是时候改变你数仓的增量同步方案了

经过一段时间的演化，spark-binlog，delta-plus慢慢进入正轨。spark-binlog可以将MySQL binlog作为标准的Spark数据源来使用，目前支持insert/update/delete 三种事件的捕捉。 delta-plus则是对Delta Lake的一个增强库，譬如在Delta Plus里实现了将binlog replay进Detla表，从而保证Delta表和数据库表接近实时同步。除此之外，detla-plus还集成了譬如布隆过滤器等来尽快数据更新更新速度。更多特性可参考我写的专栏。

数据湖Delta Lake 深入解析 zhuanlan.zhihu.com 图标有了这两个库，加上Spark,我们就能通过两行代码完成库表的同步。

以前如果要做数据增量同步，大概需要这么个流程：

问题很明显，Pipeline长，涉及到技术多，中间转存其实也挺麻烦的，难做到实时。我们希望可以更简单些，比如最好是这样：

然后我可能只要写如下代码就可以搞定：

val spark: SparkSession = ???

val df = spark.readStream. format("org.apache.spark.sql.mlsql.sources.MLSQLBinLogDataSource"). option("host","127.0.0.1"). option("port","3306"). option("userName","xxxxx"). option("password","xxxxx"). option("databaseNamePattern","mlsql_console"). option("tableNamePattern","script_file"). optioin("binlogIndex","4"). optioin("binlogFileOffset","4"). load()

df.writeStream. format("org.apache.spark.sql.delta.sources.MLSQLDeltaDataSource").
option("path","/tmp/sync/tables"). option("mode","Append"). option("idCols","id"). option("duration","5"). option("syncType","binlog"). checkpointLocation("/tmp/cpl-binlog2") .mode(OutputMode.Append).save("{db}/{table}") 读和写，非常简单。读你需要提供MySQL binlog信息，写的时候指定主键，以及表的存储路径。

如果使用MLSQL则更简单，下面是一个完整的流式同步脚本：

set streamName="binlog";

load binlog.`` where host="127.0.0.1" and port="3306" and userName="xxxx" and password="xxxxxx" and bingLogNamePrefix="mysql-bin" and binlogIndex="4" and binlogFileOffset="4" and databaseNamePattern="mlsql_console" and tableNamePattern="script_file" as table1;

save append table1
as rate.mysql_{db}.{table} options mode="Append" and idCols="id" and duration="5" and syncType="binlog" and checkpointLocation="/tmp/cpl-binlog2";

因为是增量同步，所以第一次需要先全量同步一次，用MLSQL也很简单：

connect jdbc where url="jdbc:mysql://127.0.0.1:3306/mlsql_console?characterEncoding=utf8&zeroDateTimeBehavior=convertToNull&tinyInt1isBit=false" and driver="com.mysql.jdbc.Driver" and user="xxxxx" and password="xxxx" as db_cool;

load jdbc.db_cool.script_file as script_file; save overwrite script_file as delta.mysql_mlsql_console.script_file ;

load delta.mysql_mlsql_console.script_file as output; 如果你使用了Console则可在编辑器里直接运行：