PostgreSQL同步到MRS Hudi作业配置

支持的源端和目的端数据库版本

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。

支持的同步对象范围

在使用Migration进行同步时，不同类型的链路，支持的同步对象范围不同，详细情况可参考下表。

注意事项

除了数据源版本、连接账号权限及同步对象范围外，您还需要注意的事项请参见下表。

操作步骤

本小节以PostgreSQL到Hudi的实时同步为示例，介绍如何配置Migration实时集成作业。配置作业前请务必阅读使用前自检概览， 确认已做好所有准备工作。

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Hudi。
   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PostgreSQL、Hudi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PostgreSQL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	库匹配策略。 与来源库同名：数据将同步至与来源PostgreSQL 库名相同的Hudi库中。 自定义：数据将同步至自行指定的Hudi库中。 表匹配策略。 与来源表同名：数据将同步至与来源PostgreSQL 库名相同的Hudi表中。 自定义：数据将同步至自行指定的Hudi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}。

   • Hudi参数配置。

     其余Hudi目的端参数说明请参考下表。

     图6 Hudi目的端配置项
     

     表7 Hudi目的端配置项

     配置项	默认值	单位	配置说明
     数据存储路径	-	-	Hudi自动建表时的warehouse路径，每张表会在warehouse路径下创建子目录。支持填写HDFS和OBS路径，路径格式参考： OBS路径：obs://bucket/warehouse。 HDFS路径：/tmp/warehouse。
     Hudi表属性全局配置	-	-	支持通过参数配置部分高级功能，参数详情可参考Hudi高级配置一览表。

     表8 Hudi高级配置一览表

     参数名	参数类型	默认值	单位	参数说明
     index.type	string	BLOOM	-	Hudi表索引类型。 支持BLOOM和BUCKET索引，数据量较大场景下强烈建议使用BUCKET索引性能更好。
     hoodie.bucket.index.num.buckets	int	256	个	Hudi表单分区下Bucket桶数。 说明： 使用Hudi BUCKET表时需要设置Bucket桶数，桶数设置关系到表的性能，需要格外引起注意。 非分区表桶数 = MAX(CEIL(单表数据量大小(GB)/1GB), 4)。 分区表桶数 = MAX(CEIL(单分区数据量大小(GB)/1GB), 1)。 其中，要注意的是： 需要使用的是表的总数据大小，而不是压缩以后的文件大小。 桶的设置以偶数最佳，非分区表最小桶数请设置4个，分区表最小桶数请设置1个。
     changelog.enabled	boolean	false	-	Hudi changelog功能开关，开启后Migration作业可输出DELETE和UPDATE BEFORE数据。
     logical.delete.enabled	boolean	true	-	逻辑删除开关，changelog开启时必须关闭逻辑删除。
     hoodie.write.liststatus.optimized	boolean	true	-	写log文件时是否开启liststatus优化。涉及到大表和分区数据量多的作业，在启动时list会非常耗时，可能导致作业启动超时，建议关闭。
     hoodie.index.liststatus.optimized	boolean	false	-	定位数据时是否开启liststatus优化。涉及到大表和分区数据量多的作业，在启动时list会非常耗时，可能导致作业启动超时，建议关闭。
     compaction.async.enabled	boolean	true	-	异步compaction开关。compaction操作一定程度会影响实时任务的写入性能，如果用户使用外置的compaction操作对hudi进行compaction，可以考虑设置为false关闭实时处理集成作业的compaction操作。
     compaction.schedule.enabled	boolean	true	-	生成compaction计划的开关。compaction计划必须由本服务生成，计划的执行可以交给Spark。
     compaction.delta_commits	int	5	次	生成compaction request的频率。compaction request生成频率降低可以使得compaction频率降低从而提升作业性能。如果hudi增量数据较小。可以考虑增大该值。 说明： 例如配置为40，即每40次commit生成一个compaction request，因为Migration每分钟生成1个commit，那么每个compaction request将间隔40分钟。
     clean.async.enabled	boolean	true	-	做历史版本数据文件清理的开关。
     clean.retain_commits	int	30	次	要保留的commit数。这些commit关联的数据文件版本将被保留 num_of_commits * time_between_commits 这么长的时间，建议配置为2倍的compaction.delta_commits。 说明： 例如配置为80，因为Migration每分钟生成1个commit，那么超过80分钟后如果有旧版本数据文件 ，则会生成clean request，且在执行clean时保留最近80个commit。
     hoodie.archive.automatic	boolean	true	-	Hudi commit文件老化开关。
     archive.min_commits	int	40	次	将旧版commit归档到日志文件中时要保留不归档的最小commit数。建议配置成clean.retain_commits + 1。 说明： 例如配置成81，那么在触发归档动作时，将会保留最近81次commit文件。
     archive.max_commits	int	50	次	触发归档动作的commit数。建议配置成archive.min_commits + 20。 说明： 例如配置成101，那么将在生成101个commit文件后触发归档commit文件动作。

     

     • 为了达到Migration作业性能最优，建议使用Hudi Bucket索引的MOR表，并根据实际数据量配置Bucket桶数。
     • 为了保证Migration作业的稳定性，建议将Hudi Compaction单独拆成Spark作业交由MRS执行，在Migration任务里仅开启生成compaction计划，具体可以参考如何配置Hudi Compaction的Spark周期任务？。

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Hudi数据库中建出相应的表。
   图7 源表与目标表映射
   
   • 同步主键

     Hudi表必须设置“同步主键”，在源端为非主键表时，表映射会失败。

   • 表属性编辑

     单击操作列“表属性编辑”可配置Hudi表属性，包含表类型，分区类型及表自定义属性。

     图8 Hudi表属性配置
     
     • 表类型：Hudi的表类型，可选MERGE_ON_READ和COPY_ON_WRITE。
     • 分区类型：Hudi表分区类型，可选无分区、时间分区、自定义分区。
       

       • 其中时间分区需要用户指定一个源端字段名，选择一个时间转换格式。

         比如时间分区用户指定一个源端字段名src_col_1，选择一个时间转换格式，日（yyyyMMdd）、月（yyyyMM）、年（yyyy），自动建表时会在Hudi表默认创建一个cdc_partition_key的字段，系统会根据配置的时间转换格式将源端字段(src_col_1)的值格式化后写入cdc_partition_key中。

       • 自定义分区不支持timestamp类型的字段，使用timestamp类型的字段会导致作业失败。
     • 表自定义属性：支持通过参数配置单表的部分高级功能，参数详情可参考Hudi高级配置一览表。
   • 附加字段编辑：单击操作列“附加字段编辑”可为目的端的Hudi表中增加自定义字段，同时附加字段也会额外加入到Hudi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Hudi表新增字段的名称。
     • 字段类型：目的端Hudi表新增字段的类型。
     • 字段值：目的端Hudi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9 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。
     • 自动建出的Hudi表会带有3个审计字段，分别是cdc_last_update_date、logical_is_deleted、_hoodie_event_time，并会以_hoodie_event_time作为Hudi表的预聚合键。

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10 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11 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12 前往监控
    

性能调优

若链路同步速度过慢，可参考参见任务性能调优章节中对应链路文档进行排查及处理。