MySQL,Oracle,SQL Server等准实时同步到PostgreSQL的方案之一 - FDW外部访问接口
背景
PostgreSQL历经几十年的发展,厚积薄发,每年一个大版本,每年都有惊喜,2017年10月推出的10版本,包含重大重磅特性(单元化逻辑订阅、并行计算、向量计算等,支持了OLTP+OLAP两种业务合一)。PostgreSQL在逐渐成为企业的核心库。
《最受开发者欢迎的HTAP数据库PostgreSQL 10特性》
企业数据源可能众多,为了实现数据的同步,方法有很多,较为常见的是这样的方法,将数据变更汇总到消息队列,通过消息订阅的方式,传播数据。消息队列可以承担持久化存储、幂等消费、数据清洗、流式计算等工作。当然,为了提高消息队列的吞吐率,越简单越好。就像路由器和交换机一样,各司其职。
在阿里云的PostgreSQL生态中,还可以有这样的方法(数据实时写入PG,经过PG的清洗,通过OSS流入HDB PG。实现OLTP和OLAP的数据流动。):
除了以上方法,实际上PostgreSQL还有一个杀手级功能,FDW,通过FDW,可以连接各种数据源,目前已有的接口如下(看样子包含了地球上所有的数据源):
https://wiki.postgresql.org/wiki/Fdw
下面我们来看一下,如何基于FDW构建一个简单的准实时同步方案。
FDW是什么
FDW是PostgreSQL的一个外部数据访问接口规范,用户可以自定义任何数据源的FDW handler,这样就能访问你要访问的数据接口了。
https://www.postgresql.org/docs/10/static/fdwhandler.html
上游数据源设计规范
为了适应使用FDW来实现准实时同步的需求,上游数据源必须要符合一定的规约。
1、被同步的表必须有主键。
2、被同步的表必须有修改时间(非空),修改时间字段的初始值为记录创建时间,每次更新记录,更新为当前时间。
3、被同步的表必须有逻辑删除标记(不要使用delete直接删除数据)
或者DELETE的操作与DDL操作一样,采用调度(业务系统与PG系统同时操作的模式)。
4、被同步的表,修改时间字段,必须有索引。
逻辑删除
简单介绍一下逻辑删除。
create table tbl(
id int primary key, -- 主键
info text,
state char(1), -- 逻辑删除标记
crt_time timestamp not null, -- 写入时间
mod_time timestamp not null -- 记录被修改的时间,记录创建时,设置mod_time为创建时间。
);
逻辑删除时,并非调用delete,而是更新state这个标记。
update tbl set state='d' , mod_time=now() where id=?;
PostgreSQL支持使用RULE,将DELETE操作转换为UPDATE操作,例子
postgres=# create table log(id serial8 primary key, info text, state char(1), crt_time timestamp, mod_time timestamp);
CREATE TABLE
postgres=# create rule r1 as on delete to log do instead update log set state='d',mod_time=now() where id=OLD.id;
CREATE RULE
postgres=# insert into log (info,crt_time,mod_time) values ('abc',now(),now());
INSERT 0 1
postgres=# select * from log;
id | info | state | crt_time | mod_time
----+------+-------+----------------------------+----------------------------
1 | abc | | 2017-10-27 15:15:44.577036 | 2017-10-27 15:15:44.577036
(1 row)
postgres=# delete from log where id=1;
DELETE 0
postgres=# select * from log;
id | info | state | crt_time | mod_time
----+------+-------+----------------------------+----------------------------
1 | abc | d | 2017-10-27 15:15:44.577036 | 2017-10-27 15:15:54.367215
(1 row)
postgres=# update log set info='test';
UPDATE 1
postgres=# select * from log;
id | info | state | crt_time | mod_time
----+------+-------+----------------------------+----------------------------
1 | test | d | 2017-10-27 15:15:44.577036 | 2017-10-27 15:15:54.367215
(1 row)
下游同步时,就可以同步到这样的操作。
如果业务上一定要DELETE,那么不适合本方案。请使用binlog的同步方式。例如rds_dbsync这个工具。
https://github.com/aliyun/rds_dbsync/
《MySQL准实时同步到PostgreSQL, Greenplum的方案之一 - rds_dbsync》
调度设计与例子
设计
1、创建外部表
2、创建本地表,结构与外部表一致
3、创建同步函数
4、同步函数逻辑
设置栅栏,对于一张外部表,同一时刻只允许开启一个任务,防止重复拖数据(虽然insert on conflict会幂等处理,但是也浪费资源)。
设置上一次同步的截止时间戳
从上一次截止的时间戳开始同步,直到N分钟前的数据(可调),目的是防止空洞(比如一些老事务未提交,时间戳还是老的,会成为空洞)。
5、使用linux crontab,创建定时任务
例子
环境部署,MySQL fdw的使用,详见:
《PostgreSQL 10 + PostGIS + Sharding(pg_pathman) + MySQL(fdw外部表) on ECS 部署指南(适合新用户)》
假设mysql_fdw foreign data wrapper, foreign server, user mapping, 权限 都已经配置好了。
1、外部表
CREATE FOREIGN TABLE remote_table1(
id int,
info text,
state char(1),
crt_time timestamp,
mod_time timestamp
)
SERVER mysql_server1
OPTIONS (dbname 'db1', table_name 'remote_table1');
2、本地表(与远程表定义一致)
create table local_table1(
id int primary key, -- 主键
info text,
state char(1), -- 逻辑删除标记
crt_time timestamp not null, -- 写入时间
mod_time timestamp not null -- 记录被修改的时间,记录创建时,设置mod_time为创建时间。
);
3、同步函数1
create or replace function sync_tbl1(rmt_table name) returns void as $$ -- 每个表配置一个独立的advisory ID,防止单个表有多个任务同时跑。
declare
v_mod_time timestamp; -- 起始时间
v_upper_mod_time timestamp; -- 截止时间
begin
if not pg_try_advisory_lock(hashtext(rmt_table)) then return; end if; -- 保护,确保同一个表,只有单个任务在同步。不同的表不会干扰。
select max(mod_time) into v_mod_time from local_table1 ;
if v_mod_time is null then
v_mod_time='0001-01-01'::timestamp;
end if;
v_upper_mod_time := now()-interval '5 min'; -- 最多同步到5分钟前,防止空洞(比如一些老事务未提交,时间戳还是老的,会成为空洞)。
insert into local_table1
(
select * from remote_table1 where mod_time > v_mod_time and mod_time <= v_upper_mod_time;
)
on conflict (id) do update set info=excluded.info,state=excluded.state,crt_time=excluded.crt_time,mod_time=excluded.mod_time ; -- 每个表的主键,以及字段可能不一样,需要修改一下。
return;
end;
$$ language plpgsql strict;
4、调度
假设每分钟调度一次。
crontab -e
* * * * * psql -c "select sync_tbl1('remote_table1');"
对于很大数据量的数据,PostgreSQL可以使用分区表。
《PostgreSQL 10.0 preview 功能增强 - 内置分区表》
注意
空洞问题。
最多同步到5分钟前,防止空洞(比如一些老事务未提交,时间戳还是老的,会成为空洞)。
参考
《PostgreSQL 10 + PostGIS + Sharding(pg_pathman) + MySQL(fdw外部表) on ECS 部署指南(适合新用户)》
《PostgreSQL 10.0 preview 功能增强 - 内置分区表》