跳到主要内容

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 ElasticSearch6 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
22
36
424
5120
6720
75040
840320
9362880
103628800
1139916800

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​

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 截屏2021-12-10 下午12.30.39.png

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 数据源.png

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 截屏2021-12-10 下午12.35.53.png
  • 选择列,默认全选，选择上传代码包(路径如上所示)截屏2021-12-10 下午12.37.18.png
  • 确认创建,并自动运行 截屏2021-12-10 下午12.38.33.png

校验数据​

  • 变更事实表数据 截屏2021-12-10 下午12.40.05.png截屏2021-12-10 下午12.40.30.png
  • 变更维表数据 截屏2021-12-10 下午12.41.19.png截屏2021-12-10 下午12.41.41.png

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。