原文链接
https://www.jianshu.com/p/fb96ab7fbde9
把Mysql的数据同步到Elasticsearch是个很常见的需求，但在Github里找到的同步工具用起来或多或少都有些别扭。
例如：某记录内容为"aaa|bbb|ccc"，将其按|分割成数组同步到es，这样的简单任务都难以实现，再加上配置繁琐，文档语焉不详...
所以我写了个同步工具MysqlsMom：力求用最简单的配置完成复杂的同步任务。目前除了我所在的部门，也有越来越多的互联网公司在生产环境中使用该工具了。
欢迎各位大佬进行试用并提出意见，任何建议、鼓励、批评都受到欢迎。
github: https://github.com/m358807551/mysqlsmom
简介：同步mysql数据到elasticsearch的工具；
QQ、微信：358807551
特点
- 纯Python编写；
- 有全量、增量更新两种模式；
- 全量更新只占用少量内存；支持通过sql语句同步数据；
- 增量更新自动断点续传；
- 取自mysql的数据可经过一系列自定义函数的处理后再同步至elasticsearch；
- 能用非常简单的配置完成复杂的同步任务；
环境
- python2.7；
- 如需增量同步，需要mysql开启binlog（binlog-format=row）且本地开启redis；
快速开始
全量同步MySql数据到es
clone 项目到本地；
-
安装依赖；
cd mysqlsmom pip install -r requirements.txt默认支持 elasticsearch-2.4版本，支持其它版本请运行（将5.4换成需要的elasticsearch版本）
pip install --upgrade elasticsearch==5.4 -
编辑 ./config/example_init.py，按注释提示修改配置；
# coding=utf-8 STREAM = "INIT" # 修改数据库连接 CONNECTION = { 'host': '127.0.0.1', 'port': 3306, 'user': 'root', 'passwd': '' } # 修改elasticsearch节点 NODES = [{"host": "127.0.0.1", "port": 9200}] TASKS = [ { "stream": { "database": "test_db", # 在此数据库执行sql语句 "sql": "select * from person" # 将该sql语句选中的数据同步到 elasticsearch }, "jobs": [ { "actions": ["insert", "update"], "pipeline": [ {"set_id": {"field": "id"}} # 默认设置 id字段的值 为elasticsearch中的文档id ], "dest": { "es": { "action": "upsert", "index": "test_index", # 设置 index "type": "test", # 设置 type "nodes": NODES } } } ] } ] -
运行
cd mysqlsmom
python mysqlsmom.py ./config/example_init.py
等待同步完成即可；
增量同步MySql数据到es
确保要增量同步的MySql数据库开启binlog，且本地开启redis(为了存储最后一次读到的binlog文件名及读到的位置。未来可能支持本地文件存储该信息。)
-
下载项目到本地，且安装好依赖后，编辑 ./config/example_init.py，按注释提示修改配置；
# coding=utf-8 STREAM = "BINLOG" SERVER_ID = 99 # 确保每个用于binlog同步的配置文件的SERVER_ID不同； SLAVE_UUID = __name__ # 配置开启binlog权限的MySql连接 BINLOG_CONNECTION = { 'host': '127.0.0.1', 'port': 3306, 'user': 'root', 'passwd': '' } # 配置es节点 NODES = [{"host": "127.0.0.1", "port": 9200}] TASKS = [ { "stream": { "database": "test_db", # [table]所在的数据库 "table": "person" # 监控该表的binlog }, "jobs": [ { "actions": ["insert", "update"], "pipeline": [ {"only_fields": {"fields": ["id", "name", "age"]}}, # 只同步这些字段到es，注释掉该行则同步全部字段的值到es {"set_id": {"field": "id"}} # 设置es中文档_id的值取自 id(或根据需要更改)字段 ], "dest": { "es": { "action": "upsert", "index": "test_index", # 设置 index "type": "test", # 设置 type "nodes": NODES } } } ] } ] -
运行
cd mysqlsmom python mysqlsmom.py ./config/example_binlog.py该进程会一直运行，实时同步新增和更改后的数据到elasticsearch；
注意：第一次运行该进程时不会同步MySql中已存在的数据，从第二次运行开始，将接着上次同步停止时的位置继续同步；
同步旧数据请看全量同步MySql数据到es；
组织架构
Pipeline
如果需要从Mysql获取数据再进行特殊处理再同步到elasticsearch，pipeline组件会派上用场。
无论数据来自于全量同步的Sql语句或是通过实时分析binlog。
例如：
-
只同步某些字段到es
"pipeline": [ {"only_fields": {"fields": ["id", "name"]}}, # 只同步 id 和 name字段 ... ] -
重命名字段
"pipeline": [ {"replace_fields": {"name": ["name1", "name2"]}}, # 将name重命名为name1和name2 ... ] -
甚至可以执行跨库数据库查询
"pipeline": [ { "do_sql": { "database": "db2", "connection": CONNECTION2, "sql": "select company, personid from company_manager where personid = {id}" # id 的值会自动替换 } } ... ]
支持编写自定义函数，只需在 row_handlers.py 中加入，之后可在pipeline中配置调用。
row_handlers.py中预定义了一些数据处理函数，但可能需要自定义的情况更多。
常见问题
能否把数据同步到多个es索引？
目前增量同步支持，只需修改配置文件中的[dest]
"dest": [
{
"es": {
"action": "upsert",
"index": "index1", # 同步到 es index1.type1
"type": "type1",
"nodes": NODES
}
},
{
"es": {
"action": "upsert",
"index": "index2", # 同时同步到 es index1.type1
"type": "type2",
"nodes": NODES
}
}
]
全量同步很快会支持该功能；
为什么我的增量同步不及时？
-
连接本地数据库增量同步不及时
该情况暂未收到过反馈，如能复现请联系作者。
-
连接线上数据库发现增量同步不及时
2.1 推荐使用内网IP连接数据库。连接线上数据库（如开启在阿里、腾讯服务器上的Mysql）时，推荐使用内网IP地址，因为外网IP会受到带宽等限制导致获取binlog数据速度受限，最终可能造成同步延时。
待改进
- 据部分用户反馈，全量同步百万级以上的数据性能不佳。
未完待续
文档近期会大幅度更新完善，任何问题、建议都收到欢迎，请在issues留言，会在24小时内回复；或联系QQ、微信: 358807551；