logstash_output_kafka:Mysql同步Kafka深入詳解

0、題記

實際業務場景中，會遇到基礎數據存在Mysql中，實時寫入數據量比較大的情景。
遷移至kafka是一種比較好的業務選型方案。

而mysql寫入kafka的選型方案有：
方案一：logstash_output_kafka 插件。
方案二：kafka_connector。
方案三：debezium 插件。
方案四：flume。
方案五：其他類似方案。

其中：debezium和flume是基於mysql binlog實現的。
如果需要同步歷史全量數據+實時更新數據，建議使用logstash。

1、logstash同步原理

常用的logstash的插件是：logstash_input_jdbc實現關係型數據庫到Elasticsearch等的同步。
實際上，核心logstash的同步原理的掌握，有助於大家理解類似的各種庫之間的同步。
logstash核心原理：輸入生成事件，過濾器修改它們，輸出將它們發送到其他地方。
logstash核心三部分組成：input、filter、output。

input { }
filter { }
output { }

##1.1 input輸入
包含但遠不限於：

1. jdbc：關係型數據庫：mysql、oracle等。
2. file：從文件系統上的文件讀取。
3. syslog：在已知端口514上偵聽syslog消息。
4. redis：redis消息。 beats：處理 Beats發送的事件。
5. kafka：kafka實時數據流。

1.2 filter過濾器

過濾器是Logstash管道中的中間處理設備。您可以將過濾器與條件組合，以便在事件滿足特定條件時對其執行操作。
可以把它比作數據處理的ETL環節。
一些有用的過濾包括：

1. grok：解析並構造任意文本。Grok是目前Logstash中將非結構化日誌數據解析爲結構化和可查詢內容的最佳方式。有了內置於Logstash的120種模式，您很可能會找到滿足您需求的模式！
2. mutate：對事件字段執行常規轉換。您可以重命名，刪除，替換和修改事件中的字段。
3. drop：完全刪除事件，例如調試事件。
4. clone：製作事件的副本，可能添加或刪除字段。
5. geoip：添加有關IP地址的地理位置的信息。

1.3 output輸出

輸出是Logstash管道的最後階段。一些常用的輸出包括：

1. elasticsearch：將事件數據發送到Elasticsearch。
2. file：將事件數據寫入磁盤上的文件。
3. kafka：將事件寫入Kafka。

詳細的filter demo參考：https://github.com/hellosign/logstash-fundamentals/blob/master/examples/complex_logstash.md

2、logstash_output_kafka同步Mysql到kafka配置參考

input {
    jdbc {
      jdbc_connection_string => "jdbc:mysql://192.168.1.12:3306/news_base"
      jdbc_user => "root"
      jdbc_password => "xxxxxxx"
      jdbc_driver_library => "/home/logstash-6.4.0/lib/mysql-connector-java-5.1.47.jar"
      jdbc_driver_class => "com.mysql.jdbc.Driver"
      #schedule => "* * * * *"
      statement => "SELECT * from news_info WHERE id > :sql_last_value  order by id"
      use_column_value => true
      tracking_column => "id"        
      tracking_column_type => "numeric"
      record_last_run => true
      last_run_metadata_path => "/home/logstash-6.4.0/sync_data/news_last_run"    

    }
 
}

filter {
   ruby{
        code => "event.set('gather_time_unix',event.get('gather_time').to_i*1000)"
    }
    ruby{
        code => "event.set('publish_time_unix',event.get('publish_time').to_i*1000)"
    }
  mutate {
    remove_field => [ "@version" ]
    remove_field => [ "@timestamp" ]
    remove_field => [ "gather_time" ]
    remove_field => [ "publish_time" ]
  }
}

 output {
      kafka {
            bootstrap_servers => "192.168.1.13:9092"
            codec => json_lines
            topic_id => "mytopic"

    }
    file {
            codec => json_lines
            path => "/tmp/output_a.log"
    }
 }

以上內容不復雜，不做細講。
注意：
Mysql藉助logstash同步後，日期類型格式：“2019-04-20 13:55:53”已經被識別爲日期格式。

code =>
“event.set(‘gather_time_unix’,event.get(‘gather_time’).to_i*1000)”，

是將Mysql中的時間格式轉化爲時間戳格式。

3、坑總結

3.1 坑1字段大小寫問題

from星友：使用logstash同步mysql數據的，因爲在jdbc.conf裏面沒有添加 lowercase_column_names
=> “false” 這個屬性，所以logstash默認把查詢結果的列明改爲了小寫，同步進了es，所以就導致es裏面看到的字段名稱全是小寫。

最後總結：es是支持大寫字段名稱的，問題出在logstash沒用好，需要在同步配置中加上 lowercase_column_names => “false” 。記錄下來希望可以幫到更多人，哈哈。

3.2 同步到ES中的數據會不會重複？

想將關係數據庫的數據同步至ES中，如果在集羣的多臺服務器上同時啓動logstash。

解讀：實際項目中就是沒用隨機id 使用指定id作爲es的_id ，指定id可以是url的md5.這樣相同數據就會走更新覆蓋以前數據

3.3 相同配置logstash,升級6.3之後不能同步數據。

解讀：高版本基於時間增量有優化。

tracking_column_type => "timestamp"

應該是需要指定標識爲時間類型，默認爲數字類型numeric

3.4 ETL字段統一在哪處理?

解讀：可以logstash同步mysql的時候sql查詢階段處理，如：select a_value as avalue***。
或者filter階段處理,mutate rename處理。

mutate {
        rename => ["shortHostname", "hostname" ]
    }

或者kafka階段藉助kafka stream處理。

4、小結

• 相關配置和同步都不復雜，複雜點往往在於filter階段的解析還有logstash性能問題。
• 需要結合實際業務場景做深入的研究和性能分析。
• 有問題，歡迎留言討論。

新的實現：https://debezium.io/blog/2018/01/17/streaming-to-elasticsearch/
mysql2mysql:https://my.oschina.net/u/2601303/blog/1503835
推薦開源實現：https://github.com/Lunatictwo/DataX

推薦閱讀：
1、實戰 | canal 實現Mysql到Elasticsearch實時增量同步
2、乾貨 | Debezium實現Mysql到Elasticsearch高效實時同步
3、一張圖理清楚關係型/非關係型數據庫與Elasticsearch同步

銘毅天下——Elasticsearch基礎、進階、實戰第一公衆號