欢迎您访问程序员文章站本站旨在为大家提供分享程序员计算机编程知识!
您现在的位置是: 首页  >  IT编程

如何通过 Docker 部署 Logstash 同步 Mysql 数据库数据到 ElasticSearch

程序员文章站 2022-07-09 21:12:11
在开发过程中,我们经常会遇到对业务数据进行模糊搜索的需求,例如电商网站对于商品的搜索,以及内容网站对于内容的关键字检索等等。对于这些高级的搜索功能,显然数据库的 Like 是不合适的,通常我们采用 ElasticSearch 来完成数据的搜索和分析,有了这个利器,我们可以轻松应对上述场景,实现关键字 ......

在开发过程中,我们经常会遇到对业务数据进行模糊搜索的需求,例如电商网站对于商品的搜索,以及内容网站对于内容的关键字检索等等。对于这些高级的搜索功能,显然数据库的 like 是不合适的,通常我们采用 elasticsearch 来完成数据的搜索和分析,有了这个利器,我们可以轻松应对上述场景,实现关键字搜索等功能。

不过,由于增加了 elasticsearch 作为搜索引擎,随之而来的问题就是,如何将业务中的数据同步到 elasticsearch 中,主要有两种方式:

  1. 业务双写(具有侵入性)
  2. 数据库同步

如何通过 Docker 部署 Logstash 同步 Mysql 数据库数据到 ElasticSearch

由于业务双写需要更改业务代码,一般不建议采用此种方式,除非有强一致性要求,或者对业务侵入不敏感的系统可以采取此种方式:

  • 强一致性:同步通过http请求写入 elasticsearch
  • 最终一致性:
    • 可采取业务写入日志,后端通过日志流数据过滤写入 elasticsearch(elk标准模式,推荐)
    • 另一种方案就是同步写入 mq,后端通过消费mq异步写入 elasticsearch

本文主要讨论非代码侵入的数据库同步方式,主要采用的是通过 logstash 定时扫描数据库来增量同步数据的方案。

数据库脚本

数据库表结构中,需要有一个时间类型的字段作为增量更新的标识字段(例如 lastupdatetime),当该条数据更新时,必须同时更新该字段。

create table user  (
  `id` int(11) not null,
  `name` varchar(50) not null,
  `age` int(11) not null,
  `createtime` datetime(0) not null,
  `lastupdatetime` datetime(0) not null,
  primary key (`id`) using btree
) 

insert into `user` values(1,"jack",18,now(),now())
insert into `user` values(2,"william",18,now(),now())

select * from `user`

查询结果:

id name age createtime lastupdatetime
1 jack 18 2019-10-24 10:31:14 2019-10-24 10:31:14
2 william 18 2019-10-24 10:31:49 2019-10-24 10:31:49

logstash 配置信息

logstash docker 安装脚本:
mkdir /opt/logstashsync/
mkdir /opt/logstashsync/pipeline
vi /opt/logstashsync/pipeline/logstash.conf

input {
  jdbc {
    jdbc_driver_library => "/app/mysql-connector-java-8.0.18.jar"
    jdbc_driver_class => "com.mysql.jdbc.driver"
    jdbc_connection_string => "jdbc:mysql://192.168.10.102:3306/synctest"
    jdbc_user => "root"
    jdbc_password => "123456"
    tracking_column => "unix_ts_in_secs"
    use_column_value => true
    schedule => "*/5 * * * * *" 
    statement => "select *, unix_timestamp(lastupdatetime) as unix_ts_in_secs from user where (unix_timestamp(lastupdatetime) > :sql_last_value and lastupdatetime < now()) order by lastupdatetime asc"
  }
}

filter {
  mutate {
    copy => { "id" => "[@metadata][_id]"} 
    remove_field => ["id", "@version", "unix_ts_in_secs"]
  }
}
output {
   elasticsearch {
                 hosts => "192.168.10.102:9200"
                 index => "syncuser"
                 timeout => 300
                 document_id => "%{[@metadata][_id]}" 
                 }
}

上述配置说明:

  • jdbc_driver_library:logstash的镜像中并不包含 jdbc connector,需要在官方网站中下载下来之后,在容器启动时映射到容器中,。
     
  • tracking_column:用于跟踪 logstash从mysql读取的最后最后一条数据的 lastupdatetime 的值,并默认持久化到磁盘文件 .logstash_jdbc_last_run 中。该值用于在下一次循环同步时,同步的起始值,从而达到增量同步的作用,存储在 .logstash_jdbc_last_run 在 sql 语句中可以以 :sql_last_value 访问。
     
  • schedule:设置多久循环同步一次,以cron语法指定,我们当前设置的是5秒一次循环。
     
  • statement:执行同步的sql语句。值得注意的是where条件中为什么要这么写,可以参考 https://www.elastic.co/blog/how-to-keep-elasticsearch-synchronized-with-a-relational-database-using-logstash 文章中给定的解释。
     
  • 重要: 关于上述配置中的 [@metadata][_id],在同步过程中,必须使用数据库数据id作为 elasticsearch 中的文档 _id,这样当数据库中该条数据有修改时,elasticsearch 中的文档才会相应的同步修改,否则会以一条新的数据插入 elasticsearch,导致数据同步错误。

有了上述配置,我们把 logstath 的 docker 容器跑起来:

docker run -d \
-v /opt/logstashsync/config/logstash.yml:/usr/share/logstash/config/logstash.yml \
-v /opt/logstashsync/pipeline/logstash.conf:/usr/share/logstash/pipeline/logstash.conf \
-v /opt/logstashsync/mysql-connector-java-8.0.18.jar:/app/mysql-connector-java-8.0.18.jar \
--name=logstash \
logstash:6.7.1

注意:上述脚本可以看到,我们将本地 /opt/logstashsync/ 目录下的 mysql-connector-java-8.0.18.jar 映射到了容器的 /app 目录下,对应在上述 logstash.conf 中的配置的 jdbc_driver_library 的值

通过查看 logstash 容器运行日志,我们可以看到如下日志内容,说明该容易已经按照我们预期的每5s同步一次数据库:

[2019-10-25t06:27:59,056][info ][logstash.inputs.jdbc     ] (0.039651s) select *, unix_timestamp(lastupdatetime) as unix_ts_in_secs from user where (unix_timestamp(lastupdatetime) > 0 and lastupdatetime < now()) order by lastupdatetime asc
[2019-10-25t06:28:05,154][info ][logstash.inputs.jdbc     ] (0.004232s) select *, unix_timestamp(lastupdatetime) as unix_ts_in_secs from user where (unix_timestamp(lastupdatetime) > 1571913109 and lastupdatetime < now()) order by lastupdatetime asc
[2019-10-25t06:28:10,230][info ][logstash.inputs.jdbc     ] (0.002832s) select *, unix_timestamp(lastupdatetime) as unix_ts_in_secs from user where (unix_timestamp(lastupdatetime) > 1571913109 and lastupdatetime < now()) order by lastupdatetime asc

通过kibana查询同步结果

在 kibana 中创建 syncuser index,即可以查看到已经同步的数据:
如何通过 Docker 部署 Logstash 同步 Mysql 数据库数据到 ElasticSearch

尝试对数据库数据做更新操作,将名为 william 的用户年龄修改为100(记得同时要更新lastupdatetime 字段):

update `user` set age=100, lastupdatetime=now() where `name`='william';
select * from `user`

如何通过 Docker 部署 Logstash 同步 Mysql 数据库数据到 ElasticSearch

再次查看 kibana 中的数据,可以看到该数据已经成功同步:
如何通过 Docker 部署 Logstash 同步 Mysql 数据库数据到 ElasticSearch

结语

根据上述过程,我们完成了简单的单表数据定时同步至 elasticsearch 过程,但是在实际使用过程中,需要注意以下问题:

  1. sql语句需要考虑每次同步最大条数。大多数情况下,数据库可能已经存在大量数据,如果不做控制,可能会导致 logstash 刚启动时一次同步的数据量过大,发生异常,采取的方式可以在 sql 语句中增加每次获取最大条数限制。
  2. 增量更新的标识字段,既然是通过>号方式判断,那么如果id是自增主键,也可以采用 int 类型的主键字段,这样可以减少在数据库中创建 lastupdatetime 索引。但如果不是主键,则需要谨慎使用,具体原因请仔细参考上述配置说明中 statement 给出的链接。
  3. 由于增量同步机制所致,所有数据库中的删除操作应该以软删除的方式进行,即增加 is_delete 字段,否则如果硬删除会导致该条数据状态无法同步至 elasticsearch,当然在查询 elasticsearch 时,也应该增加该条件,排除已经删除的数据。