ByteHouse MaterializedMySQL 增强优化

更多技术交流、求职机会，欢迎关注字节跳动数据平台微信公众号，回复【1】进入官方交流群

前言

社区版 ClickHouse 推出了MaterializedMySQL数据库引擎，用于将 MySQL 中的表映射到 ClickHouse 中。ClickHouse 服务作为 MySQL 副本，读取 Binlog 并执行 DDL 和 DML 请求，实现了基于 MySQL Binlog 机制的业务数据库实时同步功能。

这样不依赖其他数据同步工具，就能将 MySQL 整库数据实时同步到 ClickHouse，从而能基于 ClickHouse 构建实时数据仓库。

ByteHouse 是基于 ClickHouse 增强自研的云原生数据仓库，在社区版 ClickHouse 的 MaterializedMySQL 之上进行了功能增强，让数据同步更稳定，支持便捷地处理同步异常问题。

社区版 MaterializedMySQL 简介

ClickHouse 社区版通过 DDL 语句在 ClickHouse 上创建一个 database，并将 MySQL 中的指定的一个 database 的全量数据迁移至 ClickHouse，并实时读取 MySQL 的 binlog 日志，将 MySQL 中的增量数据实时同步至 ClickHouse 中。

详细介绍：[experimental] MaterializedMySQL | ClickHouse Docs

同步示例

同步一个 MySQL 库至 ClickHouse 的示例创建语句如下：

CREATE DATABASE db_name ENGINE = MaterializedMySQL(...)
SETTINGS materialized_mysql_tables_list='user_table,catalog_sales'
TABLE OVERRIDE user_table(
    COLUMNS (
        userid UUID,
        category LowCardinality(String),
        timestamp DateTime CODEC(Delta, Default)
    )
    PARTITION BY toYear(timestamp)
),
TABLE OVERRIDE catalog_sales(
    COLUMNS (
        client_ip String TTL created + INTERVAL 72 HOUR
    )
    SAMPLE BY ip_hash
)

功能优势

MaterializedMySQL 数据同步方案的优势有：

• 简单易用：使用一个 DDL 语句就能创建整库同步任务，能将数百数千张表一键同步至 ClickHouse，操作简单。

• 架构简单：使用 ClickHouse 本身的计算资源进行数据增量同步，无需搭建其他的数据同步工具，数据架构简单。

• 时效性好：支持实时同步源端数据，ClickHouse 端几乎是毫秒和秒级延迟，时效体验非常好。

ByteHouse 功能增强

社区版 MaterializedMySQL 很大程度了解决了 MySQL 库到 ClickHouse 之间的数据实时同步问题，但也存在不少问题导致其很难应用到生产应用中，主要问题如下：

• 配置选项少

社区版 MaterializedMySQL 不支持同步到分布式表，不支持跳过不兼容 DDL 等功能，缺乏这些功能很难将 MaterializedMySQL 用于实际应用中。

• 运维困难

社区版 MaterializedMySQL 不支持同步异常重新同步命令，没有同步状态和日志信息，同步任务失败后很难短时间定位问题和恢复同步。

ByteHouse 的 MaterializedMySQL 功能针对使用过程中的问题和困难，做了多处增强，提高了易用性，降低了运维成本。

数据去重

通过 MaterializedMySQL 同步到 ByteHouse 的表默认采用 HaUniqueMergeTree 表引擎，该表引擎支持配置 UNIQUE KEY 唯一键，提供 upsert 更新写语义，源端数据的更新操作在目标端可以实时去重更新。不需要依赖_version、_sign 虚拟列来标记删除更新，简化了业务逻辑，提高了易用性。

同步范围

通过 SETTINGS 参数中配置 include_tables 和 exclude_tables 列表，指定该数据库下需要同步的表清单或者不需要同步的表清单，否则同步该库所有的表。

在实际应用中，一个数据库通常有数百乃至数千张表，其中有些表无需同步、或者数据可能存在异常，可以将这些表加入 exclude_tables 清单，不影响其他表的数据同步。

异常处理

数据同步链路无法避免发生异常情况导致同步中断，ByteHouse 提高了多个功能来简化异常问题处理。

跳过不支持的语句

MySQL 支持的 DDL 语句非常丰富，有很多语法与 clickhouse 不兼容，在 ClickHouse 端执行会报错中断同步任务。

可以通过设置 skip_ddl_patterns 参数，用 1 个或多个正则表达式将匹配的 DDL 语句过滤掉，从而避免了报错和中断同步任务。

系统日志表

ByteHouse 提供两个系统表：system.materialize_mysql_status，system.materialize_mysql_log，分别记录了每个同步任务的状态，参数设置和运行日志。便于实时查看同步状态和排查异常问题。

出错后运维

当同步任务出现了同步异常后，通过查看运行日志系统表定为问题。

针对性处理了异常问题后，通过 resync 命令重启同步任务。

分布式模式

社区版 MaterializedMySQL 的每个同步任务会将源端的一个库同步至 ClickHouse 的某个节点，不支持按分片逻辑将数据分布到所有节点，无法利用 ClickHouse 集群的分布式计算存储能力；如果在集群中每个节点都建一个同步库，则源端一份数据会被同步一份全量至每个 ClickHouse 节点，既浪费了存储空间，降低了查询性能，又会对源端产生巨大的压力。

ByteHouse 支持构建分布式模式的 MaterializedMySQL 库，将每个表都对应同步至 ByteHouse 的一个分布式表，数据不重复存储，能充分利用分布式集群的计算能力，又降低了对源端的同步压力。

可视化运维

ByteHouse 同时提供了可视化运维模块，能实时查看同步状态，暴露同步异常，支持在线修复同步异常问题和重启同步任务。

最佳实践

下午将演示将 MySQL 库中的若干张表同步至 ByteHouse 的全过程。

源端配置

在 MySQL 数据库端需要配置的参数如下。

开启 Binlog

设置默认的认证插件

开启 GTID 模式

• 用户权限  MaterializeMySQL 表引擎用户必须具备 MySQL 库的 RELOAD、REPLICATION SLAVE、REPLICATION CLIENT 以及 SELECT PRIVILEGE 权限  支持的 MySQL 版本 5.65.78.0

源端数据准备

在 MySQL 数据库里面创建一个 database，创建两张表，并插入若干数据。

Show databases;
--【MySQL】Mysql中创建库
create database db;
use db;
--【MySQL】Mysql中创建表
CREATE TABLE `user` (
  `id` bigint(20) unsigned NOT NULL AUTO_INCREMENT,
  `name` varchar(64) DEFAULT NULL,
  PRIMARY KEY (`id`)
) ENGINE=InnoDB AUTO_INCREMENT=5 DEFAULT CHARSET=utf8mb4 COMMENT='user info';

CREATE TABLE `data` (
  `id` bigint(20) unsigned NOT NULL,
  `date_time` datetime NOT NULL,
  PRIMARY KEY (`id`)
) ENGINE=InnoDB AUTO_INCREMENT=5 DEFAULT CHARSET=utf8mb4 COMMENT='time';
--【MySQL】Mysql中插入数据
INSERT INTO yangxi.user(id,name) VALUES (111,'step1-1111'),(222,'step1-2222');
INSERT INTO yangxi.data(id,date_time) VALUES (111,now()),(222,now()),(333,now());

创建 MaterializeMySQL

在 ByteHouse 的控制台数据查询窗口，创建 MaterializeMySQL 库。

#【worksheet】创建物化Mysql库,
--【Clickhouse】在集群名称是 bytehouse的集群上创建物化库，集群名称是个变量
CREATE DATABASE shard_mode_true_mysql_sync on cluster bytehouse
ENGINE = MaterializeMySQL('10.137.xx.xx:3309', 'db', 'username', 'password')
 settings shard_mode=true,allows_query_when_mysql_lost=1，include_tables='user,data'
TABLE OVERRIDE data( PARTITION BY toYYYYMMDD(date_time)) ;
 

参数解释：

• shard_mode：true 表示是同步至分布式表。

• allows_query_when_mysql_lost：1 表示同步中断的时候也允许查询数据。

• include_tables:同步源端 db 库中 user 和 data 两张表，其他表跳过不同步。

• OVERRIDE ：ByteHouse 中的 data 表按照 date_time 字段分区。

查看同步状态

切换到 ByteHouse 数据管理模块，搜索 shard_mode_true_mysql_sync 库，并查看库同步状态

同步任务管理

库-停止同步/开始同步

• 创建库后默认是同步状态

• 可以手动停止同步

• 停止中的库可以手动开始同步

库-重置同步

选择一个同步库，点击“重置同步”可以从头开始重新同步整库

表-重置同步

选择一个同步中的表 A，点击“重置同步”按钮，系统将执行以下行为：

1. 关闭同步任务

2. 从源端全量拉取该表的数据至临时表(A_CHTMP,表名后缀会加上_CHTMP)

3. 删除目标端原有表 A(如果存在)

4. 将临时表 A_CHTMP RENAME 为 A

5. 开始增量同步

删除库

删除 ByteHouse 中的库以及同步关系。

异常处理

系统运维表

在 ByteHouse 管理控制台，通过下列语句查看任务同步状态和错误信息。

select * from cluster('bytehouse','system.materialize_mysql_status',(1,2))
select * from cluster('bytehouse','system.materialize_mysql_log',(1,2))

单表异常恢复

在源端执行下列 Alter table 语句以后，库同步会失败

--修改字段类型
mysql> ALTER TABLE db.test ADD COLUMN h tinyint;
mysql> ALTER TABLE db.test MODIFY h int default 0;
mysql>ALTER TABLE db.test MODIFY h tinyint default 0;

恢复办法：

在 ByteHouse 界面上进入表详情，点击重新同步按钮。

进入库详情页面，点击开始同步按钮，即可恢复同步。

在 ByteHouse 中执行下列语句，也可以恢复数据同步

--通过下述命令，或者可视化界面，可以重启同步
--shard_mode=true情况
:) system resync materialize mysql table on cluster bytehouse shard_mode_true_mysql_sync.test;
:) system restart sync materialize mysql on cluster bytehouse shard_mode_true_mysql_sync;

其他操作

设置跳过 DDL

:) CREATE DATABASE db_mysql_sync_skip on cluster bytehouse
ENGINE = MaterializeMySQL('10.xx.xx.xx:3309', 'db', 'username', 'password')
SETTINGS include_tables='user,date_time',skip_ddl_patterns='.*add column.*,.*MODIFY.*'
TABLE OVERRIDE data( PARTITION BY toYYYYMMDD(date_time)) ;

修改 include 和 exclude

通过下列语句修改 include 和 exclude 参数，来修改同步表范围。

:) alter database shard_mode_true_mysql_sync on cluster bytehouse   modify setting include_tables='user,data,date_time,test';
:) alter database shard_mode_true_mysql_sync on cluster bytehouse
modify  setting include_tables='',exclude_tables='test3';

异常报警

ByteHouse 提供监控报警功能，在库同步异常停止或单表同步失败的时候，可以向管理员发送报警信息。

点击跳转 ByteHouse云原生数据仓库 了解更多