GaussDB集中式/分布式同步到DWS作业配置

GaussDB即GaussDB集中式/分布式数据库，本章节以GaussDB为例。

数据库账号权限要求

在使用Migration进行同步时，源端和目的端所使用的数据库账号需要满足以下权限要求，才能启动实时同步任务。不同类型的同步任务，需要的账号权限也不同，详细可参考下表进行赋权。

表2 数据库账号权限

类型名称	权限要求
源数据库连接账号	需要REPLICATION权限或继承了内置角色gs_role_replication的权限、DATABASE的CONNECT权限、SCHEMA的USAGE权限、表的SELECT权限、序列的SELECT权限，同时需要有查询pg_ls_waldir()函数的权限，具体操作请参见如何增加PostgreSQL、Gaussdb数据源额外权限？。 需要具备远程连接权限。 远程连接权限的添加方法： 集中式：在源数据库的“gs_hba.conf”配置文件添加配置“host all <user> 0.0.0.0/0 sha256”和“host replication <user> 0.0.0.0/0 sha256”。 分布式：在源数据库CN节点的“gs_hba.conf”配置文件添加配置“host all <user> 0.0.0.0/0 sha256”；在源数据库DN节点的“gs_hba.conf”配置文件添加配置“host all <user> 0.0.0.0/0 sha256”和“host replication <user> 0.0.0.0/0 sha256”。 在源库使用系统管理员用户执行语句“select pg_reload_conf();”生效，或重启数据库实例生效。 需保证安全组和防火墙策略放开对应连接端口。 安全组和防火墙开放策略：数据库连接已放开普通连接和复制连接端口。 集中式：复制连接端口为普通连接端口+1。 分布式：复制连接端口为CN/DN连接端口+1，在源数据库执行语句“select * from pgxc_node”可查看DN连接端口。
目标数据库连接账号	目标数据库的每张表必须具有如下权限：INSERT、SELECT、UPDATE、DELETE、CONNECT、CREATE。

• 建议创建单独用于Migration任务连接的数据库账号，避免因为数据库账号密码修改，导致的任务连接失败。
• 连接源和目标数据库的账号密码修改后，请同步修改管理中心对应的连接信息，避免任务连接失败后自动重试，导致数据库账号被锁定影响使用。

1. 参见新建实时集成作业创建一个实时集成作业并进入作业配置界面。
2. 选择数据连接类型：源端选PostgreSQL，目的端选DWS。
   图1 选择数据连接类型
   

3. 选择集成作业类型：同步类型默认为实时，同步场景包含整库场景。
   图2 选择集成作业类型
   
   

   同步场景相关介绍请参见同步场景。

4. 配置网络资源：选择已创建的GaussDB（RDS PostgreSQL）、DWS数据连接和已配置好网络连接的migration资源组。
   图3 选择数据连接及migration资源组
   
   

   无可选数据连接时，可单击“新建”跳转至管理中心数据连接界面，单击“创建数据连接”创建数据连接，详情请参见配置DataArts Studio数据连接参数进行配置。

   无可选migration资源组时，可单击“新建”跳转至购买migration资源组页面创建migration资源组配置，详情请参见购买创建数据集成资源组增量包进行配置。

5. 检测网络连通性：数据连接和migration资源组配置完成后需要测试整个迁移任务的网络连通性，可通过以下方式进行数据源和migration资源组之间的连通性测试。
   • 单击展开“源端配置”触发连通性测试，会对整个迁移任务的连通性做校验。
   • 单击源端和目的端数据源和migration资源组中的“测试”按钮进行检测。
     

     网络连通性检测异常可先参考数据源和资源组网络不通如何排查？章节进行排查。

6. 配置源端参数。

   各同步场景下选择需要同步库表的方式请参考下表。

   表5 选择需要同步的库表

   同步场景	配置方式
   整库	选择需要迁移的GaussDB库表。 图4 选择库表 库与表均支持自定义选择，即可选择一库一表，也可选择多库多表。

7. 配置目的端参数。
   • 源库表和目标匹配策略。

     各同步场景下源端库表和目标端库表的匹配策略请参考下表。

     表6 源库表和目标匹配策略

     同步场景	配置方式
     整库	Schema匹配策略。 与来源库同名：数据将同步至与来源GaussDB库名相同的DWS Schema中。 自定义：数据将同步至自行指定的DWS Schema中。 表匹配策略。 与来源表同名：数据将同步至与来源GaussDB表名相同的DWS表中。 自定义：数据将同步至自行指定的DWS表中。 图5 整库场景下源库表和目标匹配策略 说明： 自定义匹配策略时，支持用内置变量#{source_db_name}和#{source_table_name}标志来源的库名和表名，其中表匹配策略必须包含#{source_table_name}。

   • DWS参数配置。

     其余DWS目的端参数说明请参考下表。

     图6 DWS配置项
     

     表7 DWS配置项

     配置项	默认值	单位	配置说明
     写入模式	UPSERT MODE	-	UPSERT MODE：批量更新入库模式。 COPY MODE：DWS专有的高性能批量入库模式。
     批写最大数据量	50000	条	单批次写入DWS数据的条数，可根据表数据大小和作业内存使用适当调整。
     定时批写时间间隔	3	秒	支持配置每批次数据写入DWS的时间间隔。
     高级配置	-	-	支持通过参数配置部分高级功能，参数详情可参考DWS高级配置一览表。

     表8 DWS高级配置一览表

     参数名	参数类型	默认值	单位	参数说明
     sink.buffer-flush.max-size	int	512	MB	写入DWS时每批数据的最大字节数，可根据作业配置内存和数据大小适当调整。
     sink.keyby.enable	boolean	true	-	数据分流开关，在多并发场景下开启数据分流可将数据按规则分配给不同的工作进程写入目的端，可提高写入性能。
     sink.keyby.mode	string	table	-	数据分流模式，可选填写： pk：按数据主键值进行分流。 table：按表名进行分流。 说明： 多并发场景下，若开启DDL功能，只能按表名分流，否则可能导致数据不一致。 确保不会有DDL时，可以选择按主键分流，多并发场景下可提高写入性能。
     sink.field.name.case-sensitive	boolean	true	-	同步数据大小写敏感开关，开启后在同步数据时对库名、表名、字段名大小写均敏感。
     sink.verify.column-number	boolean	false	-	校验数据列数的开关，GaussDB > DWS默认以同名映射方式同步数据，不检验是否所有列均同步。 开启本开关后，若源端与目的端列数不同将认为是数据不一致的场景，导致作业异常。
     sink.server.timezone	string	本地时区	-	连接目的端数据库时指定的session时区，支持时区标准写法，例如UTC+8等。
     logical.delete.enabled	boolean	false	-	逻辑删除开关，开启本开关后，需要目的端包含删除标记列，在源端删除数据，不会将目的端对应的数据删除，而是将删除标记列设为true，表示该数据在源端已不存在。
     logical.delete.column	string	logical_is_deleted	-	逻辑删除标记列名称，默认为logical_is_deleted，支持用户自定义。

8. 刷新源表和目标表映射，检查映射关系是否正确，同时可根据需求修改表属性、添加附加字段，并通过“自动建表”能力在目的端DWS数据库中建出相应的表。
   图7 源表与目标表映射
   
   • 附加字段编辑：单击操作列“附加字段编辑”可为目的端的DWS表中增加自定义字段，同时附加字段也会额外加入到DWS表的建表中。用户可以在已有的源表字段基础上添加多个附加字段，并自定义字段名、选择字段类型、填写字段值。
     • 字段名称：目的端DWS表新增字段的名称。
     • 字段类型：目的端DWS表新增字段的类型。
     • （可选）字段类型长度：目的端DWS表新增字段类型的长度。
     • 字段值：目的端DWS表新增字段的取值来源。

       表9 附加字段取值方式

       类型	示例
       常量	支持数字、字母、中文、特殊字符。彩色表情字符可能导致作业提交失败，需谨慎使用。
       内置变量	源端host ip地址：source.host。 源端schema名称：source.schema。 源端table名称：source.table。 目的端schema名称：target.schema。 目的端table名称：target.table。
       源表字段	源表中的任一字段。 配置附加字段的取值来源于源表字段时，请注意任务运行过程中不能修改对应源表字段的名称，否则可能导致作业异常。
       udf方法	substring(#col, pos[, len])： 截取源端col列的子串, 范围在[pos, pos+len)。 date_format(#col, time_format[, src_tz, dst_tz])： 将源端col列按time_format格式化, 可选转换时区。 now([tz])： 获取指定时区的当前时间。 if(cond_exp, str1, str2)： 满足条件表达式cond_exp时返回str1, 否则返回str2。 concat(#col[, #str, ...])： 拼接多个参数, 可为源端列或字符串。 from_unixtime(#col[, time_format])： 将unix时间戳按time_format格式化。 unix_timestamp(#col[, precision, time_format])： 将时间转成unix时间戳，可显式定义时间格式及转换后精度，time_format时间格式要与源端保持一致。

   • 自动建表：单击“自动建表”可按照已配置映射规则在目的端数据库自动建表，成功后表建立方式会显示为使用已有表。
     图8 自动建表
     
     

     • Migration仅支持自动建表，不支持自动建库和模式，需用户自行在目的端手动建出库和模式后再使用本功能建表。
     • 自动建表时对应的字段类型映射关系请参见字段映射关系章节。

9. 配置任务属性。

   表10 任务配置参数说明

   参数	说明	默认值
   执行内存	作业执行分配内存，跟随处理器核数变化而自动变化。	8GB
   处理器核数	范围：2-32。 每增加1处理核数，则自动增加4G执行内存和1并发数。	2
   并发数	作业执行支持并发数。该参数无需配置，跟随处理器核数变化而自动变化。	1
   自动重试	作业失败时是否开启自动重试。	否
   最大重试次数	“自动重试”为是时显示该参数。	1
   重试间隔时间	“自动重试”为是时显示该参数。	120秒
   是否写入脏数据	选择是否记录脏数据，默认不记录脏数据，当脏数据过多时，会影响同步任务的整体同步速度。 否：默认为否，不记录脏数据。 表示不允许脏数据存在。如果同步过程中产生脏数据，任务将失败退出。 是：允许脏数据，即任务产生脏数据时不影响任务执行。 允许脏数据并设置其阈值时： 若产生的脏数据在阈值范围内，同步任务将忽略脏数据（即不会写入目标端），并正常执行。 若产生的脏数据超出阈值范围，同步任务将失败退出。 说明： 脏数据认定标准：脏数据是对业务没有意义，格式非法或者同步过程中出现问题的数据；单条数据写入目标数据源过程中发生了异常，则此条数据为脏数据。 因此只要是写入失败的数据均被归类于脏数据。 例如，源端是VARCHAR类型的数据写到INT类型的目标列中，则会因为转换不合理导致脏数据不会成功写入目的端。用户可以在同步任务配置时，配置同步过程中是否写入脏数据，配置脏数据条数（单个分片的最大错误记录数）保证任务运行，即当脏数据超过指定条数时，任务失败退出。	否
   脏数据策略	“是否写入脏数据”为是时显示该参数，当前支持以下策略： 不归档：不对脏数据进行存储，仅记录到任务日志中。 归档到OBS：将脏数据存储到OBS中，并打印到任务日志中。	不归档
   脏数据写入连接	“脏数据策略”选择归档到OBS时显示该参数。 脏数据要写入的连接，目前只支持写入到OBS连接。	-
   脏数据目录	脏数据写入的OBS目录。	-
   脏数据阈值	是否写入脏数据为是时显示该参数。 用户根据实际设置脏数据阈值。 说明： 脏数据阈值仅针对每个并发生效。比如阈值为100，并发为3，则该作业可容忍的脏数据条数最多为300。 输入-1表示不限制脏数据条数。	100
   添加自定义属性	支持通过自定义属性修改部分作业参数及开启部分高级功能，详情可参见任务性能调优章节。	-

10. 提交并运行任务。

    作业配置完毕后，单击作业开发页面左上角“提交”，完成作业提交。

    图9 提交作业
    

    提交成功后，单击作业开发页面“启动”按钮，在弹出的启动配置对话框按照实际情况配置同步位点参数，单击“确定”启动作业。

    图10 启动配置
    

    表11 启动配置参数

    参数	说明
    同步模式	增量同步：从指定时间位点开始同步增量数据。 全量+增量：先同步全量数据，随后实时同步增量数据。

11. 监控作业。

    通过单击作业开发页面导航栏的“前往监控”按钮，可前往作业监控页面查看运行情况、监控日志等信息，并配置对应的告警规则，详情请参见实时集成任务运维。

    图11 前往监控