DMS Kafka同步到Doris作业配置
支持的源端和目的端数据库版本
|
源端数据库 |
目的端数据库 |
|---|---|
|
Kafka集群（2.7、3.x版本） |
Doris（Doris1.2、Doris2.0） |
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。
|
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。 |
|
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：LOAD 、SELECT、CREATE、ALTER、DROP。 |
- 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。
|
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CDC JSON格式的消息体进行解析，且仅同步上游指定库表对应的消息。 |
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。
|
类型名称 |
使用和操作限制 |
|---|---|
|
数据库限制 |
|
|
使用限制 |
通用：
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，可先参考常见问题章节进行排查。 |
|
其他限制 |
|
操作步骤
本小节以Kafka到Doris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。
- 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。
- 选择数据连接类型：源端选Kafka，目的端选Doris。
图1 选择数据连接类型
- 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2 选择集成作业类型
- 配置网络资源：选择已创建的Kafka、Doris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。
- 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。
- 配置源端参数。
选择需要同步的Kafka Topic。图4 输入Kafka Topic
- 主题
- 数据格式
源端Kafka Topic中消息内容的格式，Migration当前支持对如下消息进行处理：
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。
- 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官方文档中的配置说明。
- 上游数据源类型
仅当数据格式选择DEBEZIUM_JSON时需要配置，当前仅支持选择MySQL，标志CDC JSON为MySQL产生的。
- 库表名称列表
仅当数据格式选择DEBEZIUM_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。
- 配置目的端参数。
源端Kafka为CDC_JSON数据格式时，可能是来源于上游数据库中的多个库表，Migration支持进行上游库表和目的端库表的匹配。
- 源库表和目标匹配策略。
- 库匹配策略：
- 与来源库同名：数据将同步至与来源库名相同的Doris 库中。
- 自定义：数据将同步至自行指定的Doris 库中。
- 表匹配策略：
- 与来源表同名：数据将同步至与来源表名相同的Doris表中。
- 自定义：数据将同步至自行指定的Doris表中。
图5 分库分表场景下源库表和目标匹配策略
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}。
- 库匹配策略：
- Doris参数配置。
高级配置：支持通过参数配置部分高级功能，参数详情可参考下表。
表5 Doris高级配置一览表 参数名
参数类型
默认值
单位
配置说明
doris.request.connect.timeout.ms
int
30000
ms
Doris连接超时时间。
doris.request.read.timeout.ms
int
30000
ms
Doris读取超时时间。
doris.request.retries
int
3
-
Doris请求失败重试次数。
sink.max-retries
int
3
-
数据库写入失败时的最大重试次数。
sink.batch.interval
string
1s
h/min/s
异步线程写入数据的时间间隔。
sink.enable-delete
boolean
true
-
是否启用删除功能，如果关闭，源端删除数据，目的端不会删除。
sink.batch.size
int
20000
-
单次写（插入、更新、删除）数据的最大行数。
sink.batch.bytes
long
10485760
bytes
单次写（插入、更新、删除）数据的最大字节数。
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。
sink.keyby.mode
string
pk
-
doris多并发写时的分区方式，默认为pk(主键)，源端为kafka类型没有主键时，应选择table，以库表名进行分区。
doris.sink.flush.tasks
int
1
-
单个taskmanager的flush并发数。
sink.properties.format
string
json
-
Stream Load 使用的数据格式，可选择json/csv。
sink.properties.Content-Encoding
string
-
-
HTTP头部消息体压缩格式，目前只支持 CSV 文件的压缩，支持gzip。
sink.properties.compress_type
string
-
-
文件的压缩格式，目前只支持 CSV 文件的压缩。支持 gz, lzo, bz2, lz4, lzop, deflate 压缩格式。
- 源库表和目标匹配策略。
- 刷新源表和目标表映射。
图6 源表与目标表映射
- 配置DDL消息处理规则。
实时集成作业除了能够同步对数据的增删改等DML操作外，也支持对部分表结构变化（DDL）进行同步。针对支持的DDL操作，用户可根据实际需求配置为正常处理/忽略/出错。
- 正常处理：Migration识别到源端库表出现该DDL动作时，作业自动同步到目的端执行该DDL操作。
- 忽略：Migration识别到源端库表出现该DDL动作时，作业忽略该DDL，不同步到目的端表中。
- 出错：Migration识别到源端库表出现该DDL动作时，作业抛出异常。
图7 DDL配置
- 配置任务属性。
表6 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。
- 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。
-
- 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
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
表7 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。
- 起止时间：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。
时间
起止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。
- 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10 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。
