因生产环境mysql中有较多复杂sql且运行效率低,因此采用tidb作为生产环境的从库进行部分慢sql及报表的读写分离。其中MySQL至TIDB采用Syncer工具同步。
关于TIDB的安装及Syncer可参照官网指引进行,搭建的主从复制架构如下:
因该方式中TiDB的数据是通过Syncer同步的,且TIDB无show slave status命令查看复制情况,故自己开发脚本对MySQL至TIDB的复制延迟进行监控,并且将结果进行图形化展示以便于直观分析,而且此方法也可以监控MySQL主从延迟,类似于percona toolkit的pt-heartbeat 。
一、 准备工作
1. 监控所需工具
监控:Python 2.7及以上,安装pymysql(或MySQLdb),其中linux升级python及pip安装可参考之前的博文
图形化展示:Python plotly、matplotlib或pandas包
2. 监控延迟思路
1)创建监控数据库(monitor)及相关表(monitor_time,monitor_result)
2)每隔固定时间(看监控精确度,如0.5s)将当期时间或时间戳的结果更新到mysql的监控表中
3)对比mysql与tidb对应的监控库(monitor库)中的monitor_time表的时间差,并将结果记录在monitor_result里
3. 可视化展示结果
用Python 的plotly、matplotlib或pandas等展示监控结果
二、延时监控实施步骤
1. 创建数据库及相关表,并将其加入Syncer同步中
--创建监控数据库monitor;
CREATE DATABASE`monitor`;USE`monitor`;--创建监控时间表monitor_time;
CREATE TABLE`monitor_time` (
`t`bigint(20) DEFAULT NULL) ENGINE=InnoDB DEFAULT CHARSET=utf8;--初始化数据,因后面监控程序定时更新该条记录
insert into monitor_time select 1;--创建监控结果表monitor_result;
CREATE TABLE`monitor_result` (
`id`bigint(20) NOT NULLAUTO_INCREMENT,
`t`int(11) DEFAULT NULL COMMENT '延迟时间',
`add_time`timestamp NULL DEFAULT CURRENT_TIMESTAMP COMMENT '监控记录生成时间',
`t_mysql`int(11) DEFAULT NULL COMMENT 'mysql主从延迟时长', PRIMARY KEY (`id`) ) ENGINE=InnoDB DEFAULT CHARSET=utf8;
2. 创建监控账号并授权
单独创建一个用于监控该延迟的账号,并添加相应的权限。
CREATE USER monitor@'192.168.3.42' IDENTIFIED BY 'monitor';GRANT SELECT ,INSERT ,UPDATE ON monitor.* TO monitor@'192.168.3.42';
3. 监控脚本
每隔0.5s更新一次monitor_time表,自定义时间(如例子中10s)获取一次监控结果,并将记录写入数据库中
importos,timeimportpymysqlwhileTrue:
t=time.time()
t1= int(round(t * 1000))
conn= pymysql.connect(host='*.*.*.*',port=3306,user='monitor',passwd='monitor')
cur=conn.cursor()
sql_update= "update monitor.monitor_time set t="+str(t1)
cur.execute(sql_update)
conn.commit()
conn.close()
time.sleep(0.5)
importos,timeimportpymysql
whileTrue:
conn_sor= pymysql.connect(host='*.*.*.*',port=3306,user='monitor',passwd='monitor')
cur_sor=conn_sor.cursor()
conn_138= pymysql.connect(host='*.*.*.*',port=3306,user='monitor',passwd='monitor')
cur_138=conn_138.cursor()
conn_des= pymysql.connect(host='*.*.*.*',port=4000,user='monitor',passwd='monitor')
cur_des=conn_des.cursor()
sql_get_time= "select t from monitor.monitor_time"cur_sor.execute(sql_get_time)
v_src_tuple=cur_sor.fetchone()
t_sor=v_src_tuple[0]
cur_des.execute(sql_get_time)
v_des_tuple=cur_des.fetchone()
t_des=v_des_tuple[0]
cur_138.execute(sql_get_time)
v_138_tuple=cur_138.fetchone()
t_138=v_138_tuple[0]
t1= t_sor/1000 - t_des/1000t2= t_sor/1000 - t_138/1000sql_insert= "insert into monitor.monitor_result(t,t_mysql) select"+str(t1)+","+str(t2)
cur_sor.execute(sql_insert)
conn_sor.commit()
conn_sor.close()
conn_des.close()
time.sleep(10)
将2个脚本放在监控服务器上运行
python monitor_tidb.py &python get_tidb_delay.py&
三 可视化展示
以下是其中一种实现方式,其他如折线图方式可执行修改
#__author__ : 'GJC'#__created__ : '2018/9/17'#coding=utf-8
importpymysqlimportplotly.plotlyfrom plotly.graph_objs import *
importplotly.graph_objs as abcimportmatplotlib.pyplot as plt
host= "*.*.*.*"user= "monitor"passwd= "monitor"db= "monitor"port= 3306charset= "utf8"conn=pymysql.connect(
host=host,
port=port,
user=user,
passwd=passwd,
db=db,
charset=charset,
)
cur=conn.cursor()
re= cur.execute("SELECT add_time,t,t_mysql FROM monitor.monitor_result_t")
dfs=cur.fetchall()
listx=[]
listy=[]
listy2=[]for row indfs:
listx.append(row[0])
listy.append(row[1])
listy2.append(row[2])
cur.close()
conn.commit()
conn.close()
length= listy.__len__()
data_1=abc.Scatter(
x=listx,
y=listy,
name='syncer_delay_time_tidb',
mode='markers',
marker=dict(
size=10,
color="rgba(255,47,167,.9)",
line=dict(
width=2,
color='rgb(2,2,2)')
)
)
data_2=abc.Scatter(
x=listx,
y=listy2,
name='syncer_delay_time_mysql',
mode='markers',
marker=dict(
size=10,
color="rgba(255,47,167,.9)",
line=dict(
width=2,
color='rgb(3,3,3)')
)
)
data1=Data([data_1])
plotly.offline.plot(data1)
data2=Data([data_2])
plotly.offline.plot(data2)
部分时间段效果如下:
耿小厨已开通个人微信公众号,想进一步沟通或想了解其他文章的同学可以关注我