关系数据库数据入湖的场景及方案总结

举报
HisonHuang 发表于 2021/07/22 16:55:14 2021/07/22
【摘要】 关系数据库的数据入湖,有多种场景、多种工具、多种入湖时效要求等,本文梳理相关场景,以及对应的建议方案。

        关系数据库的数据入湖,有多种场景、多种工具、多种入湖时效要求等,本文梳理相关场景,以及对应的建议方案。

        首先介绍下两种入湖工具:批量数据迁移工具(如CDM)实时数据接入工具(如CDL)

        批量数据迁移工具,可以一次全量、一次全量+批次增量的方式将数据从关系数据库的数据迁移到数据湖,往往入湖时效性(从数据产生到数据进入数据湖贴源层)在10多分钟或更长,如15分钟左右,取决于批次增量迁移任务的时间间隔。以下是批量数据迁移工具(CDM)的功能架构图:

        实时数据接入工具(如CDL),可以实时捕获关系数据库的binlog日志,保存在消息队列如Kafka,并支持实时解析binlog日志生成增删改命令来操作数据湖的数据记录,实现关系数据库的数据实时入湖,入湖时效性在秒级或分钟级,一般小于15分钟。以下是实时数据接入工具(CDL)的功能架构图:

场景1:关系数据库有存量历史数据,无实时产生的新数据
方案:
    1、入湖工具:批量数据迁移工具(如CDM)
    2、入湖方式:整表迁移,示意如下:


    3、入湖流程:
        3.1、使用入湖工具,配置关系数据库作为源端,配置HDFS/Hive的目录作为目的端;
        3.2、用入湖工具启动入湖作业,关系数据库-》HDFS目录(数据湖贴源层)。

场景2:关系数据库初始无数据,在建立入湖流程后,关系数据库才开放数据写入
方案:
    前置条件:关系数据库打开binlog日志开关。
    1、入湖工具:实时数据接入工具(如CDL)
    2、入湖方式:实时增量数据入湖,示意如下:


    3、入湖流程:
        3.1、使用入湖工具,配置关系数据库作为源端,配置Hudi文件的目录作为目的端;
        3.2、启动入湖工具运行;
        3.3、关系数据库的实时增量数据入湖;
            3.3.1、数据记录插入、修改、删除到关系数据库;
            3.3.2、关系数据库的数据变化日志被实时捕获到入湖工具;
            3.3.3、入湖工具解析日志,调用Hudi接口插入、修改、删除数据记录到Hudi文件的目录(数据湖贴源层)。

场景3:关系数据库有存量历史数据,且实时产生新数据,数据记录有时间标识字段
方案1:
    1、入湖工具:批量数据迁移工具(如CDM)
    2、入湖方式:首次存量历史数据入湖+持续批次增量数据入湖
    3、入湖时效:近实时(取决于批次调度周期)
    4、入湖流程:
        4.1、假设关系数据库实时产生稳定数量的新数据;
        4.2、使用入湖工具,配置关系数据库作为源端,配置HDFS/Hive的目录作为目的端;
        4.3、用入湖工具,启动存量数据入湖作业,其中Where过滤条件的时间标识字段从初始时间截止到当前时间;
        注:存量数据入湖作业运行时间较久,视存量历史数据量、网络带宽、入湖作业吞吐量等因素决定。在此期间,关系数据库由于不断接受新写入,累积较大量的新数据。
        4.4、持续批次启动增量数据入湖作业,其中Where过滤条件的时间标识字段从上一批次作业的截止时间到到当前时间;每批次迁移数据量逐步减少,批次之间的时间间隔逐步减小并趋向稳定,每批次作业所占用的计算资源也逐步减小并趋向稳定。示意如下:

方案2:
    前置条件:关系数据库打开binlog日志开关。
    1、入湖工具:批量数据迁移工具(如CDM)+ 实时数据接入工具(如CDL)
    2、入湖方式:首次存量历史数据入湖+持续批次增量数据入湖+实时增量数据入湖
    3、入湖时效:前两个阶段非实时,最后阶段进入实时
    4、入湖流程:
        4.1、假设关系数据库实时产生稳定数量的新数据;
        4.2、使用批量数据迁移工具,配置关系数据库作为源端,配置HDFS/Hive的目录作为目的端(表A,文件格式可能是CSV);
        4.3、用批量数据迁移工具,启动存量数据入湖作业,其中Where过滤条件的时间标识字段从初始时间截止到当前时间;
        注:存量数据入湖作业运行时间较久,视存量历史数据量、网络带宽、入湖作业吞吐量等因素决定。在此期间,关系数据库由于不断接受新写入,累积较大量的新数据。
        4.4、持续批次启动增量数据入湖作业,其中Where过滤条件的时间标识字段从上一批次作业的截止时间到到当前时间;每批次迁移数据量逐步减少,批次之间的时间间隔逐步减小并趋向稳定,每批次作业所占用的计算资源也逐步减小并趋向稳定;
        4.5、某时间点Ts暂停关系数据库的数据写入,确保Ts之前的数据全部由批次作业迁移到了HDFS目录(数据湖贴源层);
        4.6、停止批量数据迁移工具的批次作业。
        4.7、使用实时数据接入工具,配置关系数据库作为源端,配置Hudi文件的目录作为目的端(表B,文件格式是Hudi);
        4.8、启动实时数据接入工具运行;
        4.9、此时Te关系数据库开放数据写入;
        4.10、关系数据库的实时增量数据入湖;
            4.10.1、关系数据库的数据变化日志被实时捕获到实时数据接入工具;
            4.10.2、实时数据接入工具解析日志,调用Hudi接口插入、修改、删除数据记录到Hudi文件的目录(数据湖贴源层)。示意如下:

场景4:关系数据库有存量历史数据,且实时产生新数据,数据记录无时间标识字段
方案:
    前置条件:关系数据库打开binlog日志开关。
    1、入湖工具:批量数据迁移工具(如CDM)+ 实时数据接入工具(如CDL)
    2、入湖方式:整表迁移+实时增量数据入湖
    3、入湖时效:最后阶段进入实时
    4、入湖流程:
        4.1、暂停关系数据库的数据写入;
        4.2、使用批量数据迁移工具,配置关系数据库作为源端,配置HDFS/Hive的目录作为目的端(表A,文件格式可能是CSV);
        4.3、用批量数据迁移工具批量数据迁移工具启动入湖作业,关系数据库-》HDFS目录(数据湖贴源层);
        4.4、以上存量数据迁移完成后,停止批量数据迁移工具的批次作业;
        4.5、使用实时数据接入工具,配置关系数据库作为源端,配置Hudi文件的目录作为目的端(表B,文件格式是Hudi);
        4.6、启动实时数据接入工具运行;
        4.7、此时Te关系数据库开放数据写入;
        4.8、关系数据库的实时增量数据入湖;
        4.8.1、关系数据库的数据变化日志被实时捕获到实时数据接入工具;
        4.8.2、实时数据接入工具解析日志,调用Hudi接口插入、修改、删除数据记录到Hudi文件的目录(数据湖贴源层)。示意如下:

【版权声明】本文为华为云社区用户原创内容,未经允许不得转载,如需转载请自行联系原作者进行授权。如果您发现本社区中有涉嫌抄袭的内容,欢迎发送邮件进行举报,并提供相关证据,一经查实,本社区将立刻删除涉嫌侵权内容,举报邮箱: cloudbbs@huaweicloud.com
  • 点赞
  • 收藏
  • 关注作者

评论(0

0/1000
抱歉,系统识别当前为高风险访问,暂不支持该操作

全部回复

上滑加载中

设置昵称

在此一键设置昵称,即可参与社区互动!

*长度不超过10个汉字或20个英文字符,设置后3个月内不可修改。

*长度不超过10个汉字或20个英文字符,设置后3个月内不可修改。