# DMS Kafka同步到Doris作业配置(内测) #### 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） | 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。 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 | 目标数据库的每张表必须具有如下权限：LOAD 、SELECT、CREATE、ALTER、DROP。 | ![](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。 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。 - 支持开启Kerberos认证的MRS Kafka。 - 目的端数据库中的对象名需要满足约束： - 表名长度不超过64个字符，以字母开头，中间字符可以是字母、数字、下划线、中划线。 - 字段名长度不超过255个字符，建议使用常规字符，不能包含中文等特殊字符。 | | 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。 - 自动建表不支持创建聚合模型doris表，需手动创建。 - MRS Doris支持HTTP、HTTPS，CloudTable Doris当前仅支持HTTP。 - 当前仅支持StreamLoad方式导入。 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 | - Doris不能用字符串类型作为主键，包括联合主键其中一个字段为字符串类型也不行。 - 不支持在多并发场景下同步DDL。 | #### 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](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Doris。 图1选择数据连接类型 ![](https://support.huaweicloud.com/usermanual-dataartsstudio/zh-cn_image_0000002458271461.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2选择集成作业类型 ![](https://support.huaweicloud.com/usermanual-dataartsstudio/zh-cn_image_0000002458375949.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 ![](https://support.huaweicloud.com/usermanual-dataartsstudio/zh-cn_image_0000002424777376.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。 选择需要同步的Kafka Topic。 图4输入Kafka Topic ![](https://support.huaweicloud.com/usermanual-dataartsstudio/zh-cn_image_0000002458277189.png "点击放大") - 主题 输入一个需要迁移的Kafka Topic。 - 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](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。 7. 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 ![](https://support.huaweicloud.com/usermanual-dataartsstudio/zh-cn_image_0000002458375953.png "点击放大") ![](https://support.huaweicloud.com/usermanual-dataartsstudio/public_sys-resources/note_3.0-zh-cn.png) 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}。 - 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5Doris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。 | 8. 刷新源表和目标表映射。 图6源表与目标表映射 ![](https://support.huaweicloud.com/usermanual-dataartsstudio/zh-cn_image_0000002424777380.png "点击放大") - 同步主键 查询到的目的端Doris表的主键。 - 表建立方式 本链路不支持自动建表，用户需手动创建Doris表。 9. 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。以Hudi为目的端的DDL同步约束请参考[Hudi目的端数据源约束](https://support.huaweicloud.com/usermanual-dataartsstudio/dataartsstudio_01_7762.html#dataartsstudio_01_7762__section1780672810197)。 - 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7DDL配置 ![](https://support.huaweicloud.com/usermanual-dataartsstudio/zh-cn_image_0000002098112726.png "点击放大") 10. 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。 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。 | - | 11. 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_0000002458376005.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。 | 12. 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。