从 PostgreSQL 数据库中流式传输数据

本部分包含有关以下内容的信息：

  • Datastream 如何处理从来源 PostgreSQL 数据库中拉取的数据的行为
  • Datastream 支持的 PostgreSQL 数据库版本
  • 如何设置来源 PostgreSQL 数据库以便将数据从该数据库流式传输到目标位置的概述
  • 将 PostgreSQL 数据库用作来源的已知限制

行为

源 PostgreSQL 数据库依赖其逻辑解码功能。逻辑解码会公开提交到数据库的所有更改，并允许使用输出插件以用户友好的格式使用和处理这些更改。Datastream 使用 pgoutput 插件，这是适用于 PostgreSQL 10 及更高版本的标准 PostgreSQL 逻辑解码插件。

  • 可以选择给定 PostgreSQL 来源中的所有架构或特定架构，以及架构或特定表中的所有表。
  • 复制所有历史数据。
  • 复制所有数据操纵语言 (DML) 变更，例如从指定数据库和表插入、更新和删除。
  • 仅复制已提交的更改。
  • 如果您在表上定义了 REPLICA IDENTITY，Datastream 会将指定的列视为主键。
  • Datastream 会定期向源数据库发送检测信号消息。因此，逻辑解码消息事件 (op:"m") 会直接插入到 WAL 文件中。Datastream 需要这些消息来确保源可用性并计算新鲜度。如果其他复制设置从同一源数据库读取数据，建议您考虑这一点。

版本

Datastream 支持 PostgreSQL 10 及更高版本。

Datastream 支持以下类型的 PostgreSQL 数据库：

  • 自托管的 PostgreSQL
  • Cloud SQL for PostgreSQL
  • AlloyDB for PostgreSQL
  • AlloyDB Omni
  • Amazon RDS for PostgreSQL
  • Amazon Aurora PostgreSQL

最佳做法

本部分介绍了有关配置 PostgreSQL 源以搭配 Datastream 使用的建议最佳实践。

使用多个流来防止队头阻塞

对于 PostgreSQL 源，Datastream 会为整个数据流使用单个逻辑复制槽。如果事务较大，或者对一个高容量表进行多次更新，可能会延迟同一数据流中所有其他表的数据复制。

为防止出现队首阻塞，请为不同的表集创建单独的流。例如，您可以为高容量表创建一个流，为低容量表创建另一个流。这样可以隔离高变动表，防止它们延迟其他表的复制。

建议：找出写入速率极高（INSERT/UPDATE/DELETE）的表，并将它们放置在具有单独复制槽的专用 Datastream 流中。

避免长时间运行的事务

长时间运行的事务可能会导致预写式日志 (WAL) 堆积。由于 WAL 是顺序的，因此即使其他事务正在被使用，PostgreSQL 也无法在长时间事务完成之前刷新 WAL。这可能会增加复制槽大小并减慢逻辑解码速度，因为必须重复解码与当前事务重叠的长时间运行事务中的更改。

建议：在源数据库上，配置 statement_timeout 和 idle_in_transaction_session_timeout 参数，以避免长时间运行的事务。如需了解详情，请参阅 PostgreSQL 文档。

创建出版物时使用表格过滤功能

如果您仅复制少数几个表中的更改，请确保您创建的 PUBLICATION 仅包含这些表。当发布限定为特定表时，PostgreSQL 会高效地仅将这些表中的更改持久保存到复制槽中。这有助于减小复制槽的大小并提高逻辑解码性能。

主动管理复制槽

Datastream 在 PostgreSQL 主实例上使用逻辑复制槽，这可确保 WAL 文件在 Datastream 确认已处理完毕之前一直保留。如果某个流失败、暂停或被删除，但未舍弃复制槽，PostgreSQL 会继续无限期保留 WAL 文件。这可能会导致数据库服务器磁盘空间不足，进而导致生产中断。

建议：在源 PostgreSQL 服务器上设置高效的提醒并监控 WAL 磁盘使用情况。

正确配置副本身份

REPLICA IDENTITY 设置会告知 PostgreSQL 要将哪些数据写入 UPDATE 和 DELETE 事件的 WAL，从而使 Datastream 能够识别哪些行发生了更改。

如果您使用 BigQuery 作为目标，请避免将 REPLICA IDENTITY 设置为 FULL。Datastream 使用记录的列作为 BigQuery MERGE 操作的逻辑键。如果 REPLICA IDENTITY 设置为 FULL，且某个表包含超过 16 列，则会超出 BigQuery 在 MERGE 操作中对主键的 16 列限制，并导致数据流中断。

建议（按偏好程度排序）：

  1. 最佳做法：使用主键。REPLICA IDENTITY DEFAULT 的默认设置会自动高效地使用现有的主键。
  2. 良好：如果不存在主键，则创建 UNIQUE NOT NULL 索引并设置 REPLICA IDENTITY USING INDEX INDEX_NAME。
  3. 最不推荐：仅在没有唯一标识符的表中使用 REPLICA IDENTITY FULL 设置。如果复制到 BigQuery，请注意性能影响、16 列的限制以及对主键支持的数据类型的限制。

已知限制

将 PostgreSQL 数据库用作来源时，使用 Datastream 的已知限制包括：

  • 数据流限 10,000 个表。
  • 如果表中的行数超过 5 亿，则无法回填，除非满足以下条件：
    1. 相应表具有唯一的 B 树索引。
    2. 索引不包含以下类型的列：DOUBLE、FLOAT、MONEY、REAL、JSON、JSONB、BYTEA、TXID、XML、复合数据类型或几何数据类型。
    3. 索引的任何列都不可为 null。
    4. 索引的所有列都按升序排列，或者索引的所有列都按降序排列。
    5. 索引的所有列都包含在流中。
  • 没有主键的表必须具有副本标识。否则，只有 INSERT 事件会被复制到目标。
  • 具有主键的表不能将 REPLICA IDENTITY 设置为 FULL 或 NOTHING。必须将其设置为 DEFAULT。
  • Datastream 无法从读取副本实例进行复制，因为 PostgreSQL 不支持读取副本中的逻辑解码。
  • 并非所有对源架构的更改都可以自动检测到，在这种情况下可能会发生数据损坏。以下架构更改可能会导致数据损坏或无法处理下游事件：
    • 删除列。
    • 在表中间添加列。
    • 更改列的数据类型。
    • 对列重新排序。
    • 删除表（如果同一表被重新创建并添加了新的数据，则与此相关）。
  • Datastream 不支持 geometric 数据类型的列。
  • Datastream 不支持 range 数据类型的列。
  • Datastream 不支持以下类型的数组：不支持的数据类型的数组、用户定义的数据类型的数组（包括 ENUM）或 DATE、TIMESTAMP 或 TIMESTAMP WITH TIME ZONE 数据类型的数组。系统会忽略此类列。
  • 对于在属于表复制身份的列中包含 TOAST 值的行，Datastream 不支持复制 UPDATE 事件。此类事件会被舍弃。
  • Datastream 不支持复制包含超过 2950 个嵌套对象的 JSON 或 JSONB 值的行。包含此类 JSON 或 JSONB 值的事件不会复制到目标数据库。
  • Datastream 不支持复制在 NUMERIC (precision, scale) 列中包含 NaN 值的行。相应列中的值将替换为 NULL 值。
  • Datastream 不支持复制 hstore 数据类型的列。相应列中的值将替换为 NULL 值。
  • Datastream 不支持从 SQL_ASCII 编码的源数据库复制非 ASCII 记录。此类记录会被舍弃。
  • Datastream 不支持复制定义了行级安全性 (RLS) 政策的表。如需了解如何绕过此限制，请参阅 PostgreSQL 来源行为和限制。
  • Datastream 不会捕获对生成列所做的更改。
  • 在数据库上执行 PostgreSQL 主要版本升级时，Datastream 可能会停止工作或无法捕获任何新事件。我们建议您在升级之前删除复制槽，然后升级数据库，最后重新创建复制槽。如果数据流失败，请指定新的复制槽名称来恢复数据流，并在需要数据一致性的情况下执行回填。

后续步骤