Fazer streaming de dados de bancos de dados MySQL

Essa seção contém informações sobre:

  • O comportamento de como o Datastream lida com dados que estão sendo extraídos de um banco de dados MySQL de origem
  • As versões do banco de dados MySQL compatível com o Datastream
  • Limitações conhecidas para o uso do banco de dados MySQL como fonte
  • Uma visão geral de como configurar um banco de dados MySQL de origem para que os dados possam ser transmitidos dele para um destino

Comportamento

Esta seção descreve o comportamento das origens do MySQL ao replicar dados usando o Datastream. Ao ingerir dados de bancos de dados MySQL, é possível usar a replicação baseada em binlog ou em identificador global de transação (GTID). Você seleciona o método de CDC ao criar um stream.

Replicação baseada em binlog

O Datastream pode usar arquivos de registro binário para manter um registro das mudanças de dados em bancos de dados MySQL. As informações contidas nesses arquivos de registro são replicadas para o destino para reproduzir as mudanças feitas na origem.

As principais características da replicação baseada em binlog no Datastream são:

  • É possível selecionar todos os bancos de dados ou bancos de dados específicos de uma determinada origem do MySQL, bem como todas as tabelas dos bancos de dados ou tabelas específicas.
  • Todos os dados históricos são replicados.
  • Todas as mudanças na linguagem de manipulação de dados (DML), como inserções, atualizações e exclusões dos bancos de dados e tabelas especificados, são replicadas.
  • Apenas alterações confirmadas são replicadas.

Replicação baseada em identificador global de transação (GTID)

O Datastream também oferece suporte à replicação baseada em identificador global (GTID).

O identificador global de transação (GTID) é um identificador exclusivo criado e associado a cada transação confirmada em uma origem do MySQL. Esse identificador é exclusivo não apenas para a origem em que foi criado, mas também em todos os servidores em uma determinada topologia de replicação, ao contrário da replicação baseada em registros binários, em que cada nó no cluster de banco de dados mantém os próprios arquivos binários com numeração própria. Manter arquivos binlog e numeração separados pode se tornar um problema em caso de falha ou inatividade planejada, porque a continuidade do binlog é interrompida e a falha na replicação baseada em binlog.

A replicação baseada em GTID oferece suporte a failovers, clusters de banco de dados autogerenciados e continua funcionando independente das mudanças no cluster de banco de dados.

As principais características da replicação baseada em GTID no Datastream são:

  • É possível selecionar todos os bancos de dados ou bancos de dados específicos de uma determinada origem do MySQL, bem como todas as tabelas dos bancos de dados ou tabelas específicas.
  • Todos os dados históricos são replicados.
  • Todas as mudanças na linguagem de manipulação de dados (DML), como inserções, atualizações e exclusões dos bancos de dados e tabelas especificados, são replicadas.
  • Apenas alterações confirmadas são replicadas.
  • Suporte integrado para failovers.

Mudar da replicação baseada em binlog para a baseada em GTID

Se quiser atualizar seu stream e mudar da replicação baseada em binlog para a baseada em GTID sem precisar fazer um backfill, siga estas etapas:

  1. Verifique se todos os requisitos para a replicação baseada em GTID foram atendidos. Para mais informações, consulte Configurar um banco de dados MySQL de origem.
  2. Como opção, crie e execute um fluxo de teste baseado em GTID. Para mais informações, consulte Criar um stream.
  3. Crie um stream baseado em GTID. Não inicie ainda.
  4. Interrompa o tráfego de aplicativos para o banco de dados de origem.
  5. Pause o stream atual com base no binlog. Para mais informações, consulte Pausar o stream.
  6. Aguarde alguns minutos para garantir que o Datastream tenha alcançado o banco de dados. Para verificar isso, use as métricas na guia Monitoramento, na página Detalhes do fluxo. Os valores de Atualização de dados e Capacidade de processamento precisam ser 0.
  7. Inicie o fluxo baseado em GTID. Para mais informações, consulte Iniciar a transmissão.
  8. Retome o tráfego para o banco de dados de origem.

Se não houver problema em fazer um backfill, você poderá truncar as tabelas no BigQuery, excluir o fluxo antigo e iniciar um novo com backfill. Para mais informações sobre como gerenciar preenchimentos, consulte Gerenciar preenchimento para os objetos de um fluxo.

Versões

O Datastream é compatível com as seguintes versões do banco de dados MySQL:

  • MySQL 5.6
  • MySQL 5.7
  • MySQL 8.0

  • MySQL 8.4 (compatível apenas com replicação baseada em GTID)

O Datastream é compatível com os seguintes tipos de banco de dados do MySQL:

Práticas recomendadas

Esta seção descreve as práticas recomendadas para configurar sua origem do MySQL para uso com o Datastream.

Usar GTID para configurações de alta disponibilidade

Se a origem de produção do MySQL usar réplicas ou qualquer outra configuração de alta disponibilidade, use a replicação baseada em GTID.

A replicação baseada em posição e arquivo binlog pode ser interrompida durante um failover de banco de dados porque, quando o primário falha, o novo primário tem um histórico de binlog diferente. Nesse caso, o Datastream perde a posição e não pode ser retomado.

O GTID atribui um ID exclusivo a cada transação em toda a topologia de replicação (primária e réplicas). Após um failover, o Datastream pode retomar do último GTID registrado no novo primário, sem precisar saber o arquivo binlog ou a posição.

Recomendação:para qualquer origem de produção do MySQL com uma réplica ou configuração de alta disponibilidade, é obrigatório usar o método GTID CDC para uma replicação de dados resiliente e confiável.

Dimensionar corretamente sua réplica de leitura

Se você configurar o Datastream para replicar de uma réplica de leitura, poderá encontrar um atraso duplo, que é uma combinação do atraso de replicação do MySQL (da réplica primária para a réplica) e do atraso de replicação do Datastream (da réplica para o destino). As réplicas de leitura geralmente são provisionadas com menos recursos (CPU, RAM, IOPS) do que as principais para economizar custos, o que pode fazer com que elas fiquem atrás da principal durante períodos de gravação intensa.

Recomendação:ao usar uma réplica de leitura como origem para o Datastream, provisione-a com recursos comparáveis aos da instância principal para que ela possa acompanhar a taxa de transferência de gravação da instância principal.

Aumentar a capacidade de processamento para o método CDC de binlog

Se você estiver usando a replicação baseada em binlog e tiver alta latência devido a grandes volumes de gravação de origem que geram arquivos de binlog mais rápido do que uma única tarefa pode processar, ajuste o parâmetro maxConcurrentCdcTasks para aumentar a capacidade. Esse parâmetro controla o número de tarefas de CDC que um fluxo executa em paralelo. Aumentar o valor desse parâmetro permite que o Datastream processe mais arquivos binlog simultaneamente.

Recomendação:para determinar o valor adequado de atualização de dados, monitore a taxa de geração de binlog do seu servidor MySQL durante os horários de pico. Para isso, observe a taxa em que novos arquivos binlog são criados e girados no diretório de dados do MySQL ou use ferramentas de monitoramento do MySQL para acompanhar o crescimento dos registros binários. Por exemplo, se sua origem gerar 10 arquivos binários de registro por minuto durante os horários de pico, defina maxConcurrentCdcTasks como um valor como 10-15 para que o Datastream processe esses arquivos em paralelo, evitando um acúmulo.

É possível aumentar maxConcurrentCdcTasks até o valor compatível máximo de 50, desde que a carga no banco de dados de origem permaneça sob controle. Para mais informações, consulte Controles de simultaneidade de stream.

Dimensionar corretamente o parâmetro max_allowed_packet

A configuração padrão max_allowed_packet no MySQL (por exemplo, 16 MB a 64 MB) pode ser muito pequena. Se uma única linha com campos grandes do tipo BLOB, JSON ou TEXT, ou uma única transação grande exceder esse tamanho, o MySQL vai encerrar a conexão do Datastream, fazendo com que o stream falhe com erros como Packet for query is too large ou Got a packet bigger than 'max_allowed_packet' bytes.

Recomendação:defina o parâmetro max_allowed_packet no seu servidor MySQL com o valor máximo permitido de 1G. Isso garante que o servidor possa processar qualquer linha ou transação grande que o Datastream precise ler do binlog.

Limitações conhecidas

Limitações conhecidas para o uso do banco de dados MySQL como fonte incluem:

  • Os streams são limitados a 10.000 tabelas.
  • As tabelas replicadas precisam usar o mecanismo de armazenamento InnoDB. As tabelas que usam o mecanismo de armazenamento MyISAM não são compatíveis e falham na validação de stream.
  • Tabelas que têm uma chave primária definida como INVISIBLE não podem ser preenchidas.
  • Uma tabela com mais de 500 milhões de linhas não pode ser preenchida, a menos que as seguintes condições sejam atendidas:
    1. A tabela tem um índice exclusivo.
    2. Nenhuma das colunas do índice pode ser nula.
    3. O índice não é descendente.
    4. Todas as colunas do índice são incluídas no fluxo.
  • O Datastream busca periodicamente o esquema mais recente da origem à medida que os eventos são processados. Se um esquema mudar, o Datastream vai detectar a mudança e acionar uma busca de esquema. No entanto, alguns eventos podem ser processados incorretamente ou descartados entre as buscas de esquema, o que pode causar discrepâncias nos dados.
  • Nem todas as alterações no esquema de origem podem ser detectadas automaticamente. Nesse caso, pode ocorrer corrupção de dados. As seguintes alterações de esquema podem causar corrupção de dados ou falha no processamento de eventos downstream:
    • Como descartar colunas
    • Como adicionar colunas no meio de uma tabela
    • Como alterar o tipo de dados de uma coluna
    • Como reorganizar as colunas
    • Como descartar tabelas (relevantes se a mesma tabela for recriada com novos dados adicionados)
    • Truncando tabelas
  • O Datastream não é compatível com a replicação de visualizações.
  • O Datastream não é compatível com colunas de tipos de dados espaciais, por exemplo, GEOMETRY, POINT, LINESTRING, POLYGON. Os valores nessas colunas são substituídos por valores NULL.
  • O Datastream não é compatível com o valor zero (0000-00-00 00:00:00) nas colunas dos tipos de dados DATETIME, DATE ou TIMESTAMP. O valor zero é substituído pelo valor NULL.
  • O Datastream não oferece suporte à replicação de linhas que incluem os seguintes valores nas colunas JSON: DECIMAL, NEWDECIMAL, TIME, TIME2, DATETIME, DATETIME2, DATE, TIMESTAMP ou TIMESTAMP2. Os eventos que contêm esses valores são descartados.
  • O Datastream não oferece suporte à compactação de transações de registro binário.
  • O Datastream não é compatível com arquivos de registro binário maiores que 4 GiB. Como o MySQL grava cada transação em um único arquivo de registro binário, mantenha transações individuais com menos de 4 GiB para que os arquivos de registro binário não excedam esse limite.
  • O Datastream não oferece suporte a cadeias de certificados SSL nos perfis de conexão do MySQL de origem. Somente certificados únicos x509 codificados em PEM são aceitos.
  • O Datastream não é compatível com operações em cascata: ON UPDATE CASCADE e ON DELETE CASCADE. Esses eventos não são gravados no registro binário e, portanto, não são propagados para o destino. Como alternativa, substitua as operações em cascata por triggers de banco de dados.
  • O Datastream não é compatível com operações DROP PARTITION. Essas operações são apenas de metadados e não são replicadas. Outros eventos não são afetados, e o stream é executado sem problemas.
  • Você pode ter problemas de conectividade ao replicar tabelas FEDERATED. Se isso acontecer, remova todas as tabelas FEDERATED da configuração do banco de dados de origem e aumente os valores dos parâmetros connect_timeout, net_read_timeout e max_allowed_packet para reduzir os problemas de tempo limite durante o backfill.
  • As instâncias do Cloud SQL Enterprise Plus precisam usar a replicação baseada em GTID porque estão sujeitas a manutenção com tempo de inatividade próximo a zero. A replicação baseada em registros binários é interrompida em failovers. Por isso, recomendamos usar a replicação baseada em GTID para casos de uso de alta disponibilidade.
  • Para versões do MySQL 8.0 e mais recentes, a variável binlog_row_value_options precisa ser definida como um valor vazio. Essa é a opção padrão para a maioria das versões, mas para algumas, como fontes do MySQL no Oracle Cloud Infrastructure (OCI), é necessário definir explicitamente. Para mais informações, consulte Configurar um banco de dados MySQL autogerenciado.
  • Limitações do MariaDB:
    • A replicação baseada em GTID não é compatível com o MariaDB. É necessário configurar os streams do MariaDB para usar a replicação baseada em binlog.
    • Para as versões 11.4 a 12.2 do MariaDB, é necessário ativar a variável de sistema binlog_legacy_event_pos no banco de dados de origem para garantir a compatibilidade com o Datastream.
    • O Datastream não oferece suporte ao tipo de dados UUID (introduzido no MariaDB 10.7). É necessário excluir colunas do tipo de dados UUID da configuração do fluxo.

Outras limitações para a replicação baseada em GTID

  • A recuperação de streams que usam a replicação baseada em GTID só está disponível ao usar a API Datastream.
  • Não é possível criar tabelas usando outras tabelas com as instruções CREATE TABLE ... SELECT.
  • O Datastream não é compatível com GTIDs marcados.
  • Para restrições do MySQL que se aplicam à replicação baseada em GTID, consulte a documentação do MySQL.

A seguir