文档首页/ MapReduce服务 MRS/ 组件操作指南（安卡拉区域）/ 使用CDL/ 创建CDL作业/ 创建CDL数据同步任务作业
更新时间：2024-11-29 GMT+08:00
查看PDF
分享

创建CDL数据同步任务作业

操作场景

CDLService WebUI提供可视化的作业编排页面，用户可快速创建CDL作业，实现实时数据入湖。

前提条件

  • 开启Kerberos认证的集群需已创建具有CDL管理操作权限的用户。
  • ThirdKafka链路使用DRS作为源端时，需要提前手动创建心跳Topic。
    • DRS从opengauss数据库同步数据时，心跳Topic格式为：opengauss数据库库名-cdc_cdl-cdc_heartbeat。
    • DRS从Oracle数据库同步数据时，心跳Topic格式固定为：null-cdc_cdl-cdc_heartbeat。

操作步骤

  1. 使用具有CDL管理操作权限的用户或admin用户（未开启Kerberos认证的集群）登录CDLService WebUI界面，请参考登录CDLService WebUI。
  2. 选择“作业管理 > 数据同步任务 > 新建作业”，在弹出的窗口中输入作业相关信息，然后单击“下一步”。

    参数名称

    描述

    示例

    Name

    作业名称。

    job_pgsqltokafka

    Desc

    描述信息。

    xxx

  3. 在“作业管理”界面，根据业务数据流向，从界面左侧列表中分别选择“Source”和“Sink”中数据连接元素并将其拖到右侧的操作界面中。

    双击数据连接元素，并配置对应参数。

    如需删除数据连接元素，请单击数据连接元素右上角的即可。

    表1 MySQL作业参数

    参数名称

    描述

    示例

    Link

    已创建的MySQL连接。

    mysqllink

    Tasks Max

    允许Connector创建的最大Task的数量，值为“1”。

    1

    Mode

    任务需要抓取的CDC事件类型。

    • insert：插入操作
    • update：更新操作
    • delete：删除操作

    insert、update、delete

    DB Name

    MySQL数据库名称。

    cdl-test

    Schema Auto Create

    是否在启动任务时抓取表的Schema信息。

    否

    Connect With Hudi

    是否对接Hudi。

    是

    DBZ Snapshot Locking Mode

    任务启动执行快照时的锁模式。

    • minimal：仅在获取数据库schema和其他元数据时，持有全局读锁。
    • extend：在整个执行快照期间都持有全局读锁，阻塞全部写入操作。
    • none: 无锁模式，要求启动CDL任务期间不能有schema的变更。

      可选参数，单击显示该参数。

    none

    WhiteList

    待抓取表的白名单。

    配置需要抓取的表的名单列表，多个表可以用英文逗号分隔，支持通配符。

    可选参数，单击显示该参数。

    说明：

    若此参数未配置，当MySQL源端数据库中存在多个表时，任务global topic（global topic为任务名）就会创建多个分区，分区数量与源端MySQL数据库表数量一致。若配置了此参数，则global topic最大分区为“topics.max.partitions”的参数值，该参数默认值为“5”，可通过CDL服务配置界面修改。

    testtable

    BlackList

    表的黑名单。

    配置不需要抓取的表的名单列表，多个表可以用英文逗号分隔，支持通配符。

    可选参数，单击显示该参数。

    -

    Multi Partition

    是否开启Topic的多分区。

    开启之后需要配置“Topic TableMapping”并指定Topic的分区数量， 单表数据将分散在多个分区中。

    可选参数，单击显示该参数。

    说明：
    • 此配置项为高危配置， 开启后无法保证数据的时间顺序。
    • 默认分区数为“5”，若需修改则需登录FusionInsight Manager，选择“集群 > 服务 > CDL > 配置”，在搜索框中搜索“topics.max.partitions”并修改该值为需要修改的分区数，例如，修改值为“10”，保存配置并重启CDL服务。
    • 当源端表为分区表且该参数为否时，CDL创建的Topic分区表数量为源端表分区数量+1。

    否

    Enable Data Encryption

    数据写入Kafka是否加密。若该参数值设置为“是”，则需参考CDL任务支持数据加密配置数据加密。

    否

    Key Name

    加密密钥名称。仅“Enable Data Encryption”参数值为“是”时，显示该参数。

    test_key

    Topic Table Mapping

    Topic与表的映射关系。

    用于指定某个表的数据发送到指定的Topic中，开启多分区功能后需要配置Topic的分区数，分区数必须大于1。数据过滤时间用于过滤数据，当源端数据的时间小于设定时间时，该数据将会被丢弃，当源端数据的时间大于设定时间时，该数据发送到下游。

    单击显示该参数。若“Connect With Hudi”选择“是”，则该参数为必填项。

    testtable

    testtable_topic

    2023/03/10 11:33:37
    表2 PgSQL作业参数

    参数名称

    描述

    示例

    Link

    已创建的PgSQL连接。

    pgsqllink

    Tasks Max

    允许Connector创建的最大Task的数量，值为“1”。

    1

    Mode

    任务需要抓取的CDC事件类型。

    • insert：插入操作
    • update：更新操作
    • delete：删除操作

    insert、update、delete

    dbName Alias

    数据库名称。

    test

    Schema

    待连接的数据库的Schema名称。

    public

    Slot Name

    PgSQL逻辑复制槽的名称。

    不同任务之间槽名不能重名，支持小写字母和下划线。

    test_solt

    Enable FailOver Slot

    开启Failover Slot功能，将指定为Failover Slot的逻辑复制槽信息从主实例同步到备实例，当主备切换之后逻辑订阅能够继续进行，实现逻辑复制槽的故障转移。

    否

    Slot Drop

    任务停止时是否删除Slot。

    否

    Connect With Hudi

    是否对接Hudi。

    是

    Use Exist Publication

    使用已创建的publication。

    是

    Publication Name

    已创建的publication名称。

    “Use Exist Publication”选择“是”时显示该参数。

    test

    Kafka Message Format

    Kafka中的消息格式，包括：

    • CDL Json
    • Debezium Json

    CDL Json

    Data Filter Time

    数据过滤的起始时间。

    2022/03/16 11:33:37

    WhiteList

    待抓取表的白名单。

    配置需要抓取的表的名单列表，多个表可以用英文逗号分隔，支持通配符。

    可选参数，单击显示该参数。

    testtable

    BlackList

    表的黑名单。

    配置不需要抓取的表的名单列表，多个表可以用英文逗号分隔，支持通配符。

    可选参数，单击显示该参数。

    -

    Multi Partition

    是否开启Topic的多分区。

    开启之后需要配置“Topic TableMapping”并指定Topic的分区数量， 单表数据将分散在多个分区中。

    可选参数，单击显示该参数。

    说明：
    • 此配置项为高危配置， 开启后无法保证数据的时间顺序。
    • 默认分区数为“5”，若需修改则需登录FusionInsight Manager，选择“集群 > 服务 > CDL > 配置”，在搜索框中搜索“topics.max.partitions”并修改该值为需要修改的分区数，例如，修改值为“10”，保存配置并重启CDL服务。
    • 当源端表为分区表且该参数为否时，CDL创建的Topic分区表数量为源端表分区数量+1。

    否

    Enable Data Encryption

    数据写入Kafka是否加密。若该参数值设置为“是”，则需参考CDL任务支持数据加密配置数据加密。

    否

    Key Name

    加密密钥名称。仅“Enable Data Encryption”参数值为“是”时，显示该参数。

    test_key

    Topic Table Mapping

    Topic与表的映射关系。

    用于指定某个表的数据发送到指定的Topic中，开启多分区功能后需要配置Topic的分区数，分区数必须大于1。数据过滤时间用于过滤数据，当源端数据的时间小于设定时间时，该数据将会被丢弃，当源端数据的时间大于设定时间时，该数据发送到下游。

    单击显示该参数。若“Connect With Hudi”选择“是”，则该参数为必填项。

    testtable

    testtable_topic

    2023/03/10 11:33:37
    表3 Oracle作业参数

    参数名称

    描述

    示例

    Link

    已创建的Oracle连接。

    oraclelink

    Tasks Max

    允许Connector创建的最大Task的数量，值为“1”。

    1

    Mode

    任务需要抓取的CDC事件类型。

    • insert：插入操作
    • update：更新操作
    • delete：删除操作

    insert、update、delete

    dbName Alias

    待连接的数据库名称。

    oracledb

    Schema

    待连接的数据库的Schema名称。

    oracleschema

    Connect With Hudi

    是否对接Hudi。

    是

    DB Fetch Size

    指定单次从数据库抓取的数据条数。

    取值范围大于等于0， 如果为0，则表示无限制。

    可选参数，单击显示该参数。

    -

    WhiteList

    待抓取表的白名单。

    配置需要抓取的表的名单列表，多个表可以用英文逗号分隔，支持通配符。

    可选参数，单击显示该参数。

    testtable

    BlackList

    表的黑名单。

    配置不需要抓取的表的名单列表，多个表可以用英文逗号分隔，支持通配符。

    可选参数，单击显示该参数。

    -

    Multi Partition

    是否开启Topic的多分区。

    开启之后需要配置“Topic TableMapping”并指定Topic的分区数量， 单表数据将分散在多个分区中。

    可选参数，单击显示该参数。

    说明：
    • 此配置项为高危配置， 开启后无法保证数据的时间顺序。
    • 默认分区数为“5”，若需修改则需登录FusionInsight Manager，选择“集群 > 服务 > CDL > 配置”，在搜索框中搜索“topics.max.partitions”并修改该值为需要修改的分区数，例如，修改值为“10”，保存配置并重启CDL服务。
    • 当源端表为分区表且该参数为否时，CDL创建的Topic分区表数量为源端表分区数量+1。

    否

    Enable Data Encryption

    数据写入Kafka是否加密。若该参数值设置为“是”，则需参考CDL任务支持数据加密配置数据加密。

    否

    Key Name

    加密密钥名称。仅“Enable Data Encryption”参数值为“是”时，显示该参数。

    test_key

    Topic Table Mapping

    Topic与表的映射关系。

    用于指定某个表的数据发送到指定的Topic中，开启多分区功能后需要配置Topic的分区数，分区数必须大于1。数据过滤时间用于过滤数据，当源端数据的时间小于设定时间时，该数据将会被丢弃，当源端数据的时间大于设定时间时，该数据发送到下游。

    单击显示该参数。若“Connect With Hudi”或“Multi Partition”选择“是”，则该参数为必填项。

    testtable

    testtable_topic

    2023/03/10 11:33:37
    表4 Source Hudi作业参数

    参数名称

    描述

    示例

    Link

    Hudi App使用的Link。

    hudilink

    Interval

    同步Hudi表的时间间隔，单位：秒。

    10

    Data Filter Time

    数据过滤时间。

    2023/08/16 11:40:52

    Max Commit Number

    单次增量视图拉取Commit的最大数量。

    10

    Hudi表属性配置方式

    Hudi表属性配置方式，包括：

    • 可视化视图。
    • JSON视图。

    可视化视图

    Hudi Custom Config

    Hudi相关的自定义配置。

    -

    Table Info

    同步表的详细配置信息。要求Hudi与DWS的表名一致，且字段类型相同。

    {"table1":[{"source.database":"base1","source.tablename":"table1"}],"table2":[{"source.database":"base2","source.tablename":"table2"}],"table3":[{"source.database":"base3","source.tablename":"table3"}]}

    Table Info-Section Name

    单表标签名称，仅支持数字、字母、下划线。

    -

    Table Info-Source DataBase

    需要同步的Hudi数据库名称。

    base1

    Table Info-Source TableName

    需要同步的Hudi表名。

    table1

    Table Info-Target SchemaName

    数据写入目标数据库的Schema名称。

    -

    Table Info-Target TableName

    数据写入目标数据库的表名称。

    -

    Table Info-Enable Sink Precombine

    目标数据库是否启用预合并，当前仅支持目标库为DWS时启用预合并功能。

    该功能用于当新值预合并字段比目标端预合并字段大时，则覆盖目标端已有数据；当新值预合并字段比目标端预合并字段小时，则丢弃新数据。

    是

    Table Info-Custom Config

    Hudi自定义配置。

    -

    Execution Env

    Hudi App运行时需要的环境变量，当前若无可用的ENV，则需先手动创建ENV。

    defaultEnv
    表5 thirdparty-kafka作业参数

    参数名称

    描述

    示例

    Link

    已创建的thirdparty-kafka连接。

    thirdparty-kafkalink

    DB Name

    待连接的数据库名称，名称只能由英文字母、数字、下划线和中划线组成，且必须以英文字母开头。

    说明：

    “Datastore Type”为“iot”和“debezium-json”时不支持该参数。

    opengaussdb

    Schema

    待检测数据库的Schema名称。

    说明：

    “Datastore Type”为“iot”和“debezium-json”时不支持该参数。

    opengaussschema

    Datastore Type

    上层源的类型。

    • drs-opengauss-json
    • ogg-oracle-avro
    • drs-oracle-json
    • drs-oracle-avro
    • iot
    • debezium-json

    drs-opengauss-json

    Avro Schema Topic

    Ogg Kafka使用的Schema Topic以JSON格式存储表的Schema。

    说明：

    仅“Datastore Type”为“ogg-oracle-avro”时支持该参数。

    ogg_topic

    Mode ID

    IOT物模型Model ID。可登录IOT服务平台选择“数字孪生 > 模型管理”，在已发布模型列表中单击需要连接的模型名称，查看“ID”获取Model ID。

    说明：

    仅“Datastore Type”为“iot”时支持该参数。

    -

    Source Topics

    数据源Topic，可以包含英文字母、数字、特殊字符(-,_)，各Topic应该以英文逗号分隔。

    topic1

    Tasks Max

    允许Connector创建的最大Task的数量，数据库类型的Connector只允许配置为1。

    10

    Tolerance

    容灾策略。

    • none表示低容错，即出错后导致Connector任务失败。
    • all表示高容错，出错后忽略失败的记录并继续运行。
    说明：

    “Datastore Type”为“iot”时不支持该参数。

    all

    Data Filter Time

    数据过滤的起始时间。

    说明：

    “Datastore Type”为“debezium-json”时不支持该参数。

    2022/03/16 14:14:50

    Kaka Message Format

    Kafka中的消息格式，包括：

    • Debezium Json
    • CDL Json
    说明：

    仅“Datastore Type”为“drs-opengauss-json”时支持该参数。

    CDL Json

    Multi Partition

    是否开启Topic多分区功能，开启之后需要配置Topic TableMapping并指定Topic的分区数量， 单表数据将分散在多个分区中。

    当“Datastore Type”参数值为“ogg-oracle-avro”或“drs-oracle-avro”或“drs-oracle-json”时不支持开启Topic多分区功能。

    说明：

    默认分区数为“5”，若需修改则需登录FusionInsight Manager，选择“集群 > 服务 > CDL > 配置”，在搜索框中搜索“topics.max.partitions”并修改该值为需要修改的分区数，例如，修改值为“10”，保存配置并重启CDL服务。

    否

    Enable Data Encryption

    数据写入Kafka是否加密。若该参数值设置为“是”，则需参考CDL任务支持数据加密配置数据加密。

    说明：

    “Datastore Type”为“debezium-json”时不支持该参数。

    否

    Key Name

    密钥加密密钥名称。仅“Enable Data Encryption”参数值为“是”时，显示该参数。

    test_key

    Topic Table Mapping

    Topic与表的映射关系。

    用于指定某个表的数据发送到指定的Topic中，该Topic属于CDL依赖的Kafka，开启多分区功能后需要配置Topic的分区数，分区数必须大于1。若数据源Topic所属Kafka与CDL依赖Kafka为同一Kafka，则“Topic Table Mapping”中的Topic必须和“Source Topics”中配置的Topic名称不相同。

    数据过滤时间用于过滤数据，当源端数据的时间小于设定时间时，该数据将会被丢弃，当源端数据的时间大于设定时间时，该数据发送到下游。当“Datastore Type”参数值为“debezium-json”时不支持配置数据过滤时间。

    testtable

    testtable_topic

    2023/03/10 11:33:37
    表6 opengauss作业参数

    参数名称

    描述

    示例

    Link

    已创建的opengauss连接。

    opengausslink

    Tasks Max

    允许Connector创建的最大Task的数量，值为“1”。

    1

    Mode

    任务需要抓取的CDC事件类型。

    • insert：插入操作
    • update：更新操作
    • delete：删除操作

    insert、update、delete

    dbName Alias

    数据库名称。

    test

    Slot Name

    opengauss逻辑复制槽的名称。

    不同任务之间槽名不能重名，支持小写字母和下划线。

    test_solt

    Slot Drop

    任务停止时是否删除Slot。

    否

    Connect With Hudi

    是否对接Hudi。

    是

    WhiteList

    待抓取表的白名单。

    配置需要抓取的表的名单列表，多个表可以用英文逗号分隔，支持通配符。

    testtable

    Data Filter Time

    数据过滤时间。

    -

    Multi Partition

    是否开启Topic的多分区。

    开启之后需要配置“Topic TableMapping”并指定Topic的分区数量， 单表数据将分散在多个分区中。

    说明：
    • 此配置项为高危配置， 开启后无法保证数据的时间顺序。
    • 默认分区数为“5”，若需修改则需登录FusionInsight Manager，选择“集群 > 服务 > CDL > 配置”，在搜索框中搜索“topics.max.partitions”并修改该值为需要修改的分区数，例如，修改值为“10”，保存配置并重启CDL服务。

    否

    Kafka Message Format

    Kafka中的消息格式，包括：

    • CDL Json
    • Debezium Json

    CDL Json

    Key Management Tool

    密钥管理工具。当前仅支持“his_kms”密钥管理工具。

    his_kms

    Key Environment Information

    密钥信息。仅配置了“Key Management Tool”密钥管理工具才支持该参数。

    hisIamUrl=https://iam.his-op.xxx.com/iam/auth/token, hisAccount={账号名}, hisSecret={密钥管理->程序密钥}, hisAppid={企业应用ID}, hisEnterprise={企业ID}

    Enable Data Encryption

    数据写入Kafka是否加密。若该参数值设置为“是”，则需参考CDL任务支持数据加密配置数据加密。

    否

    Key Name

    密钥加密密钥名称。仅“Enable Data Encryption”参数值为“是”时，显示该参数。

    test_key

    Custom Config

    自定义解码配置。

    -

    Topic Table Mapping

    Topic与表的映射关系，表名格式为：Schema名.表名。

    用于指定某个表的数据发送到指定的Topic中，开启多分区功能后需要配置Topic的分区数，分区数必须大于1。数据过滤时间用于过滤数据，当源端数据的时间小于设定时间时，该数据将会被丢弃，当源端数据的时间大于设定时间时，该数据发送到下游。

    若“Connect With Hudi”选择“是”，则该参数为必填项。

    cdlschema.testtable

    testtable_topic

    2023/03/10 11:33:37
    表7 Sink Hudi作业参数

    参数名称

    描述

    示例

    Link

    已创建的Hudi连接。

    hudilink

    Path

    数据存储路径。

    /cdldata

    Interval

    Spark RDD的执行周期，单位：秒。

    1

    Max Rate Per Partition

    使用Kafka direct stram API时，从每个Kafka分区读取数据的最大速率限制，单位：个/秒， 0表示无限制。

    0

    Parallelism

    写Hudi时的并发数。

    100

    Target Hive Database

    目标Hive的数据库名称。

    default

    Hudi表属性配置方式

    Hudi表属性配置方式，包括：

    • 可视化视图
    • JSON视图

    可视化视图

    Hudi表属性全局配置

    Hudi侧的全局参数。

    -

    Hudi表属性配置

    Hudi表属性配置。

    -

    Hudi表属性配置-Source Table Name

    源端表名。

    -

    Hudi表属性配置-Table Type Opt Key

    Hudi表类型，包括：

    • COPY_ON_WRITE
    • MERGE_ON_READ

    MERGE_ON_READ

    Hudi表属性配置-Hudi TableName Mapping

    Hudi表名称，若不设置，则默认与源表名相同。

    -

    Hudi表属性配置-Hive TableName Mapping

    Hudi表同步到Hive的表名映射关系，自定义表名。

    -

    Hudi表属性配置-Table Primarykey Mapping

    Hudi表的主键对应关系。

    说明：

    当数据源为IIOT时，该值推荐配置为“instance_id,thing_id,timestamp”。

    id

    Hudi表属性配置-Table Hudi Partition Type

    Hudi表和分区字段映射关系，如果Hudi表采用分区表，则需要配置表名和分区字段的对应关系，包括“time”和“customized”。

    time

    Hudi表属性配置-Custom Config

    自定义配置。

    说明：

    从MySQL同步数据到Hudi时，需要指定“hoodie.datasource.write.precombine.field”参数，若MySQL的timestamp、datetime类型精度只支持秒级，则不建议指定timestamp、datetime类型及_hoodie_event_time字段作为precombine字段。该功能用于当新值预合并字段比Hudi端预合并字段大时，则覆盖Hudi端已有数据；当新值预合并字段比Hudi端预合并字段小时，则丢弃新数据。

    -

    Execution Env

    Hudi App运行时需要的环境变量，当前若无可用的ENV，则需先参考管理ENV进行创建。

    defaultEnv
    表8 Sink Kafka作业参数

    参数名称

    描述

    示例

    Link

    已创建的kafka连接。

    kafkalink
    表9 DWS作业参数

    参数名称

    描述

    示例

    Link

    Connector使用的连接。

    dwslink

    Query Timeout

    连接DWS的超时时间，单位：毫秒。

    180000

    Batch Size

    批次写入DWS的数据量。

    50

    Sink Task Number

    单个表写入DWS时的最大并行作业数。

    -

    DWS Custom Config

    自定义配置。

    -
    表10 ClickHouse作业参数

    参数名称

    描述

    示例

    Link

    Connector使用的连接。

    clickhouselink

    Query Timeout

    连接ClickHouse的超时时间，单位：毫秒。

    60000

    Batch Size

    批次写入ClickHouse的数据量。

    说明：

    设置单批次写入ClickHouse的数据量时数值尽量大，建议取值范围为：10000~100000。

    100000

  4. 作业参数配置完成后，拖拽图标将作业进行关联，然后单击“保存”，作业配置完成。

  5. 在“作业管理”的作业列表中，找到创建的作业名称，单击操作列的“启动”，等待作业启动。

    观察数据传输是否生效，例如在MySQL数据库中对作业中指定的表进行插入数据操作，查看Hudi导入的文件内容是否正常。

父主题： 创建CDL作业