【Apache Doris】如何一键实现MySQL万表整库同步？

一、 环境信息

1.1 硬件信息

1. CPU ：48C
2. CPU型号：x86_64
3. 内存 ：185GB

1.2 软件信息

1. 系统 ：CentOS
2. Apahce Doris版本 ：2.0.2
3. Mysql版本：5.7.36
4. Flink版本：1.17.1
5. Flink-Doris-Connector版本：1.5

二、 功能介绍

Mysql万表存量+增量同步至Doris/SelectDB，主要是通过Flink计算引擎、基于Mysql CDC Connector和Doris社区研发的Flink Doris Connector 实现的。

无需提前建表，当Flink任务启动后，Flink Doris Connector 会自动识别对应的Doris表是否存在，不存在则自动创建Doris表，如果存在则直接启动同步任务。

并且能够支持Mysql源表Schema增删列自动变更至Doris，不需要手动变更Doris表的Schema或重启Job，便利之极。

三、 前提概要

3.1 安装部署

Doris/Flink/Mysql的安装部署流程可以根据版本自行Google。

1. Doris下载地址：Doris下载地址
2. Flink下载地址：Flink下载地址
3. MySQL包下载地址：MySQL包下载地址

3.2 JAR包准备

3.2.1 数据源

Flink源端读取MySQL数据的连接器，可通过该地址下载flink-sql-connector-mysql-cdc-2.4.1.jar：
mysql-cdc-2.4.1下载地址

3.2.2 目标源

Flink目标端写Doris的Flink Doris Connector ，可通过该地址获取：
flink-doris-connector下载地址

3.3 脚本模版

./bin/flink run \
    -Dexecution.checkpointing.interval=10s \
    -Dparallelism.default=1 \
    -c org.apache.doris.flink.tools.cdc.CdcTools \
    lib/flink-doris-connector-1.17-1.5.0-SNAPSHOT.jar \
    mysql-sync-database \
    --database doris_db \
    --mysql-conf hostname= 127.0.0.1 \
    --mysql-conf port= 3306 \
    --mysql-conf username= root \
    --mysql-conf password= root \
    --mysql-conf database-name= mysql_db \
    --mysql-conf scan.startup.mode=initial \
    --including-tables "test.*" \
    --sink-conf fenodes= 127.0.0.1:8030 \
    --sink-conf username=root \
    --sink-conf password=root \
    --sink-conf jdbc-url=jdbc:mysql://127.0.0.1:9030 \
    --sink-conf sink.label-prefix=label \
    --table-conf replication_num=1 \

• –job-name Flink任务名称, 非必需。
• -Dexecution.checkpointing.interval checkpoint时间间隔，实际task中是需要checkpoint后才执行数据写入
• –database 同步到Doris的数据库名。
• –mysql-conf MySQL CDCSource 配置，例如–mysql-conf hostname=127.0.0.1 ，可以在这里查看 所有配置MySQL-CDC，其中hostname/username/password/database-name 是必需的。
• –including-tables 需要同步的MySQL表，可以使用"|" 分隔多个表，并支持正则表达式。 比如–including-tables “test.*” 就是同步所有以test开头的表。
• –sink-conf Doris Sink 的所有配置，可以在这里查看完整的配置项。
• –table-conf Doris表的配置项，即properties中包含的内容。 例如 --table-conf replication_num=1

四、快速体验

4.1 单表同步

例如单表同步MySQL中Star Schema Benchmark的part零件信息表，共1600000条记录。

./bin/flink run \
    -Dexecution.checkpointing.interval=10s \
    -Dparallelism.default=1 \
    -c org.apache.doris.flink.tools.cdc.CdcTools \
    lib/flink-doris-connector-1.17-1.5.0-SNAPSHOT.jar \
    mysql-sync-database \
    --database ssb_test \
    --mysql-conf hostname=172.21.16.12 \
    --mysql-conf port=3306 \
    --mysql-conf username=root \
    --mysql-conf password=root \
    --mysql-conf database-name=ssb_test \
    --mysql-conf scan.startup.mode=initial \
    --mysql-conf scan.incremental.snapshot.chunk.key-column=ssb_test.part:p_partkey \
    --including-tables "part" \
    --sink-conf fenodes=127.0.0.0:8030 \
    --sink-conf username=root \
    --sink-conf password=root \
    --sink-conf jdbc-url=jdbc:mysql://127.0.0.0:9030 \
    --sink-conf sink.label-prefix=label \
    --table-conf replication_num=1 \

在FLINK_HOME执行上述命令后，WEB UI中会新增相应Job。

查看taskmanager日志可以发现，task会先对mysql主键做切分，然后再根据ckp的时间间隔按批写入commit（默认2pc提交）。

默认环境10秒ckp下，单并发写入只需3min左右即可同步完160W数据，且单副本数据压缩率高达90%！

4.2 整库同步

4.2.1 数据准备

基于【单表同步】的part零件信息表，新建一个db、然后copy几张相同表进行整库同步体验。

-- 创建测试库
create database ssb_test_part_all;

-- 创建测试表 part01~3
CREATE TABLE `part03` (
  `p_partkey` int(11) DEFAULT NULL,
  `p_name` varchar(23) DEFAULT NULL,
  `p_mfgr` varchar(7) DEFAULT NULL,
  `p_category` varchar(8) DEFAULT NULL,
  `p_brand` varchar(10) DEFAULT NULL,
  `p_color` varchar(12) DEFAULT NULL,
  `p_type` varchar(26) DEFAULT NULL,
  `p_size` int(11) DEFAULT NULL,
  `p_container` varchar(11) DEFAULT NULL
) ENGINE=InnoDB DEFAULT CHARSET=utf8


-- 数据写入 part01~3
insert into ssb_test_part_all.part01
select * from ssb_test.part

数据准备完成，如下图所示。

4.2.2 整库体验

整库同步MySQL中ssb_test_part_all库中的所有表，共1600000*3条记录。

./bin/flink run \
    -Dexecution.checkpointing.interval=10s \
    -Dparallelism.default=1 \
    -c org.apache.doris.flink.tools.cdc.CdcTools \
    lib/flink-doris-connector-1.17-1.5.0-SNAPSHOT.jar \
    mysql-sync-database \
    --database ssb_test_part_all \
    --mysql-conf hostname=127.0.0.0.12 \
    --mysql-conf port=3306 \
    --mysql-conf username=root \
    --mysql-conf password=root \
    --mysql-conf database-name=ssb_test_part_all \
    --mysql-conf scan.startup.mode=initial \
    --mysql-conf scan.incremental.snapshot.chunk.key-column=ssb_test_part_all.part01:p_partkey,ssb_test_part_all.part02:p_partkey,ssb_test_part_all.part03:p_partkey \
    --including-tables ".*" \
    --sink-conf fenodes=127.0.0.0:8030 \
    --sink-conf username=root \
    --sink-conf password=root \
    --sink-conf jdbc-url=jdbc:mysql://127.0.0.0:9030 \
    --sink-conf sink.label-prefix=label \
    --table-conf replication_num=1 \

在FLINK_HOME执行上述命令后，WEB UI中会新增相应整库同步Job。

同步完成结果比对，不仅简易高效，且单副本数据压缩率高达90%+！

五、常见问题

5.1 Mysql通信异常

可能是因为mysql信息填写错误或驱动包不兼容导致。

5.2 MySQL无Key同步异常

mysql源表没有设置主键，可以在脚本中指定–mysql-conf scan.incremental.snapshot.chunk.key-column=database.table:column,database.table1.column… 解决。

5.3 CKP ON HDFS连接异常

使用hadoop作为checkpoint时报如下异常：

Caused by: java.net.ConnectException: Call From hadoop1/ip to hadoop1:8020 failed on connection exception: java.net.ConnectException: Connection refused; For more details see:  http://wiki.apache.org/hadoop/ConnectionRefused

这类异常一般是由于网络原因或端口配置错误导致，可以先进行telnet ip port看是否通，再进行调整处理。

5.4 CKP ON HDFS权限异常

使用默认root跑脚本时，如果出现如下异常：

Caused by: org.apache.hadoop.security.AccessControlException: Permission denied: user=root, access=WRITE, inode="/":hadoop:supergroup:drwxr-xr-x

这类异常一般切换至对应用户或者授权即可，这个case可以切换至hadoop用户起 或 将root用户加到hdfs用户组中即可。

5.5 官方【Flink Doris Connector】QA

其它问题可以参考 官方【Flink Doris Connector】QA 或 私 或 在开源社区群交流。

【Apache Doris】一键实现万表MySQL整库同步 | 快速体验 分享至此结束，体验过程中若遇到问题欢迎留言交流。最后，欢迎关注Flink Forward Asia 2023，Doris Committer 吴迪分享：《Flink 到 Doris 实时写入实践：基于 Flink CDC 构建更实时高效的数据集成链路》