深入浅出 Debezium 数仓同步

简述

Debezium 是一个开源的数据订阅工具，它可以捕获数据库的 CDC 变更数据发送到 Kafka。

为了实现将数据发送到其他数据库的目的，我们可以将 Kafka 中的数据，通过多种 Sink Connector 同步到 MySQL、Oracle、PostgreSQL、Starrocks 等。

本文以 MySQL -> Kafka -> Starrocks 为例，来演示 Debezium 同步数据到数仓的能力，并探讨如何构建一条稳定、高效的数据同步链路。

Debezium 环境准备

相关资源一键部署（Docker） 📎debezium-sync-my2sr.tar.gz
- Kafka 集群 + Kafka UI（中间件）
- Debezium（同步工具）
- MySQL（源端）
- Starrocks（目标端）
  
  tar -xzvf debezium-test.tar.gz
  sh install.sh

创建 MySQL Source Connector

源端是 MySQL，通过下面的表进行创建。

sql 复制代码

CREATE DATABASE `inventory`;

CREATE TABLE `inventory`.`customer` (
  `c_int` int NOT NULL,
  `c_bigint` bigint NOT NULL, 
  `c_decimal` decimal(10,3) NOT NULL,
  `c_date` date NOT NULL,
  `c_datetime` datetime NOT NULL,
  `c_timestamp` datetime NOT NULL DEFAULT CURRENT_TIMESTAMP,
  `c_year` int NOT NULL,
  `c_varchar` varchar(10) NOT NULL,
  `c_text` text NOT NULL,
  PRIMARY KEY (`c_int`)
);

通过 Debezium 的 Api 接口创建 Connector 订阅 MySQL 的变更事件。

json 复制代码

curl -i -X POST http://127.0.0.1:7750/connectors \
  -H 'Content-Type: application/json' \
  -d '{
    "name": "connector-test-mx",
    "config": {
      "connector.class": "io.debezium.connector.mysql.MySqlConnector",
      "database.hostname": "112.124.38.87",
      "database.port": "25000",
      "database.user": "root",
      "database.password": "123456",
      "database.server.id": "1",
      "database.server.name": "mx",
      "database.include.list": "inventory",
      "decimal.handling.mode": "string",
      "binary.handling.mode": "hex",
      "topic.prefix": "mx",
      "table.include.list": "inventory.customer",
      "snapshot.mode": "never",
      "database.history.kafka.bootstrap.servers": "112.124.38.87:19092,112.124.38.87:29092,112.124.38.87:39092",
      "schema.history.internal.kafka.bootstrap.servers": "112.124.38.87:19092,112.124.38.87:29092,112.124.38.87:39092",
      "schema.history.internal.kafka.topic": "mx.schemahistory.customer",
      "database.history.kafka.topic": "mx.mx_history_schema",
      "include.schema.changes": "false",
      "converters": "mysqltime",
      "mysqltime.type": "io.debezium.converter.MySQLTimeConverter",
      "mysqltime.format.date": "yyyy-MM-dd",
      "mysqltime.format.time": "HH:mm:ss",
      "mysqltime.format.datetime": "yyyy-MM-dd HH:mm:ss",
      "mysqltime.format.timestamp": "yyyy-MM-dd HH:mm:ss",
      "mysqltime.format.timestamp.zone": "UTC+8"
    }
  }'

创建后，查看 Connetor 的状态。

ruby 复制代码

curl -s http://127.0.0.1:7750/connectors/connector-test-mx/status

创建 Sink Connector For Starrocks

目标端是 Starrocks，通过下面的表进行创建。

sql 复制代码

CREATE DATABASE `inventory`;

CREATE TABLE `inventory`.`customer` (
  `c_int` int NOT NULL,
  `c_bigint` bigint NOT NULL, 
  `c_decimal` decimal(10,3) NOT NULL,
  `c_date` date NOT NULL,
  `c_datetime` datetime NOT NULL,
  `c_timestamp` datetime NOT NULL DEFAULT CURRENT_TIMESTAMP,
  `c_year` int NOT NULL,
  `c_varchar` varchar(10) NOT NULL,
  `c_text` text NOT NULL
) ENGINE=OLAP 
PRIMARY KEY(`c_int`)
DISTRIBUTED BY HASH(`c_int`) BUCKETS 4 
PROPERTIES (
  "replication_num" = "1",
  "in_memory" = "false",
  "storage_format" = "DEFAULT",
  "enable_persistent_index" = "false",
  "replicated_storage" = "true",
  "compression" = "LZ4"
);

通过 Debezium 的 Api 接口创建 Sink Connector，将 Kafka 变更数据写入到 Starrocks。

json 复制代码

curl -i -X POST http://127.0.0.1:7750/connectors \
  -H 'Content-Type: application/json' \
  -d '{
    "name":"jdbc-sink-starrocks",
    "config":{
      "connector.class":"io.debezium.connector.jdbc.JdbcSinkConnector",
      "connection.url":"jdbc:mysql://112.124.38.87:19030/inventory",
      "connection.username": "root",
      "connection.password": "123456",
      "topics":"mx.inventory.customer",
      "auto.create":"false",
      "insert.mode": "insert",
      "delete.enabled": "true",
      "primary.key.mode":"record_key",
      "primary.key.fields":"c_int",
      "table.name.format": "inventory.customer"
    }
	}'

查看连接器的状态

ruby 复制代码

curl -s http://127.0.0.1:7750/connectors/jdbc-sink-mysql/status

数据同步测试

将随机的增删改操作写入 MySQL 中，Debezium 会捕获 MySQL 的 CDC 变更数据并写入到 Kafka 中；Sink Connector 会将 Kafka 的数据写入到 Starrocks。

进行数据对比测试，两边数据一致

暂停 Debezium 的 Sink 任务

ruby 复制代码

curl -i -X PUT  http://127.0.0.1:7750/connectors/jdbc-sink-starrocks/pause

使用感受

Debezium 整体数据同步使用下来还是比较流畅的，社区也支持比较多的插件，生态丰富；但是其官方缺少消息到对端的能力（Sink 到其他数据库），这让一部分用户感觉束手无策。

我个人感觉比较适合开发来使用，并在 Debezium 的生态基础上接入到内部的业务系统中，但是对 DBA、运维不友好，且有一些问题不得不面对：

数据同步状态的把控（同步延迟、告警、监控）
数据同步的高可用（容灾恢复）
数据同步可视化（运维）
数据一致性对比及修复（数据准确）

能处理好以上这些问题，整个数据同步才能有一个比较好的保障，不然生产上线出了问题依靠社区也不能及时解决。最近我在调研有没有满足以上条件的数据同步产品，也是在 Starrocks 官方文档上找到了一个数据同步工具。

这个工具是使用上真的很 "傻瓜" ，用鼠标点击几下就可以创建一个数据同步任务，而且数据同步结束后可以直接校验两边的数据是否一致，不一致可立即修复。我部署到了本机 Mac 上作了测试，可以通过这个工具来消费 Kafka 的消息并同步到 Starrocks。

订阅 Kafka 的数据变更

添加数据源

数据源管理 -> 添加数据源，添加 Kafka、Starrocks、MySQL

创建同步任务

任务管理 -> 新建任务
Kafka 选择 Debezium Envelope Json Format 格式

Kafka 消息中如果有 Schema ，需要在 任务详细 -> 参数修改 -> 源数据源配置 中修改 envelopSchemaInclude 为 true

测试同步

源端数据库做数据变更，Debezium 将数据写入 Kafka 后，CloudCanal 会写入到 Starrocks 中。

数据同步结束后校验 MySQL 和 Starrocks 的数据，40 万左右的数据是一致的。

总结

将两个数据同步产品进行打通也是比较有意思的事情，两者在数据同步领域各有特色，但后者更能满足我对数据同步的要求：

免费（喜欢白嫖）
可视化（低代码）
监控（同步指标、系统资源）
告警（短信、邮件、飞书、钉钉等）
容灾（自动调度、组件隔离、数据修复）
社区支持（活跃）

我使用的仅仅是这个产品的冰山一角，更多的功能还需要再继续研究研究。

参考文档：

Debezium：debezium.io/documentati...

Kafka：kafka.apache.org/

Confluent：docs.confluent.io/platform/cu...