配置实时处理集成作业

前提条件

• 已创建数据连接，且创建的连接必须已勾选数据集成选项，详情请参见创建DGCDataArts Studio数据连接 。

• 已购买资源组，详情请参见购买数据集成资源组。
• 数据集成资源组与数据源网络已打通，详情请参见配置网络连接。
• 已创建一个实时处理集成作业，详情请参见新建集成作业。

操作步骤

1. 参见新建集成作业创建一个实时处理集成作业。
2. 配置类型。
   1. 选择数据连接类型。

      选择源端和目的端的数据类型，支持的源端与目的端请参见支持的数据源。

      图1 选择数据连接类型
      
   2. 选择集成作业类型。
      1. 同步类型：默认为实时，不可更改。
      2. 选择同步场景，支持分库分表和整库同步方式，具体支持的数据源请参见支持的数据源。
         不同场景介绍如表1所示。

         表1 同步场景参数说明

         场景类型	说明
         单表	将单个表数据迁移到目的端的一个表中。
         整库	整库迁移场景支持同时对源端多张库表批量操作。
         分库分表	将多个来源的多个数据库的多个分表迁移到目的端的一个表中，支持灵活配置来源库来源表和目标表的映射关系。

   3. 配置网络资源。

      网络资源配置包含选择源端、目的端数据连接、选择资源组、网络连通性检测。

      需要选择“数据连接”和“资源组”。配置流程如下：

      1. 配置源端数据连接。

         选择已创建的数据连接。源端数据连接以MySQL数据连接为例。

         图2 选择源端数据连接
         

         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。

         图3 创建数据连接
         
      2. 配置资源组。

         选择配置好网络连接的资源组。

         图4 选择资源组
         

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

      3. 配置目的端的数据连接。

         目的端数据连接以Hudi数据连接为例。选择已创建的数据连接。

         图5 选择目的端数据连接
         

         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，详情请参见创建DataArts Studio数据连接进行配置。

      4. 检测网络连通性，测试通过进行下一步源端配置。

         数据连接和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资源组之间的连通性测试。

         • 单击源端和目的端数据源和资源组中的“测试”进行检测。
         • 单击展开“源端配置”会触发连通性测试，会对整个迁移任务的连通性做校验。

           表2 各数据连接类型网络不通排查方法

           类型	异常项	方法
           数据源 - CDM异常	实例状态检查异常。	检查集群是否在及是否正常运行。
           	连通性检查异常。	检查CDM集群和数据源是否在同一个VPC下。 如果CDM集群和数据源不在同一个VPC，则需要创建对等连接，打通CDM VPC和数据源 VPC，并且数据源安全组入方向添加CDM集群内网IP，CDM集群安全组出方向添加数据源IP，详情请参见创建DataArts Studio数据连接。
           数据源 - 资源组异常	资源组状态检查异常。	请在“DataArts控制台实例 > 资源管理 > 实时资源管理”检查资源组是否运行。
           	RDS(MySQL)	请检查“管理中心 > 数据连接”，MySQL数据连接是否配置正确，“IP或域名”是否填写RDS内网IP，绑定Agent是否状态正常。 请检查“DataArts控制台实例 > 资源管理 > 实时网络连接管理”， 查看是否创建了MySQL所在VPC和子网的网络连接，并且该网络连接是否成功绑定资源组。 请检查RDS实例安全组， 打开RDS实例页面，进入RDS实例基本信息、找到连接信息部分，单击安全组，跳转到安全组页面，选择“入方向规则”页签，搜索源地址是否有资源组网段。
           	MRS HUDI	请检查“管理中心 > 数据连接”，MRS HUDI数据连接是否配置正确。 请检查“DataArts实例控制台 > 资源管理 > 实时网络连接管理”，资源组是否与MRS的VPC子网建立网络连接。 请检查MRS集群安全组入方向规则，是否添加资源组的网段。
           	DMS Kafka	请检查“管理中心 > 数据连接”，创建Kafka数据连接，"Kafka Broker”填写Kafka内网IP。 在“资源管理 > 实时网络连接管理”，创建网络连接，选择需要连通的资源组和Kafka所在的VPC子网。 在DMS Kafka安全组入方向规则，添加资源组的网段。

3. 配置源端、目标端参数。

   不同源端或目的端参数配置不同，详情请参见配置源端和目标端参数。

4. （可选）配置DDL。

   对于关系型数据的实时同步，其原始实时信息会包含DDL操作，此处可以设置针对于这些DDL消息同步到目标表时的操作。

   实时处理集成作业除了对数据的增删查改能够同步外，实时处理集成作业支持对表结构变化（DDL）的同步。当前只支持目的端为Hudi、DWS时“新增列”的同步。对需要同步的DDL操作选择“正常处理”，其他参数默认即可。

5. 配置任务属性。

   表3 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。 目前MySQL到DWS、MySQL到Hudi、MySQL到Kafka链路支持写入脏数据，以实际界面为准。 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。 脏数据支持以下策略： 不归档。 归档到OBS。	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。	obslink
   脏数据目录	设置脏数据的写入目录。	obs://default/
   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。 脏数据阈值会针对每个并发生效。比如阈值为100，并发为3，则该作业可容忍的脏数据条数为300。 输入-1表示不限制脏数据条数。	100

6. 提交任务。

   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6 提交作业
   

7. 自动建表。

   以目的端为Hudi会触发自动建表为例。

   图7 自动建表
   

   用户提交作业后，单击开始建表会触发自动建表，对不存在的表自动创建。

   单击开始建表，后台会做Hudi表配置分析，并进行自动建表。建表失败可以查看失败提示信息进行手动建表或联系技术支持。

   自动建表成功以后，单击确定作业即保存成功。

8. 运行任务。

   作业配置完毕后，单击作业开发页面左上角“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参数，单击“确定”启动作业。

   图8 启动配置
   

   表4 启动配置参数

   链路	参数	说明
   Apache Kafka - MRS Kafka	偏移量参数：支持选择最早、最新、起止时间。	偏移量参数选择“最新”，可能会导致作业遇到脏数据时重启，此时如果没触发checkpoint，作业会以当前重启时间作为最新时间，从重启时间开始消费，导致数据不一致，请谨慎选择。
   DMS Kafka - OBS
   MYSQL - DWS	同步模式： 增量同步 全量+增量 时间：配置的位点时间早于日志最早时间点时，会以日志最早时间点消费。增量同步时需要设置该参数。	增量：需要选则同步时间。即源端SQ执行时间及 Kafka写入时间。 全量+增量：先同步全量数据，后同步增量数据。
   MYSQL - Hudi
   MYSQL - DMS Kafka

   启动作业后，即进入运行中开始数据迁移。