通过数据同步功能将Kafka数据同步至湖仓版

更新时间:

云原生数据仓库 AnalyticDB MySQL 版支持新建Kafka同步链路,通过同步链路从指定时间位点,实时同步Kafka中的数据入湖,以满足近实时产出、全量历史归档、弹性分析等需求。本文主要介绍如何添加Kafka数据源,新建Kafka同步链路并启动任务,以及数据同步后如何进行数据分析和数据源管理。

前提条件

  • AnalyticDB for MySQL集群的产品系列为企业版、基础版或湖仓版

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。

计费说明

通过AnalyticDB for MySQL数据迁移功能迁移数据至OSS会产生以下费用。

使用流程

新建数据源

说明

如果您已添加Kafka数据源,可跳过该步骤,直接新建同步链路,详情请参见新建同步链路

  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、基础版或湖仓版页签下,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. 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. 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. 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 for 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: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

数据源管理页面,您可以在操作列执行以下操作。

操作按钮

说明

新建链路

快捷跳转到创建此数据源下的数据同步或数据迁移任务。

查看

查看数据源的详细配置。

编辑

编辑数据源属性,如更新数据源名称、描述等。

删除

删除当前数据源。

说明

当数据源下存在数据同步或数据迁移任务时,此数据源无法直接删除,需先在SLS/Kafka数据同步页面,单击目标同步任务操作列的删除,删除数据同步或数据迁移任务。

JSON解析层级和Schema字段推断示例

解析层级指按相应层数解析出JSON中的字段。如果用户向Kafka发送的JSON数据如下。

{
  "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

不做任何解析,直接输出原始JSON数据。

JSON字段

目标字段名

__value__

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

__value__

1层解析

解析JSON的第一层字段。

JSON字段

目标字段名

name

zhangle

name

age

18

age

device

{ "os" : { "test":lag,"member":{ "fa":zhangsan,"mo":limei }},"brand": "none","version" : "11.4.2" }

device

2层解析

解析JSON的第二层字段。如果字段没有嵌套则直接输出,例如name和age字段直接输出。如果字段中有嵌套,则输出其子层级字段,例如device字段有嵌套,因此输出其子层级device.osdevice.branddevice.version

重要

由于目标字段名不支持“.”,因此会自动替换为“_”。

JSON字段

目标字段名

name

zhangle

name

age

18

age

device.os

{ "test":lag,"member":{ "fa":zhangsan,"mo":limei }}

device_os

device.brand

none

device_brand

device.version

11.4.2

device_version

3层解析

JSON字段

目标字段名

name

zhangle

name

age

18

age

device.os.test

lag

device_os_test

device.os.member

{ "fa":zhangsan,"mo":limei }

device_os_member

device.brand

none

device_brand

device.version

11.4.2

device_version

4层解析

JSON字段

目标字段名

name

zhangle

name

age

18

age

device.os.test

lag

device_os_test

device.os.member.fa

zhangsan

device_os_member_fa

device.os.member.mo

lime

device_os_member_mo

device.brand

none

device_brand

device.version

11.4.2

device_version