# DMS Kafka同步到Hudi作业配置(公测中) #### 支持的源端和目的端数据库版本 表1支持的数据库版本 | 源端数据库 | 目的端数据库 | |:---|:---| | Kafka集群（2.7、3.x版本） | MRS集群（3.2.0-LTS.x、3.3.x-LTS） Hudi版本（0.11.0） | #### 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 | Kafka开启密文接入场景下，所配置用户需要有发布和订阅Topic的权限，其余场景无特殊权限要求，连接已开启SASL认证的DMS Kafka实例请参考[如何连接已开启SASL认证的DMS Kafka](https://support.huaweicloud.com/dataartsstudio_faq/dataartsstudio_03_7627.html)。 | | 目标数据库连接账号 | MRS用户需要拥有Hadoop和Hive组件的读写权限，建议参照下图所示角色及用户组配置MRS用户。 图1MRS Hudi最小化权限 ![](https://support.huaweicloud.com/usermanual-dataartsstudio/zh-cn_image_0000002197238245.png "点击放大") 具体MRS集群角色权限管理请参考[《MRS集群用户权限模型》](https://support.huaweicloud.com/usermanual-mrs/admin_guide_000235.html)。 | ![](https://support.huaweicloud.com/usermanual-dataartsstudio/public_sys-resources/note_3.0-zh-cn.png) - 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。 #### 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。 表3同步对象范围 | 类型名称 | 使用须知 | |:---|:---| | 同步对象范围 | 支持同步所有Kafka消息，其中支持对JSON或CSV格式的消息体进行解析。 | #### 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。 表4注意事项 | 类型名称 | 使用和操作限制 | |:---|:---| | 数据库限制 | - 支持开启Kerberos认证的MRS Kafka。 - 支持使用SASL_PLAINTEXT的Kafka实例，包括SCRAM-SHA-512及PLAIN认证机制。 - 仅支持使用默认证书的DMS Kafka开启SASL_SSL认证进行数据同步；其余类型Kafka不支持开启SASL_SSL认证进行同步。 - 目标数据库中Hudi的库名、表名、字段名仅支持数字、字母和下划线，且字段名必须以字母或下划线开头，建议尽量使用常规字符避免任务失败。 | | 使用限制 | 通用： - 实时同步过程中，不支持IP、端口、账号、密码修改。 - Hudi表使用Bucket索引的场景下不允许更新分区键，否则可能产生重复数据。 - Hudi表使用Bucket索引的场景下主键仅保证单分区内唯一。 增量同步阶段： 对于版本低于3.2.0-LTS1.5的MRS集群的Hudi MOR表，使用Migration（Flink）增量同步数据后，不支持直接使用CDM或Spark SQL写入数据，需要先进行Compaction后方可写入。 常见故障排查： 在任务创建、启动、全量同步、增量同步、结束等过程中，如有遇到问题，可先参考[常见问题](https://support.huaweicloud.com/dataartsstudio_faq/dataartsstudio_03_7594.html)章节进行排查。 | | 其他限制 | - | #### 操作步骤 本小节以Kafka到MRS 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](https://support.huaweicloud.com/usermanual-dataartsstudio/dataartsstudio_01_7621.html)， 确认已做好所有准备工作。 1. 参见[新建实时集成作业](https://support.huaweicloud.com/usermanual-dataartsstudio/dataartsstudio_01_1603.html)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Kafka，目的端选Hudi。 图2选择数据连接类型 ![](https://support.huaweicloud.com/usermanual-dataartsstudio/zh-cn_image_0000002160746950.png "点击放大") 3. 选择集成作业类型：同步类型默认为实时，同步场景包含单表场景。 图3选择集成作业类型 ![](https://support.huaweicloud.com/usermanual-dataartsstudio/zh-cn_image_0000002210777417.png "点击放大") ![](https://support.huaweicloud.com/usermanual-dataartsstudio/public_sys-resources/note_3.0-zh-cn.png) 同步场景相关介绍请参见[同步场景](https://support.huaweicloud.com/usermanual-dataartsstudio/dataartsstudio_01_1601.html#dataartsstudio_01_1601__section1644461120563)。 4. 配置网络资源：选择已创建的DMS Kafka、MRS Hudi数据连接和已配置好网络连接的migration资源组。 图4选择数据连接及migration资源组 ![](https://support.huaweicloud.com/usermanual-dataartsstudio/zh-cn_image_0000002134336073.png "点击放大") ![](https://support.huaweicloud.com/usermanual-dataartsstudio/public_sys-resources/note_3.0-zh-cn.png) 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](https://support.huaweicloud.com/usermanual-dataartsstudio/dataartsstudio_01_0009.html)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](https://support.huaweicloud.com/usermanual-dataartsstudio/dataartsstudio_01_0145.html)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。 ![](https://support.huaweicloud.com/usermanual-dataartsstudio/public_sys-resources/note_3.0-zh-cn.png) 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？](https://support.huaweicloud.com/dataartsstudio_faq/dataartsstudio_03_7595.html)章节进行排查。 6. 配置源端参数。 - 主题 输入一个需要迁移的Kafka Topic。 图5输入Kafka Topic ![](https://support.huaweicloud.com/usermanual-dataartsstudio/zh-cn_image_0000002214464352.png "点击放大") - 数据格式 源端Kafka Topic中消息内容的格式，Migration当前支持对如下三种消息进行处理： - JSON格式：支持对消息内容以JSON的层级格式进行解析。 - CSV格式：支持对消息内容以CSV格式指定分隔符进行解析。 - TEXT格式：将整条消息内容作为文本直接同步。 - DEBEZIUM_JSON：支持解析Debezium格式的CDC JSON，同步数据到目的端对应的库表中。 - CANAL_JSON：支持解析Canal格式的CDC JSON，同步数据到目的端对应的库表中。 - 消费组ID 消费者是从Topic订阅消息的一方，消费组是由一个或多个消费者组成的。Migration支持指定本次消费动作所属的Kafka消费组。 - Kafka源端属性配置 支持设置Kafka的配置项，需要增加 properties. 前缀，作业将自动移除前缀并传入底层Kafka客户端，具体参数可参考[Kafka官方文档](https://kafka.apache.org/)中的配置说明。 - 上游数据源类型 仅当数据格式选择DEBEZIUM_JSON或CANAL_JSON时需要配置，当前仅支持选择TiDB，标志CDC JSON为TiDB产生的。 - 库表名称列表 仅当数据格式选择DEBEZIUM_JSON或CANAL_JSON时需要配置，标志Kafka消息来源的数据库表，任务会解析CDC JSON并且只同步已配置库表的数据。 7. 配置目的端参数。 图6Hudi目的端配置项 ![](https://support.huaweicloud.com/usermanual-dataartsstudio/zh-cn_image_0000002197123781.png "点击放大") - 目标表数据库 指定目的端Hudi表所属的库。 - 目标表名称 指定目的端Hudi表名。 - 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5Hudi高级配置一览表 | 参数名 | 参数类型 | 默认值 | 单位 | 参数说明 | |:---|:---|:---|:---|:---| | write.precombine.field | string | - | - | Hudi表的预聚合键，指在写入数据时用于合并记录的字段，通常用于处理更新和删除操作。本链路必须配置，请填写write.precombine.field属性并指定为Hudi表中的某一个字段。 | | 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。 | ![](https://support.huaweicloud.com/usermanual-dataartsstudio/public_sys-resources/note_3.0-zh-cn.png) - 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？](https://support.huaweicloud.com/dataartsstudio_faq/dataartsstudio_03_7597.html)。 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。 源端为CDC JSON（DEBEZIUM_JSON和CANAL_JSON）数据时暂不支持自动建表，用户需手动创建Hudi表。 图7源表与目标表映射 ![](https://support.huaweicloud.com/usermanual-dataartsstudio/zh-cn_image_0000002160750954.png "点击放大") - 同步主键 Hudi表必须设置"同步主键"，在源端为非主键表时，必须在字段映射阶段手动勾选主键。 - 分区字段 目的端Hudi表未创建的情况下，可从映射出的目标字段中选择最多五个字段作为分区字段，Migration将在建表时自动指定Hudi表分区，同时写入Hudi时自动生成对应分区目录。 ![](https://support.huaweicloud.com/usermanual-dataartsstudio/public_sys-resources/note_3.0-zh-cn.png) 字段选择顺序影响分区的层级，例如选择par1、par2作为分区字段，那么par1为一级分区，par2为二级分区，最多支持五级分区。 - 目标字段编辑 Migration会根据选择的源端消息格式自动解析源端消息，生成对应的字段信息，用户可在此基础上进行编辑，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6目标字段取值方式 | 类型 | 示例 | |:---|:---| | 手动赋值 | 任意字符。 | | 内置变量 | Kafka的元数据，包括__key__、__value__、__Topic__、__partition__、__offset__、__timestamp__共6个字段。 | | 字段变量 | 从源端Kafka Topic消息解析出的任一字段。 | | udf方法 | 支持填写Flink的内置函数用于做数据转换，例如： - CONCAT(CAST(NOW() as STRING), \`col_name\`) - DATE_FORMAT(NOW(), 'yy') 其中的字段名要用反引号包围起来。Flink完整内置函数可参考[Flink官方文档](https://nightlies.apache.org/flink/flink-docs-release-1.15/zh/docs/dev/table/functions/systemfunctions/)。 | 9. 配置任务属性。 表7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](https://support.huaweicloud.com/usermanual-dataartsstudio/dataartsstudio_01_7653.html)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8提交作业 ![](https://support.huaweicloud.com/usermanual-dataartsstudio/zh-cn_image_0000002197238225.png "点击放大") 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9启动配置 ![](https://support.huaweicloud.com/usermanual-dataartsstudio/zh-cn_image_0000002175257000.png "点击放大") 表8启动配置参数 | 参数 | 说明 | |:---|:---| | 偏移量参数 | - 最早：从Kafka Topic最早偏移量开始消费数据。 - 最新：从Kafka Topic最新偏移量开始消费数据。 - 起始时间：根据时间获取Kafka Topic对应的偏移量，并从该偏移量开始消费数据。 | | 起始时间 | 起始时间需要设置该参数，指示同步起始的时间位点。 说明： 配置的位点时间早于Kafka消息最早偏移量时，默认会从最早偏移量开始消费。 | 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](https://support.huaweicloud.com/usermanual-dataartsstudio/dataartsstudio_01_1622.html)。 图10前往监控 ![](https://support.huaweicloud.com/usermanual-dataartsstudio/zh-cn_image_0000002098536316.png "点击放大") #### 性能调优 若链路同步速度过慢，可参见[任务性能调优](https://support.huaweicloud.com/usermanual-dataartsstudio/dataartsstudio_01_7653.html)章节中对应链路文档进行排查及处理。