寫在前面

　　好久沒更新Blog了，從CRUD Boy轉(zhuǎn)型大數(shù)據(jù)開發(fā)，拉寬了不少的知識面，從今年年初開始籌備、組建、招兵買馬，到現(xiàn)在穩(wěn)定開搞中，期間踏過無數(shù)的火坑，也許除了這篇還很寫上三四篇。

　　進(jìn)入主題，通常企業(yè)為了實(shí)現(xiàn)數(shù)據(jù)統(tǒng)計、數(shù)據(jù)分析、數(shù)據(jù)挖掘、解決信息孤島等全局?jǐn)?shù)據(jù)的系統(tǒng)化運(yùn)作管理 ，為BI、經(jīng)營分析、決策支持系統(tǒng)等深度開發(fā)應(yīng)用奠定基礎(chǔ)，挖掘數(shù)據(jù)價值 ，企業(yè)會開始著手建立數(shù)據(jù)倉庫，數(shù)據(jù)中臺。而這些數(shù)據(jù)來源則來自于企業(yè)的各個業(yè)務(wù)系統(tǒng)的數(shù)據(jù)或爬取外部的數(shù)據(jù)，從業(yè)務(wù)系統(tǒng)數(shù)據(jù)到數(shù)據(jù)倉庫的過程就是一個ETL（Extract-Transform-Load）行為，包括了采集、清洗、數(shù)據(jù)轉(zhuǎn)換等主要過程，通常異構(gòu)數(shù)據(jù)抽取轉(zhuǎn)換使用Sqoop、DataX等，日志采集Flume、Logstash、Filebeat等。

　　數(shù)據(jù)抽取分為全量抽取和增量抽取，全量抽取類似于數(shù)據(jù)遷移或數(shù)據(jù)復(fù)制，全量抽取很好理解；增量抽取在全量的基礎(chǔ)上做增量，只監(jiān)聽、捕捉動態(tài)變化的數(shù)據(jù)。如何捕捉數(shù)據(jù)的變化是增量抽取的關(guān)鍵，一是準(zhǔn)確性，必須保證準(zhǔn)確的捕捉到數(shù)據(jù)的動態(tài)變化，二是性能，不能對業(yè)務(wù)系統(tǒng)造成太大的壓力。

增量抽取方式

　　通常增量抽取有幾種方式，各有優(yōu)缺點(diǎn)。

1. 觸發(fā)器

　　在源數(shù)據(jù)庫上的目標(biāo)表創(chuàng)建觸發(fā)器，監(jiān)聽增、刪、改操作，捕捉到數(shù)據(jù)的變更寫入臨時表。

優(yōu)點(diǎn)：操作簡單、規(guī)則清晰，對源表不影響；

缺點(diǎn)：對源數(shù)據(jù)庫有侵入，對業(yè)務(wù)系統(tǒng)有一定的影響；

2. 全表比對

　　在ETL過程中，抽取方建立臨時表待全量抽取存儲，然后在進(jìn)行比對數(shù)據(jù)。

優(yōu)點(diǎn)：對源數(shù)據(jù)庫、源表都無需改動，完全交付ETL過程處理，統(tǒng)一管理；

缺點(diǎn)：ETL效率低、設(shè)計復(fù)雜，數(shù)據(jù)量越大，速度越慢，時效性不確定；

3. 全表刪除后再插入

　　在抽取數(shù)據(jù)之前，先將表中數(shù)據(jù)清空，然后全量抽取。

優(yōu)點(diǎn)：ETL 操作簡單，速度快。

缺點(diǎn)：全量抽取一般采取T+1的形式，抽取數(shù)據(jù)量大的表容易對數(shù)據(jù)庫造成壓力；

4. 時間戳

　　時間戳的方式即在源表上增加時間戳列，對發(fā)生變更的表進(jìn)行更新，然后根據(jù)時間戳進(jìn)行提取。

優(yōu)點(diǎn)：操作簡單，ELT邏輯清晰，性能比較好；

缺點(diǎn)：對業(yè)務(wù)系統(tǒng)有侵入，數(shù)據(jù)庫表也需要額外增加字段。對于老的業(yè)務(wù)系統(tǒng)可能不容易做變更。

5. CDC方式

　　變更數(shù)據(jù)捕獲Change Data Capture（簡稱CDC），SQLServer為實(shí)時更新數(shù)據(jù)同步提供了CDC機(jī)制，類似于Mysql的binlog，將數(shù)據(jù)更新操作維護(hù)到一張CDC表中。開啟CDC的源表在插入INSERT、更新UPDATE和刪除DELETE活動時會插入數(shù)據(jù)到日志表中。cdc通過捕獲進(jìn)程將變更數(shù)據(jù)捕獲到變更表中，通過cdc提供的查詢函數(shù)，可以捕獲這部分?jǐn)?shù)據(jù)。詳情可以查看官方介紹：關(guān)于變更數(shù)據(jù)捕獲 (SQL Server)

優(yōu)點(diǎn)：提供易于使用的API 來設(shè)置CDC 環(huán)境，縮短ETL 的時間，無需修改業(yè)務(wù)系統(tǒng)表結(jié)構(gòu)。

缺點(diǎn)：受數(shù)據(jù)庫版本的限制，實(shí)現(xiàn)過程相對復(fù)雜。

CDC增量抽取

先決條件

1. 已搭建好Kafka集群，Zookeeper集群；

2. 源數(shù)據(jù)庫支持CDC，版本采用開發(fā)版或企業(yè)版。

案例環(huán)境：

Ubuntu 20.04

Kafka2.13-2.7.0

Zookeeper 3.6.2

SQL Server 2012

步驟

　　除了數(shù)據(jù)庫開啟CDC支持以外，主要還是要將變更的數(shù)據(jù)通過Kafka Connect傳輸數(shù)據(jù)，Debezium是目前官方推薦的連接器，它支持絕大多數(shù)主流數(shù)據(jù)庫：MySQL、PostgreSQL、SQL Server、Oracle等等，詳情查看Connectors。

1. 數(shù)據(jù)庫步驟

開啟數(shù)據(jù)庫CDC支持

　　在源數(shù)據(jù)庫執(zhí)行以下命令：

EXEC sys.sp_cdc_enable_db GO

　　附上關(guān)閉語句：

exec sys.sp_cdc_disable_db

查詢是否啟用

select * from sys.databases where is_cdc_enabled = 1

創(chuàng)建測試數(shù)據(jù)表：（已有表則跳過此步驟）

create  table T_LioCDC
(
    ID int identity(1,1) primary key ,
    Name nvarchar(16),
    Sex bit,
    CreateTime datetime,
    UpdateTime datetime
);

對源表開啟CDC支持：

exec sp_cdc_enable_table 
@source_schema='dbo', 
@source_name='T_LioCDC', 
@role_name=null,
@supports_net_changes = 1;

確認(rèn)是否有權(quán)限訪問CDC Table：

EXEC sys.sp_cdc_help_change_data_capture

確認(rèn)SQL Server Agent已開啟：

EXEC master.dbo.xp_servicecontrol N'QUERYSTATE',N'SQLSERVERAGENT'

　　以上則完成對數(shù)據(jù)庫的CDC操作。

2. Kafka步驟

　　Kafka Connect的工作模式分為兩種，分別是standalone模式和distributed模式。standalone用于單機(jī)測試，本文用distributed模式，用于生產(chǎn)環(huán)境。（Kafka必須先運(yùn)行啟動，再進(jìn)行以下步驟進(jìn)行配置。）

下載Sql Server Connector

　　下載連接器后，創(chuàng)建一個文件夾來存放，解壓到該目錄下即可，例子路徑：/usr/soft/kafka/kafka_2.13_2.7.0/plugins（記住這個路徑，配置中要用到）

下載地址：debezium-connector-sqlserver-1.5.0.Final-plugin.tar.gz

編輯connect-distributed.properties配置

　　修改Kafka connect配置文件，$KAFKA_HOME/config/connect-distributed.properties，變更內(nèi)容如下：

//kafka集群ip+portbootstrap.servers=172.192.10.210:9092,172.192.10.211:9092,172.192.10.212:9092

key.converter.schemas.enable=false
value.converter.schemas.enable=false

offset.storage.topic=connect-offsets
offset.storage.replication.factor=1
offset.storage.partitions=3
offset.storage.cleanup.policy=compact

config.storage.topic=connect-configs
config.storage.replication.factor=1

status.storage.topic=connect-status
status.storage.replication.factor=1
status.storage.partitions=3
//剛剛下載連接器解壓的路徑
plugin.path=/usr/soft/kafka/kafka_2.13_2.7.0/plugins

看到配置中有三個Topic，分別是

config.storage.topic：用以保存connector和task的配置信息，需要注意的是這個主題的分區(qū)數(shù)只能是1，而且是有多副本的。

offset.storage.topic：用以保存offset信息。

status.storage.topic：用以保存connetor的狀態(tài)信息。

這些Topic可以不用創(chuàng)建，啟動后會默認(rèn)創(chuàng)建。

啟動Kafka集群

　　保存配置之后，將connect-distributed.properties分發(fā)到集群中，然后啟動：

bin/connect-distributed.sh config/connect-distributed.properties

檢查是否啟動

　　connector支持REST API的方式進(jìn)行管理，所以用Post man或者Fiddler可以調(diào)用相關(guān)接口進(jìn)行管理。檢查是否啟動：

不用奇怪，上面配置集群的IP是172段，這里的192.168.1.177仍是我的集群中的一個服務(wù)器，因為服務(wù)器都使用了雙網(wǎng)卡。因為還沒有連接器相關(guān)配置，所以接口返回是一個空數(shù)組，接下來將新增一個連接器。

編寫sqlserver-cdc-source.json

{
    "name": "sqlserver-cdc-source",
    "config": {
        "connector.class" : "io.debezium.connector.sqlserver.SqlServerConnector",
        "database.server.name" : "JnServer",
        "database.hostname" : "172.192.20.2", --目標(biāo)數(shù)據(jù)庫的ip
        "database.port" : "1433",  --目標(biāo)數(shù)據(jù)庫的端口
        "database.user" : "sa",   --目標(biāo)數(shù)據(jù)庫的賬號
        "database.password" : "123456",  --密碼
        "database.dbname" : "Dis",  --目標(biāo)數(shù)據(jù)庫的數(shù)據(jù)庫名稱
        "table.whitelist": "dbo.T_LioCDC", --監(jiān)聽表名
         "schemas.enable" : "false",  
         "mode":"incrementing",  --增量模式
         "incrementing.column.name": "ID", --增量列名
        "database.history.kafka.bootstrap.servers" : "172.192.10.210:9092,172.192.10.211:9092,172.192.10.212", --kafka集群
        "database.history.kafka.topic": "TopicTLioCDC",  --kafka topic內(nèi)部使用，不是由消費(fèi)者使用
        "value.converter.schemas.enable":"false",
        "value.converter":"org.apache.kafka.connect.json.JsonConverter"
    }
}
//源文地址：?https://www.cnblogs.com/EminemJK/p/14688907.html

還有其他額外的配置，可以參考官方文檔。然后執(zhí)行

繼續(xù)執(zhí)行檢查，就發(fā)現(xiàn)連接器已經(jīng)成功配置了：

其他API

GET /connectors – 返回所有正在運(yùn)行的connector名。
POST /connectors – 新建一個connector; 請求體必須是json格式并且需要包含name字段和config字段，name是connector的名字，config是json格式，必須包含你的connector的配置信息。
GET /connectors/{name} – 獲取指定connetor的信息。
GET /connectors/{name}/config – 獲取指定connector的配置信息。
PUT /connectors/{name}/config – 更新指定connector的配置信息。
GET /connectors/{name}/status – 獲取指定connector的狀態(tài)，包括它是否在運(yùn)行、停止、或者失敗，如果發(fā)生錯誤，還會列出錯誤的具體信息。
GET /connectors/{name}/tasks – 獲取指定connector正在運(yùn)行的task。
GET /connectors/{name}/tasks/{taskid}/status – 獲取指定connector的task的狀態(tài)信息。
PUT /connectors/{name}/pause – 暫停connector和它的task，停止數(shù)據(jù)處理知道它被恢復(fù)。
PUT /connectors/{name}/resume – 恢復(fù)一個被暫停的connector。
POST /connectors/{name}/restart – 重啟一個connector，尤其是在一個connector運(yùn)行失敗的情況下比較常用
POST /connectors/{name}/tasks/{taskId}/restart – 重啟一個task，一般是因為它運(yùn)行失敗才這樣做。
DELETE /connectors/{name} – 刪除一個connector，停止它的所有task并刪除配置。//源文地址：?https://www.cnblogs.com/EminemJK/p/14688907.html

查看Topic

/usr/soft/kafka/kafka_2.13_2.7.0# bin/kafka-topics.sh --list --zookeeper localhost:2000

TopicJnServer.dbo.T_LioCDC則是供我們消費(fèi)的主題，啟動一個消費(fèi)者進(jìn)行監(jiān)聽測試：

bin/kafka-console-consumer.sh --bootstrap-server 172.192.10.210:9092? --consumer-property group.id=group1 --consumer-property client.id=consumer-1? --topic JnServer.dbo.T_LioCDC

然后再源表進(jìn)行一些列增刪改操作，

--測試代碼
insert into T_LioCDC(name, sex, createtime,UpdateTime)  values ('A',1,getdate(),getdate())
insert into T_LioCDC(name, sex, createtime,UpdateTime)  values ('B',0,getdate(),getdate())
insert into T_LioCDC(name, sex, createtime,UpdateTime)  values ('C',1,getdate(),getdate())
insert into T_LioCDC(name, sex, createtime,UpdateTime)  values ('D',0,getdate(),getdate())
insert into T_LioCDC(name, sex, createtime,UpdateTime)  values ('E',1,getdate(),getdate())
insert into T_LioCDC(name, sex, createtime,UpdateTime)  values ('F',1,getdate(),getdate())
insert into T_LioCDC(name, sex, createtime,UpdateTime)  values ('G',0,getdate(),getdate())

update T_LioCDC
set Name='Lio.Huang',UpdateTime=getdate()
where ID=7

已經(jīng)成功捕捉到數(shù)據(jù)的變更，對比幾個操作Json，依次是insert、update、delete：