025-大数据ETL工具之StreamSets安装及订阅mysql binlog

原文章来自：https://anjia0532.github.io/2019/06/10/cdh-streamsets/

2019-06-10

这是坚持技术写作计划（含翻译）的第 25 篇，定个小目标 999，每周最少 2 篇。

本文主要介绍 CDH6.2+StreamSets3.9。

StreamSets 是一个大数据采集和数据处理工具。可以通过拖拽式的可视化操作，实现数据管道(Pipelines)的设计和调度。其特点有：

拖拽式的可视化界面操作，上手快。
对常见数据处理(数据源、数据操作、数据输出)支持较好。
内置监控，可以对数据流进行观测。

类似的开源产品还有 Apache NiFi , 网上有关于 NiFi 和 StreamSets 的对比 Open Source ETL: Apache NiFi vs Streamsets (网上有中文翻译版版)

国内接触较多的 ETL 工具，可能是 DataX 、 Kettle 、Sqoop。此处有个简单的对比，数据集成之 kettle、sqoop、datax、streamSets 比较

安装 StreamSets 3.9

下载 parcel 安装包

从 https://archives.streamsets.com/index.html 下载 3.9 的

并上传到 http 服务器的 www 目录下，本文以 centos7.6 为例

wget -P /var/www/html/streamsets3.9.0/ https://archives.streamsets.com/datacollector/3.9.0/parcel/manifest.json
wget -P /var/www/html/streamsets3.9.0/ https://archives.streamsets.com/datacollector/3.9.0/parcel/STREAMSETS_DATACOLLECTOR-3.9.0-el7.parcel.sha
wget -P /var/www/html/streamsets3.9.0/ https://archives.streamsets.com/datacollector/3.9.0/parcel/STREAMSETS_DATACOLLECTOR-3.9.0-el7.parcel

配置 csd

从 https://streamsets.com/opensource 下载

wget -P /opt/cloudera/csd/ https://archives.streamsets.com/datacollector/3.9.0/csd/STREAMSETS-3.9.0.jar
cd /opt/cloudera/csd/
sudo chown cloudera-scm:cloudera-scm STREAMSETS-3.9.0.jar && sudo chmod 644 STREAMSETS-3.9.0.jar
systemctl restart cloudera-scm-server

下载分发 Parcel 包

下载并激活，但是，我实际测试时，总大小，4.6G，实际下载后，5.2G，导致 sha1sum 校验失败，报

在 cm 所在主机， ls -lah /opt/cloudera/parcel-repo

把下载的 https://archives.streamsets.com/datacollector/3.9.0/parcel/STREAMSETS_DATACOLLECTOR-3.9.0-el7.parcel 复制到 /opt/cloudera/parcel-repo 下

如果已经不信邪，试过下载，并报 hash 错误后，直接替换后，这个页面还是提示 hash，此时再次点击下载，就会变成分配。
激活后如下所示

创建完毕

streamsets 简单使用

打开 streamsets，默认用户名密码 admin/admin

![image.png](https://cdn.nlark.com/yuque/0/2019/png/226273/1561003595012-472339dd-c7c0-49be-9be3-855d9fe21016.png)

官方教程，参考 Basic Tutorial

本文主要讲解订阅 mysql binlog 进行数据同步

mysql binlog

开启 binlog

修改 mysql 配置文件，my.cnf，在 mysqld 下增加（注意 5.7 的不加 server-id 无法正常启动）

server-id=1
log-bin=mysql-bin
binlog_format=ROW

创建并配置同步账号

GRANT ALL on slave_test.* to 'slave_test'@'%' identified by 'slave_test';
GRANT SELECT, REPLICATION CLIENT, REPLICATION SLAVE on *.* to 'slave_test'@'%';
FLUSH PRIVILEGES;

安装 mysql jdbc 驱动

wget -P /opt/cloudera/parcels/STREAMSETS_DATACOLLECTOR/streamsets-libs/streamsets-datacollector-mysql-binlog-lib/lib/ https://repo1.maven.org/maven2/mysql/mysql-connector-java/5.1.47/mysql-connector-java-5.1.47.jar

重启 streamsets

创建 pipeline

配置 mysql binlog 解析及处理

配置目标端

运行

测试

此处使用 mysql 自带的压测工具 mysqlslap.exe 进行测试

bin/mysqlslap --user=root --password=xxxxxx --concurrency=50 --number-int-cols=5 --number-char-cols=20 --auto-generate-sql --number-of-queries=100000 --auto-generate-sql-load-type=write --host=192.168.0.123 --port=3306
--user 用户(需要有建库建表权限)
--password 密码
--concurrency 并发数
--number-int-cols 表内有5个数字列
--number-char-cols 表内有20个字符串列
--auto-generate-sql 自动生成脚本
--number-of-queries 总执行次数
--auto-generate-sql-load-type=write 只执行写入操作
--host mysql 主机
--port 端口

下方有监控报表

常见错误

![image.png](https://cdn.nlark.com/yuque/0/2019/png/226273/1561021775509-fa60a34d-8e71-4e30-aa65-88a23521fb26.png)

同步不一致导致的错误，手动从

设置偏移量

如果报错 Pipeline Status: RUNNING_ERROR: For input string: ""xxxx" ，把 my.cnf 改成

server-id=1
log-bin=mysql-bin
binlog_format=ROW
sync_binlog=1
binlog_gtid_simple_recovery=ON
log_slave_updates=ON
gtid_mode=ON
enforce_gtid_consistency=ON