0、題記

實際業務場景中，會遇到基礎資料存在Mysql中，實時寫入資料量比較大的情景。遷移至kafka是一種比較好的業務選型方案。

而mysql寫入kafka的選型方案有：
方案一：logstash_output_kafka 外掛。
方案二：kafka_connector。
方案三：debezium 外掛。
方案四：flume。
方案五：其他類似方案。
其中：debezium和flume是基於mysql binlog實現的。

如果需要同步歷史全量資料+實時更新資料，建議使用logstash。

1、logstash同步原理

常用的logstash的外掛是：logstash_input_jdbc實現關係型資料庫到Elasticsearch等的同步。

實際上，核心logstash的同步原理的掌握，有助於大家理解類似的各種庫之間的同步。

logstash核心原理：輸入生成事件，過濾器修改它們，輸出將它們傳送到其他地方。

logstash核心三部分組成：input、filter、output。

input { }
filter { }
output { }

1.1 input輸入

包含但遠不限於：

1. jdbc：關係型資料庫：mysql、oracle等。
2. file：從檔案系統上的檔案讀取。
3. syslog：在已知埠514上偵聽syslog訊息。
4. redis：redis訊息。beats：處理 Beats傳送的事件。
5. kafka：kafka實時資料流。

1.2 filter過濾器

過濾器是Logstash管道中的中間處理裝置。您可以將過濾器與條件組合，以便在事件滿足特定條件時對其執行操作。

可以把它比作資料處理的ETL環節。

一些有用的過濾包括：

1. grok：解析並構造任意文字。Grok是目前Logstash中將非結構化日誌資料解析為結構化和可查詢內容的最佳方式。有了內置於Logstash的120種模式，您很可能會找到滿足您需求的模式！
2. mutate：對事件欄位執行常規轉換。您可以重新命名，刪除，替換和修改事件中的欄位。
3. drop：完全刪除事件，例如除錯事件。
4. clone：製作事件的副本，可能新增或刪除欄位。
5. geoip：新增有關IP地址的地理位置的資訊。

1.3 output輸出

輸出是Logstash管道的最後階段。一些常用的輸出包括：

elasticsearch：將事件資料傳送到Elasticsearch。
file：將事件資料寫入磁碟上的檔案。
kafka：將事件寫入Kafka。
詳細的filter demo參考：

2、同步Mysql到kafka配置參考

input {
    jdbc {
      jdbc_connection_string => "jdbc:mysql://192.168.1.12:3306/news_base"
      jdbc_user => "root"
      jdbc_password => "xxxxxxx"
      jdbc_driver_library => "/home/logstash-6.4.0/lib/mysql-connector-java-5.1.47.jar"
      jdbc_driver_class => "com.mysql.jdbc.Driver"
      #schedule => "* * * * *"
      statement => "SELECT * from news_info WHERE id > :sql_last_value  order by id"
      use_column_value => true
      tracking_column => "id"        
      tracking_column_type => "numeric"
      record_last_run => true
      last_run_metadata_path => "/home/logstash-6.4.0/sync_data/news_last_run"    

    }

}

filter {
   ruby{
        code => "event.set('gather_time_unix',event.get('gather_time').to_i*1000)"
    }
    ruby{
        code => "event.set('publish_time_unix',event.get('publish_time').to_i*1000)"
    }
  mutate {
    remove_field => [ "@version" ]
    remove_field => [ "@timestamp" ]
    remove_field => [ "gather_time" ]
    remove_field => [ "publish_time" ]
  }
}

 output {
      kafka {
            bootstrap_servers => "192.168.1.13:9092"
            codec => json_lines
            topic_id => "mytopic"

    }
    file {
            codec => json_lines
            path => "/tmp/output_a.log"
    }
 }

以上內容不復雜，不做細講。

注意：
Mysql藉助logstash同步後，日期型別格式：“2019-04-20 13:55:53”已經被識別為日期格式。

code =>
"event.set('gather_time_unix',event.get('gather_time').to_i*1000)"，

是將Mysql中的時間格式轉化為時間戳格式。

3、坑總結

3.1 坑1欄位大小寫問題

from星友：使用logstash同步mysql資料的，因為在jdbc.conf裡面沒有新增 lowercase_column_names
=> "false" 這個屬性，所以logstash預設把查詢結果的列明改為了小寫，同步進了es，所以就導致es裡面看到的欄位名稱全是小寫。

最後總結：es是支援大寫欄位名稱的，問題出在logstash沒用好，需要在同步配置中加上 lowercase_column_names => "false" 。記錄下來希望可以幫到更多人。

3.2 同步到ES中的資料會不會重複？

想將關係資料庫的資料同步至ES中，如果在叢集的多臺伺服器上同時啟動logstash。

解讀：實際專案中就是沒用隨機id 使用指定id作為es的_id ，指定id可以是url的md5.這樣相同資料就會走更新覆蓋以前資料

3.3 相同配置logstash,升級6.3之後不能同步資料。

解讀：高版本基於時間增量有優化。

tracking_column_type => "timestamp"應該是需要指定標識為時間型別，預設為數字型別numeric

3.4 ETL欄位統一在哪處理?

解讀：可以logstash同步mysql的時候sql查詢階段處理，如：select a_value as avalue***。

或者filter階段處理,mutate rename處理。

mutate {
        rename => ["shortHostname", "hostname" ]
    }

或者kafka階段藉助kafka stream處理。

4、小結

• 相關配置和同步都不復雜，複雜點往往在於filter階段的解析還有logstash效能問題。
• 需要結合實際業務場景做深入的研究和效能分析。
• 有問題，歡迎留言討論。

推薦閱讀：
1、實戰 | canal 實現Mysql到Elasticsearch實時增量同步
2、乾貨 | Debezium實現Mysql到Elasticsearch高效實時同步
3、一張圖理清楚關係型資料庫與Elasticsearch同步
4、新的實現：
5、mysql2mysql:
6、推薦開源實現：

加入星球，更短時間更快習得更多幹貨！