行的Job型资源组ACU数。最小ACU数为2，最大ACU数为Job型资源组可用计算最大资源数。建议多指定一些ACU数，可以提升入湖性能及任务稳定性。 说明 创建数据同步任务时，使用Job型资源组中的弹性资源。数据同步任务会长期占用资源，因此系统会从资源组中扣除该任务占用的资源。例如，Job型资源组的计算最大资源为48 ACU，已创建了一个8 ACU的同步任务，在该资源组中创建另一个同步任务时，可选的最大ACU数为40。
     高级配置	高级配置可以让您对同步任务进行个性化的配置。如需进行个性化配置，请联系技术支持。

4. 上述参数配置完成后，单击提交。

启动数据同步任务

1. 在SLS/Kafka数据同步页面，选择创建成功的数据同步任务，在操作列单击启动。

2. 单击右上角查询，状态变为正在启动即数据同步任务启动成功。

数据分析

同步任务成功后，您可以通过Spark Jar开发对同步到AnalyticDB MySQL的数据进行分析。Spark开发的相关操作，请参见Spark开发编辑器和Spark离线应用开发。

1. 在左侧导航栏，单击作业开发 > Spark Jar 开发。

2. 在默认模板中输入示例语句，并单击立即执行。

   -- Here is just an example of SparkSQL. Modify the content and run your spark program.
   
   conf spark.driver.resourceSpec=medium;
   conf spark.executor.instances=2;
   conf spark.executor.resourceSpec=medium;
   conf spark.app.name=Spark SQL Test;
   conf spark.adb.connectors=oss;
   
   -- Here are your sql statements
   show tables from lakehouse20220413156_adbTest;

3. 可选：在应用列表页签中，单击操作列的日志，查看Spark SQL运行的日志。

管理数据源

JSON解析层级和Schema字段推断示例

{
  "name" : "zhangle",
  "age" : 18,
  "device" : {
    "os" : {
        "test":lag,
        "member":{
             "fa":zhangsan,
             "mo":limei
       }
     },
    "brand" : "none",
    "version" : "11.4.2"
  }
}

JSON数据解析后，对应0~4层的效果如下。

0层解析

1层解析

2层解析

3层解析

4层解析