简介
本文将介绍如何利用阿里云的sls插件功能和emr来进行mysql binlog的准实时传输
基本架构
rds -> sls -> spark streaming -> spark hdfs
主要包含3个链路：
1. 怎么把rds的binlog收集到sls
2.怎么通过spark streaming将sls中的日志读取出来，进行分析
3.怎么把2中读取和处理过的日志，保存到spark hdfs中
环境准备
需要mysql类型数据库、开通sls服务并添加对应的project和logstore、然后创建一个emr集群。
具体步骤
准备好mysql数据库环境，添加用户权限
首先需要一个mysql类型数据库（使用mysql协议，例如RDS、DRDS等),
数据库开启binlog，且配置binlog类型为ROW模式（RDS默认开启）。
1. 先检查下环境：
### 查看是否开启binlog
mysql> show variables like "log_bin";
+---------------+-------+
| Variable_name | Value |
+---------------+-------+
| log_bin | ON |
+---------------+-------+
1 row in set (0.02 sec)
### 查看binlog类型
mysql> show variables like "binlog_format";
+---------------+-------+
| Variable_name | Value |
+---------------+-------+
| binlog_format | ROW |
+---------------+-------+
1 row in set (0.03 sec)
2. 添加权限，当然也可以直接通过rds控制台添加：
CREATE USER canal IDENTIFIED BY 'canal';
GRANT SELECT, REPLICATION SLAVE, REPLICATION CLIENT ON *.* TO 'canal'@'%';
FLUSH PRIVILEGES;
开通sls，添加对应的配置文件，并检查数据是否正常采集
需要开通sls,并在sls控制台添加对应的project和logstore，例如：我创建的project叫canaltest，logstore叫canal.
然后对sls进行配置，配置文件目录在：/etc/ilogtail下创建文件:user_local_config.json，具体配置文件如下：
{
"metrics": {
"##1.0##canaltest$plugin-local": {
"aliuid": "****",
"enable": true,
"category": "canal",
"defaultEndpoint": "*******",
"project_name": "canaltest",
"region": "cn-hangzhou",
"version": 2
"log_type": "plugin",
"plugin": {
"inputs": [
{
"type": "service_canal",
"detail": {
"Host": "*****",
"Password": "****",
"ServerID": ****,
"User" : "***",
"DataBases": [
"yourdb"
],
"IgnoreTables": [
"\\S+_inner"
],
"TextToString" : true
}
}
],
"flushers": [
{
"type": "flusher_sls",
"detail": {}
}
]
}
}
}
}其中detail中的Host和Password等信息为MySQL数据库信息，User请用之前授权过的用户名。
aliUid、defaultEndpoint、project_name、category请根据自己的实际情况填写对应的用户和sls信息。
配置好后，我们过2分钟左右，通过sls控制台，看下数据有没有上来，具体如图：
如果没有正常采集上来，请根据sls的提示，查看sls的采集日志进行排查。
准备好代码，编译成jar包，上传到oss
- 代码准备
我们可以将emr的example代码通过git复制下来，修改下，具体命令如下：
git clone https://github.com/aliyun/aliyun-emapreduce-demo.git
example代码中已经有LoghubSample这个类，主要用于从sls采集数据，然后直接打印出来。
我们只要稍做修改，就可以达到我们的目的了。
以下是我修改后的代码：
package com.aliyun.emr.example
import org.apache.spark.SparkConf
import org.apache.spark.storage.StorageLevel
import org.apache.spark.streaming.aliyun.logservice.LoghubUtils
import org.apache.spark.streaming.{Milliseconds, StreamingContext}
object LoghubSample {
def main(args: Array[String]): Unit = {
if (args.length < 7) {
System.err.println(
"""Usage: bin/spark-submit --class LoghubSample examples-1.0-SNAPSHOT-shaded.jar
|
|
""".stripMargin)
System.exit(1)
}
val loghubProject = args(0)
val logStore = args(1)
val loghubGroupName = args(2)
val endpoint = args(3)
val accessKeyId = args(4)
val accessKeySecret = args(5)
val batchInterval = Milliseconds(args(6).toInt * 1000)
val conf = new SparkConf().setAppName("Mysql Sync")
// conf.setMaster("local[4]");
val ssc = new StreamingContext(conf, batchInterval)
val loghubStream = LoghubUtils.createStream(
ssc,
loghubProject,
logStore,
loghubGroupName,
endpoint,
1,
accessKeyId,
accessKeySecret,
StorageLevel.MEMORY_AND_DISK)
loghubStream.foreachRDD(rdd =>
rdd.saveAsTextFile("/mysqlbinlog")
)
ssc.start()
ssc.awaitTermination()
}
}其中主要改动是：
loghubStream.foreachRDD(rdd =>
rdd.saveAsObjectFile("/mysqlbinlog")
)
这样在emr里运行时，就会把spark streaming中流出来的数据，保存到emr的hdfs中。
注意：
- 由于如果要在本地运行起来，请在本地环境提前搭建hadoop集群。
- 由于emr的spark sdk做了升级，他的example code有点旧，不能直接在参数中传递oss的accessKeyId、accessKeySecret 而是需要通过sparkConf设置进来。
trait RunLocally {
val conf = new SparkConf().setAppName(getAppName).setMaster("local[4]")
conf.set("spark.hadoop.fs.oss.impl", "com.aliyun.fs.oss.nat.NativeOssFileSystem")
conf.set("spark.hadoop.mapreduce.job.run-local", "true")
conf.set("spark.hadoop.fs.oss.endpoint", "YourEndpoint")
conf.set("spark.hadoop.fs.oss.accessKeyId", "YourId")
conf.set("spark.hadoop.fs.oss.accessKeySecret", "YourSecret")
conf.set("spark.hadoop.job.runlocal", "true")
conf.set("spark.hadoop.fs.oss.impl", "com.aliyun.fs.oss.nat.NativeOssFileSystem")
conf.set("spark.hadoop.fs.oss.buffer.dirs", "/mnt/disk1")
val sc = new SparkContext(conf)
def getAppName: String
}- 在本地调试时，需要把
loghubStream.foreachRDD(rdd =>
rdd.saveAsObjectFile("/mysqlbinlog")
)
中的/mysqlbinlog修改成本地hdfs的地址
- 代码编译
在本地调试完成后，我们可以通过如下命令进行打包编译：
mvn clean install- 上传jar包
通过oss控制台或oss的sdk将target/shaded目录下的examples-1.1-shaded.jar上传到oss上
我在oss上建立了bucket为qiaozhou-emr/jar的目录，这个上传后的jar包地址为oss://qiaozhou-emr/jar/examples-1.1-shaded.jar注意，这个地址在后续会用上，如下图：
搭建emr集群，创建任务，运行执行计划，查看结果
- 首先我们需要通过emr控制台创建一个emr集群，这个过程比较漫长，需要10分钟左右，请耐心等待
- 创建类型为spark的作业
--master yarn --deploy-mode client --driver-memory 4g --executor-memory 2g --executor-cores 2 --class com.aliyun.emr.example.LoghubSample ossref://emr-test/jar/examples-1.1-shaded.jar canaltest canal sparkstreaming $sls_endpoint $sls_access_id $sls_secret_key 1
请根据你的具体配置将
slsendpointsls_access_id $sls_secret_key替换成真实值
注意参数的顺序，否则会报错。
3. 创建执行计划，将作业和emr集群绑定后，开始运行
4. 找到master节点的ip，如图：
通过ssh登录上去后，执行命令：
hadoop fs -ls /就会看到mysqlbinlog开头的目录，再通过命令:
hadoop fs -ls /mysqlbinlog查看mysqlbinlog文件，如图：
最后还可以通过命令：
hadoop fs -cat /mysqlbinlog/part-00000如图：
查看文件内容，是不是很神奇呀?
错误排查
如果没有出来正常的结果，可以通过emr的运行记录，来进行问题排查,如图：
