MySQL 到 Elasticsearch 宽表构建
简述
CloudCanal 2.0.X 版本近期支持了宽表构建能力，在数据预处理领域向前走了一步。
方案特点
- 相对灵活，对业务数据和结构贴合性好
- 能很好的支持事实表与维表打宽表需求
本文以 MySQL 到 Elasticsearch 单事实表双维表为案例，介绍 CloudCanal 宽表构建和同步的操作步骤。
技术点
打宽表的必要性
关系型数据库为了应对在线业务对于并发、毫秒级响应，同时操作 相对趋向 kv 化,一般基于关系范式进行设计，通过外键或约定外键（非物理约束）进行关联。
当业务需求涉及到多张关联表(业务运营、报表、BI 需求)，查询表的先后顺序成为操作响应时间的关键要素，但排列组合式种类随关联表数量(n)增加会膨胀非常快(n!)，导致查询效率低下。
| 关联表数量 | 排列种类 |
|---|---|
| 2 | 2 |
| 3 | 6 |
| 4 | 24 |
| 5 | 120 |
| 6 | 720 |
| 7 | 5040 |
| 8 | 40320 |
| 9 | 362880 |
| 10 | 3628800 |
| 11 | 39916800 |
数据库或者数仓做 join 查询（特别是5张表以上），最难的事情变成了如何从这么多可能性中（搜索空间）找到最好的那一个。
数据迁移和同步 以相对比较小的代价，将多张关联表进查询库或者数据仓库之前，通过 反查 或者 窗口等待变更数据做关联，打成一张宽表写入对端，显著减轻后续查询对于 SQL 优化器的要求。
宽表的种类和方式
这里的宽表种类指其数据来源表种类(常见但不全面)，常见的我们分 事实表 和 维度表,比如订单表被定义成事实表，用户表被定义成维度表，商品表被定义成维度表。
一般事实表和维度表数据具备类似 n:1 的关系，也就是 1 个用户会有 n 个订单 (1个订单属于1个用户)，1 个商品也会存在 n 个订单 (1个订单会关联 1 个或有限个数商品)。
打宽表的 方式有多种，根据场景，最常见的包含以下两种
- 多事实表 打宽表
- 一般场景是在有限的时间内，关联的变更在这些表上发生（多流join），打宽表工具只要在一定的时间范围内等到这些数据（window），即可打成宽表数据。
- 单事实表和多维度表打宽表
- 一般场景是事实表变更，但是维度表没有任何变化，这时打宽表工具需要通过事实表变更数据反查维度表数据，打成宽表。
CloudCanal 目前打宽表的方式主要通过反查实现，对于多流 join , 实际上也可以通过反查实现，只是可能缺乏数据一致性。
操作示例
前置条件:
- 下载安装 CloudCanal 私有部署版本,使用参见快速上手文档
- 准备好 MySQL 数据库（本例使用 5.7 版本）和 Elasticsearch 数据库（本例使用 6.x 版本）
- MySQL 上创建 1 张事实表(order)和 2 张维表 (user 、product)
- Elasticsearch 上创建 1 个索引 order , 并额外包含两张维表相关数据
- user_id (关联user.id), user_name(对应user.name)
- product_id(关联product.id) ,product_name(对应product.name),product_price (对应product.price)
开发宽表代码
- 代码工程 cloudcanal-data-process ，并找到代码类 MySqlToEsOnlyFact_one_fact_two_dim.java
- 修改必要信息
打包
- 进入工程目录，使用命令进行打包
% pwd
/Users/zylicfc/source/product/cloudcanal/cloudcanal-data-process
% mvn -Dtest -DfailIfNoTests=false -Dmaven.javadoc.skip=true -Dmaven.compile.fork=true clean package
自定义代码包
- 打包命令后，代码包位于工程目录下的 wide-table/target 目录
添加数据源
- 登录 CloudCanal 平台
- 数据源管理->新增数据源
- 将MySQL 和 Elasticsearch 分别添加
任务创建
- 任务管理->任务创建
- 选择 源 和 目标 数据源
- 选择 数据同步，并勾选 全量数据初始化, 其他选项默认
- 选择需要迁移同步的表, 此处只要选择事实表即可，维表会通过自定义代码反查补充
- 选择列,默认全选，选择上传代码包(路径如上所示)
- 确认创建,并自动运行
校验数据
- 变更事实表数据
- 变更维表数据
数据变化规律
- 事实表插入，更新都会反查维表最新数据并写入对端
- 维表更新，基础模式中，需要触发事实表更新才能带上最新的维表变更数据写入对端
- 维表数据删除，基础模式中，如果触发事实表更新，默认将会把对应的维表数据（已删除）置为null, 但是根据对端数据源不同，效果可能会有所差别（比如不会置空）
常见问题
维表变化后怎么办？
目前我们提供的基础模式，维表变化不会直接触发事实表更新，因为这个基本上意味着大规模对端数据变更，可能影响对端数据服务稳定性。所以源端触发事实表更新（比如变更一个时间字段），带上最新的维表数据进行对端数据刷新。
另外对于维表数据的删除，如果触发事实表更新从而刷新对端数据，则默认置为null。
不会开发 java 代码怎么办？
如果能打包不会 java 开发，在 cloudcanal-data-process 寻找相应模版，修改配置即可。
如果不能打包也不会开发，找 CloudCanal 同学协助。
如果遇到出错或者问题怎么办？
如果会 java 开发，建议打开任务的 printCustomCodeDebugLog 观察输出的数据是否符合预期，如果不符合预期，可以打开任务的 debugMode 参数，对数据转换逻辑进行调试。
如果不会 java 开发, 找 CloudCanal 同学协助。
还支持其他数据源么？
这个是 CloudCanal 通用能力，只要源和目标之间实现了全量迁移和增量同步，即支持。
总结
本文简单介绍了如何使用 CloudCanal 进行 MySQL -> Elasticsearch 的宽表构建,帮助业务快速构建数据搜索服务。