cambia l'acquisizione dei dati da MySQL a BigQuery utilizzando il modello Debezium e Pub/Sub (Stream)

Change Data Capture (CDC) da MySQL a BigQuery con Debezium e Pub/Sub è una pipeline in modalità flusso che legge i messaggi Pub/Sub con i dati delle modifiche un database MySQL e scrive i record in BigQuery. Un connettore Debezium acquisisce modifiche al database MySQL e pubblica i dati modificati in Pub/Sub. Il modello legge quindi i messaggi Pub/Sub e li scrive in BigQuery.

Puoi utilizzare questo modello per sincronizzare i database MySQL e le tabelle BigQuery. La pipeline scrive i dati modificati in una tabella di staging BigQuery e intermittentemente aggiorna una tabella BigQuery che replica il database MySQL.

Requisiti della pipeline

Parametri del modello

Parametri obbligatori

  • inputSubscriptions: l'elenco separato da virgole delle sottoscrizioni di input Pub/Sub da cui leggere, nel formato <SUBSCRIPTION_NAME>,<SUBSCRIPTION_NAME>, ....
  • changeLogDataset : il set di dati BigQuery in cui archiviare le tabelle temporanee, nel formato <DATASET_NAME>.
  • replicaDataset : la posizione del set di dati BigQuery in cui archiviare le tabelle di replica, nel formato <DATASET_NAME>.

Parametri facoltativi

  • inputTopics: elenco separato da virgole di argomenti PubSub a cui vengono inviati i dati del CDC.
  • updateFrequencySecs : l'intervallo con cui la pipeline aggiorna la tabella BigQuery replicando il database MySQL.
  • useSingleTopic : imposta questo valore su true se hai configurato il connettore Debezium per pubblicare tutti gli aggiornamenti della tabella in un singolo argomento. Il valore predefinito è false.
  • useStorageWriteApi: se true, la pipeline utilizza l'API BigQuery Storage Write (https://cloud.google.com/bigquery/docs/write-api). Il valore predefinito è false. Per ulteriori informazioni, consulta Utilizzo dell'API Storage Write (https://beam.apache.org/documentation/io/built-in/google-bigquery/#storage-write-api).
  • useStorageWriteApiAtLeastOnce : quando si utilizza l'API StorageWrite, specifica la semantica della scrittura. Per utilizzare la semantica almeno una volta (https://beam.apache.org/documentation/io/built-in/google-bigquery/#at-least-once-semantics), imposta questo parametro su true. Per utilizzare la semantica "exactly-once", imposta il parametro su false. Questo parametro si applica solo quando useStorageWriteApi è true. Il valore predefinito è false.
  • numStorageWriteApiStreams: quando utilizzi l'API Storage Write, specifica il numero di stream di scrittura. Se useStorageWriteApi è true e useStorageWriteApiAtLeastOnce è false, devi impostare questo parametro. Il valore predefinito è 0.
  • storageWriteApiTriggeringFrequencySec: quando utilizzi l'API Storage Write, specifica la frequenza di attivazione in secondi. Se useStorageWriteApi è true e useStorageWriteApiAtLeastOnce è false, devi impostare questo parametro.

Esegui il modello

Per eseguire questo modello, segui questi passaggi:

  1. Sulla tua macchina locale, clona il repository DataflowTemplates.
  2. Passa alla directory v2/cdc-parent.
  3. Assicurati che il connettore Debezium sia distribuito.
  4. Utilizza Maven per eseguire il modello Dataflow:
    mvn exec:java -pl cdc-change-applier -Dexec.args="--runner=DataflowRunner \
        --inputSubscriptions=SUBSCRIPTIONS \
        --updateFrequencySecs=300 \
        --changeLogDataset=CHANGELOG_DATASET \
        --replicaDataset=REPLICA_DATASET \
        --project=PROJECT_ID \
        --region=REGION_NAME"
      

    Sostituisci quanto segue:

    • PROJECT_ID: l'ID del progetto Google Cloud in cui vuoi eseguire il job Dataflow
    • SUBSCRIPTIONS: elenco separato da virgole di nomi delle sottoscrizioni Pub/Sub
    • CHANGELOG_DATASET: il tuo set di dati BigQuery per i dati del log delle modifiche
    • REPLICA_DATASET: il tuo set di dati BigQuery per le tabelle di replica

Passaggi successivi