logstash-input-jdbc同步mysql数据到elasticsearch

mysql 作为成熟稳定的数据持久化解决方案，广泛地应用在各种领域，但是在数据分析方面稍有不足，而 elasticsearch 作为数据分析领域的佼佼者，刚好可以弥补这项不足，而我们要做的只需要将 mysql 中的数据同步到 elasticsearch 中即可，而 logstash 刚好就可以支持，所有你需要做的只是写一个配置文件而已

logstash 获取

wget https://artifacts.elastic.co/downloads/logstash/logstash-6.2.3.zip
unzip logstash-6.2.3.zip && cd logstash-6.2.3
           

安装 jdbc 和 elasticsearch 插件

bin/logstash-plugin install logstash-input-jdbc
bin/logstash-plugin install logstash-output-elasticsearch
           

获取 jdbc mysql 驱动

wget https://cdn.mysql.com//Downloads/Connector-J/mysql-connector-java-5.1.46.zip
unzip mysql-connector-java-5.1.46.zip
           

编写配置文件

logstash-input-jdbc

使用 logstash-input-jdbc 插件读取 mysql 的数据，这个插件的工作原理比较简单，就是定时执行一个 sql，然后将 sql 执行的结果写入到流中，增量获取的方式没有通过 binlog 方式同步，而是用一个递增字段作为条件去查询，每次都记录当前查询的位置，由于递增的特性，只需要查询比当前大的记录即可获取这段时间内的全部增量，一般的递增字段有两种，AUTO_INCREMENT 的主键 id 和 ON UPDATE CURRENT_TIMESTAMP 的 update_time 字段，id 字段只适用于那种只有插入没有更新的表，update_time 更加通用一些，建议在 mysql 表设计的时候都增加一个 update_time 字段

input {
  jdbc {
    jdbc_driver_library => "../mysql-connector-java-5.1.46/mysql-connector-java-5.1.46-bin.jar"
    jdbc_driver_class => "com.mysql.jdbc.Driver"
    jdbc_connection_string => "jdbc:mysql://<mysql_host>:3306/rta"
    jdbc_user => "<username>"
    jdbc_password => "<password>"
    schedule => "* * * * *"
    statement => "SELECT * FROM table WHERE update_time >= :sql_last_value"
    use_column_value => true
    tracking_column_type => "timestamp"
    tracking_column => "update_time"
    last_run_metadata_path => "syncpoint_table"
  }
}
           

jdbc_driver_library: jdbc mysql 驱动的路径，在上一步中已经下载

jdbc_driver_class: 驱动类的名字，mysql 填 com.mysql.jdbc.Driver 就好了

jdbc_connection_string: mysql 地址

jdbc_user: mysql 用户

jdbc_password: mysql 密码

schedule: 执行 sql 时机，类似 crontab 的调度

statement: 要执行的 sql，以 “:” 开头是定义的变量，可以通过 parameters 来设置变量，这里的 sql_last_value 是内置的变量，表示上一次 sql 执行中 update_time 的值，这里 update_time 条件是 >= 因为时间有可能相等，没有等号可能会漏掉一些增量

use_column_value: 使用递增列的值

tracking_column_type: 递增字段的类型，numeric 表示数值类型, timestamp 表示时间戳类型

tracking_column: 递增字段的名称，这里使用 update_time 这一列，这列的类型是 timestamp

last_run_metadata_path: 同步点文件(不是路径)，这个文件记录了上次的同步点，需要事先创建好，重启时会读取这个文件，这个文件可以手动修改

logstash-output-elasticsearch

output {
  elasticsearch {
    hosts => ["172.31.22.165", "172.31.17.241", "172.31.30.84", "172.31.18.178"]
    user => "<user>"
    password => "<password>"
    index => "table"
    document_id => "%{id}"
  }
}
           

hosts: es 集群地址

user: es 用户名

password: es 密码

index: 导入到 es 中的 index 名，这里我直接设置成了 mysql 表的名字

document_id: 导入到 es 中的文档 id，这个需要设置成主键，否则同一条记录更新后在 es 中会出现两条记录，%{id} 表示引用 mysql 表中 id 字段的值

运行

把上面的代码保存到一个配置文件里面 sync_table.cfg，执行下面命令即可

cd logstash-6.2.3 && bin/logstash -f config/sync_table.cfg

如果成功了会在标准输出输出执行的 sql 语句

[2018-04-14T18:12:00,278][INFO ][logstash.inputs.jdbc ] (0.001011s) SELECT version()

[2018-04-14T18:12:00,284][INFO ][logstash.inputs.jdbc ] (0.000723s) SELECT * FROM table WHERE update_time > ‘2018-04-14 17:55:00’

其他问题

多表同步

一个 logstash 实例可以借助 pipelines 机制同步多个表，只需要写多个配置文件就可以了，假设我们有两个表 table1 和 table2，对应两个配置文件 sync_table1.cfg 和 sync_table2.cfg

在 config/pipelines.yml 中配置

• pipeline.id: table1

  path.config: “config/sync_table1.cfg”

• pipeline.id: table2

  path.config: “config/sync_table2.cfg”

  直接 bin/logstash 启动即可

@timestamp 字段

默认情况下 @timestamp 字段是 logstash-input-jdbc 添加的字段，默认是当前时间，这个字段在数据分析的时候非常有用，但是有时候我们希望使用数据中的某些字段来指定这个字段，这个时候可以使用 filter.date, 这个插件是专门用来设置 @timestamp 这个字段的

比如我有我希望用字段 timeslice 来表示 @timestamp，timeslice 是一个字符串，格式为 %Y%m%d%H%M

filter {

date {

match => [ “timeslice”, “yyyyMMddHHmm” ]

timezone => “Asia/Shanghai”

}

}

把这一段配置加到 sync_table.cfg 中，现在 @timestamp 和 timeslice 一致了

示例2：

input{
     jdbc{
                jdbc_driver_library => "logstash-6.3.2/driver/mysql-connector-java-5.1.30.jar"
                jdbc_driver_class => "com.mysql.jdbc.Driver"
                jdbc_connection_string => "jdbc:mysql://192.168.1.2:3306/mysql?useUnicode=true&characterEncoding=UTF-8&allowMultiQueries=true"
                jdbc_user => "123456" 
                jdbc_password => "123456"
                use_column_value => true
                tracking_column_type=>"timestamp"
                tracking_column => "upd_time"
                last_run_metadata_path => "/temp/run_metadata/data"
                clean_run => "false"
                statement => "select * from my_data where upd_time> :sql_last_value order by upd_time asc" 
                schedule => "10 10 * * *"  
                  #type => "data" 
                add_field => { "[@metadata][indextype]" => "data" } 
         }
    jdbc{
                jdbc_driver_library => "logstash-6.3.2/driver/mysql-connector-java-5.1.30.jar"
                jdbc_driver_class => "com.mysql.jdbc.Driver"
                jdbc_connection_string => "jdbc:mysql://192.168.1.2:3306/mysql?useUnicode=true&characterEncoding=UTF-8&allowMultiQueries=true"
                jdbc_user => "123456" 
                jdbc_password => "123456"
                use_column_value => true
                tracking_column_type=>"timestamp"
                tracking_column => "upd_time"
                last_run_metadata_path => "/temp/run_metadata/data2"
                clean_run => "false"
                statement => "select * from my_data2 where upd_time> :sql_last_value order by upd_time asc" 
                schedule => "10 10 * * *"  
                 #type => "data2" 
                add_field => { "[@metadata][indextype]" => "data2" } 
         }

}

filter {
  date {
    match => [ "upd_time", "yyyy-MM-dd HH:mm:ss" ]
    timezone => "Asia/Shanghai"
  }
  date {
    match => [ "created_time", "yyyy-MM-dd HH:mm:ss" ]
    timezone => "Asia/Shanghai"
  }
}

output{

   if [@metadata][indextype] == "data" {
        elasticsearch {
             hosts => ["192.168.1.1:9200"]
     	     index => "mydata"
             document_id => "%{row_id}"
       }
  }
           

if [@metadata][indextype] == “data2” {

elasticsearch {

hosts => [“192.168.1.2:9200”]

index => “mydata2”

document_id => “%{row_id}”

}

}

# 这里输出调试，正式运行时可以注释掉

stdout {

codec => json_lines

}

}
           

特别要注意的是：

1.select * from my_data where upd_time> :sql_last_value order by upd_time asc，必须对upd_time 进行排序，不然last_run_metadata_path 里存储的时间不是最近的更新时间。

2.涉及到多个查询时，last_run_metadata_path 不能配置一样，不然有覆盖问题。

3.配置文件中，当在input的jdbc下，增加type属性时，会导致该索引下增加type字段。所以sql查询出的字段不要用type，如果有，as成其他的名字，不然的话，这里判断会有异常。