如何通过 Docker 部署 Logstash 同步 Mysql 数据库数据到 ElasticSearch
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:
- 业务双写(具有侵入性)
- 数据库同步
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:
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`
再次查看 kibana 中的数据,可以看到该数据已经成功同步:
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:
- 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。
- 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。
- 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。