Mysql增量写入Hdfs（一） --将Mysql数据写入Kafka Topic

一. 概述

在大数据的静态数据处理中，目前普遍采用的是用Spark+Hdfs（Hive/Hbase）的技术架构来对数据进行处理。

但有时候有其他的需求，需要从其他不同数据源不间断得采集数据，然后存储到Hdfs中进行处理。而追加（append）这种操作在Hdfs里面明显是比较麻烦的一件事。所幸有了Storm这么个流数据处理这样的东西问世，可以帮我们解决这些问题。

不过光有Storm还不够，我们还需要其他中间件来协助我们，让所有其他数据源都归于一个通道。这样就能实现不同数据源以及Hhdfs之间的解耦。而这个中间件Kafka无疑是一个很好的选择。

这样我们就可以让Mysql的增量数据不停得抛出到Kafka，而后再让storm不停得从Kafka对应的Topic读取数据并写入到Hdfs中。

二.binlog和maxwell介绍

2.1Mysql binlog介绍

binlog即Mysql的二进制日志。它可以说是Mysql最重要的日志了，它记录了所有的DDL和DML(除了数据查询语句)语句，以事件形式记录，还包含语句所执行的消耗的时间，MySQL的二进制日志是事务安全型的。

上面所说的提到了DDL和DML，可能有些同学不了解，这里顺便说一下：

• DDL：数据定义语言DDL用来创建数据库中的各种对象-----表、视图、索引、同义词、聚簇等如：CREATETABLE/VIEW/INDEX/SYN/CLUSTER...
• DML：数据操纵语言DML主要有三种形式：插入（INSERT），更新（UPDATE），以及删除（DELETE）。

在Mysql中，binlog默认是不开启的，因为有大约1%（官方说法）的性能损耗，如果要手动开启，流程如下：

1. vi编辑打开mysql配置文件：

vi /usr/local/mysql/etc/my.cnf

在[mysqld]区块设置/添加如下，

log-bin=mysql-bin

注意一定要在[mysqld]下。

2. 重启Mysql

pkill mysqld
/usr/local/mysql/bin/mysqld_safe --user=mysql &

2.2kafka

这里只对Kafka做一个基本的介绍，更多的内容可以度娘一波。

上面的图片是kafka官方的一个图片，我们目前只需要关注Producers和Consumers就行了。

Kafka是一个分布式发布-订阅消息系统。分布式方面由Zookeeper进行协同处理。消息订阅其实说白了吧，就是一个队列，分为消费者和生产者，就像上图中的内容，有数据源充当Producer生产数据到kafka中，而有数据充当Consumers，消费kafka中的数据。

上图中的offset指的是数据的写入以及消费的位置的信息，这是由Zookeeper管理的。也就是说，当Consumers重启或是怎样，需要重新从kafka读取消息时，总不能让它从头开始消费数据吧，这时候就需要有个记录能告诉你从哪里开始重新读取。这就是offset。

kafka中还有一个至关重要的概念，那就是topic。不过这个其实还是很好理解的，比如你要订阅一些消息，你肯定是不会订阅所有消息的吧，你只需要订阅你感兴趣的主题，比如摄影，编程，搞笑这些主题。而这里主题的概念其实和topic是一样的。总之，可以将topic归结为通道，kafka中有很多个通道，不同的Producer向其中一个通道生产数据，也就是抛数据进去这个通道，Comsumers不停得消费通道中的数据。

而我们要做的就是将Mysql binlog产生的数据抛到kafka中充当作生产者，然后由storm充当消费者，不停得消费数据并写入到Hdfs中。

至于怎么将binlog的数据抛到kafka，别急，下面我们就来介绍。

2.3maxwell

maxwell这个工具可以很方便得监听Mysql的binlog，然后每当binlog发生变化时，就会以json格式抛出对应的变化数据到Kafka中。比如当向mysql一张表中插入一条语句的时候，maxwell就会立刻监听到binlog中有对应的记录增加，然后将一些信息包括插入的数据都转化成json格式，然后抛到kafka指定的topic中。

下载地址在这里可以找到。

除了Kafka外，其实maxwell还支持写入到其他各种中间件，比如redis。

同时maxwell是比较轻量级的工具，只需要在mysql中新建一个数据库供它记录一些信息，然后就可以直接运行。

三.使用maxwell监听binlog

接下来我们将的是如果使用maxwell，让它监听mysql的binlog并抛到kafka中。maxwell主要有两种运行方式。一种是使用配置文件，另一种则是在命令行中添加参数的方式运行。这里追求方便，只使用命令行的方式进行演示。

这里介绍一下简单的将数据抛到kafka的命令行脚本吧。

bin/maxwell --user='maxwell' --password='XXXXXX' --host='127.0.0.1' \
   --producer=kafka --kafka.bootstrap.servers=localhost:9092 --kafka_topic=maxwell --port=3306

各项参数说明如下：

• user：mysql用户名
• password：mysql密码
• host：Mysql地址
• producer：指定写入的中间件类型，比如还有redies
• kafka.bootstrap.servers：kafka的地址
• kafka_topic：指明写入到kafka哪个topic
• port：mysql端口

启动之后，maxwell便开始工作了，当然如果你想要让这条命令可以在后台运行的话，可以使用Linux的nohup命令，这里就不多赘述，有需要百度即可。

这样配置的话通常会将整个数据库的增删改都给抛到kafka，但这样的需求显然不常见，更常见的应该是具体监听对某个库的操作，或是某个表的操作。

在升级到1.9.2（最新版本）后，maxwell为我们提供这样一个参数，让我们可以轻松实现上述需求：--filter。

这个参数通常包含两个配置项，exclude和include。意思就是让你指定排除哪些和包含哪些。比如我只想监听Adatabase库下的Atable表的变化。我可以这样。

--filter='exclude: *.*, include: Adatabase.Atable'

这样我们就可以轻松实现监听mysqlbinlog的变化，并可以定制自己的需求。

OK，这一章我们介绍了mysql binlog，kafka以及maxwell的一些内容，下一篇我们将会看到storm如何写入hdfs以及定制一些策略。see you~~

推荐阅读 ：

从分治算法到 MapReduce

一个故事告诉你什么才是好的程序员

大数据存储的进化史 --从 RAID 到 Hadoop Hdfs