Este artículo proporciona una guía detallada sobre cómo lograr una sincronización completa de datos de MySQL a PostgreSQL utilizando Apache SeaTunnel 2.3.9. Se cubre todo el proceso, desde la configuración del entorno hasta la validación en producción.
Requisitos de versión:
- MySQL: MySQL 8.3
- PostgreSQL: PostgreSQL 13.2
- Apache SeaTunnel: Apache-SeaTunnel-2.3.9
Verificación de versiones:
Ejecuta el siguiente comando SQL para verificar la versión:
select version();
Habilitación de replicación maestro-esclavo:
show variables where variable_name in ('log_bin', 'binlog_format', 'binlog_row_image', 'gtid_mode', 'enforce_gtid_consistency');
Para la sincronización de datos en MySQL CDC, SeaTunnel necesita leer el binlog y actuar como un nodo esclavo en el clúster.
SET GLOBAL gtid_mode=OFF_PERMISSIVE;
SET GLOBAL gtid_mode=ON_PERMISSIVE;
SET GLOBAL enforce_gtid_consistency=ON;
SET GLOBAL gtid_mode=ON;
Concesión de permisos de usuario:
Se requiere un usuario con privilegios de replicación:
CREATE USER 'test'@'%' IDENTIFIED BY 'password';
GRANT SELECT, RELOAD, SHOW DATABASES, REPLICATION SLAVE, REPLICATION CLIENT ON *.* TO 'test';
FLUSH PRIVILEGES;
Configuración del clúster de SeaTunnel:
Por defecto, SeaTunnel genera logs en un solo archivo. Para producción, es recomendable separar los registros por tarea:
rootLogger.appenderRef.file.ref = routingAppender
En entornos de producción, se recomienda instalar SeaTunnel en el directorio /opt y configurar la variable de entorno SEATUNNEL_HOME:
ln -s /opt/apache-seatunnel-2.3.9 /opt/seatunnel
export SEATUNNEL_HOME=/opt/seatunnel
Configuración del trabajo en SeaTunnel:
env {
job.mode = 'STREAMING'
job.name = 'DEMO'
parallelism = 3
checkpoint.interval = 30000
checkpoint.timeout = 30000
job.retry.times = 3
job.retry.interval.seconds = 3
}
Configurar un nombre de tarea es esencial para administrar trabajos en producción. Además, se establece un nivel de paralelismo de 3, pero se puede ajustar según el tamaño del clúster.
Configuración del origen de datos (MySQL CDC):
source {
MySQL-CDC {
base-url = 'jdbc:mysql://192.168.8.101:3306/test?serverTimezone=Asia/Shanghai'
username = 'test'
password = '123456'
database-names = ['test']
table-pattern = 'test\.test_.*'
startup.mode = 'initial'
snapshot.split.size = '8096'
snapshot.fetch.size = '1024'
server-id = '6500-8500'
exactly_once = false
schema-changes.enabled = true
}
}
Se configura la sincronización tanto para datos históricos como incrementales. Se recomienda la habilitación de la evolución de esquemas para manejar cambios en la estructura de las tablas.
Configuración del destino (PostgreSQL):
sink {
jdbc {
url = 'jdbc:postgresql://192.168.8.101:5432/test'
driver = 'org.postgresql.Driver'
user = 'postgres'
password = '123456'
generate_sink_sql = true
database = 'test'
table = '${database_name}.${table_name}'
schema_save_mode = 'CREATE_SCHEMA_WHEN_NOT_EXIST'
data_save_mode = 'APPEND_DATA'
}
}
La opción generate_sink_sql genera automáticamente las sentencias de inserción y actualización. También se configura el modo de almacenamiento del esquema para crear automáticamente las tablas si no existen.
Envío y monitoreo de tareas:
./bin/start-seatunnel.sh --config /path/to/config.yaml --async
El flag --async permite que la tarea se ejecute en segundo plano mientras se monitorea a través de la interfaz de SeaTunnel.
Demostración de sincronización de datos:
Se probaron inserciones, actualizaciones y eliminaciones en MySQL, y los cambios fueron replicados exitosamente en PostgreSQL.
Sobre Apache SeaTunnel:
- Soporta cientos de fuentes de datos.
- Manejo de sincronización completa, incremental y en tiempo real.
- Monitoreo eficaz para evitar pérdida o duplicación de datos.
En Q2BSTUDIO, una empresa especializada en desarrollo y servicios tecnológicos, ayudamos a implementar soluciones de sincronización de datos para garantizar la integridad y eficiencia en el manejo de datos en entornos empresariales. Con experiencia en la integración de Apache SeaTunnel, proporcionamos asesoría y desarrollo de estrategias personalizadas para optimizar la transferencia de datos entre diversas plataformas, asegurando rendimiento y escalabilidad.
