【技术实验】表格存储Tablestore准实时同步数据到Elasticsearch

实验背景

图书馆Q是一家大型图书馆，图书馆藏书众多，纸质图书600多万册，电子图书7000多万册，总数有八千多万册，这些图书之前都是人工检索维护的，现在需要做一个系统来存储管理这些图书信息。

需求如下：

图书总量目前八千多万册，考虑到未来二十年的增长，需要系统能支持一亿的存储量。图书信息很重要，不能接受丢失发生。图书的名字和作者名字需要支持模糊搜索。每本书的属性最多有一百多个，且不固定，不同类型的图书的属性列差异较大。且未来可能会新增属性列。

根据上面这些需求特点，要完成这个管理系统，需要两类系统支持：

分布式NoSQL数据库：解决两亿存储量的问题，解决属性列较多且不固定的问题，解决可靠性要求高的问题。搜索系统：解决固定列模糊搜索的需求。

如果使用阿里云产品，那么对应的产品就是：

Table Store：分布式NoSQL数据库。Elasticsearch：搜索系统，支持模糊搜索。

在管理系统中使用上述两个系统的时候，目前需要双写，当新增一本书的时候，需要将详细书本信息写入Table Store，将书本ID和作者，书名写入Elasticsearch，并且对书名，作者建索引。查询的时候，如果是根据书本ID，则直接查询Table Store。如果是根据书名模糊查询，则先查Elasticsearch，获取到匹配的书本的ID后，再到Table Store中查询详细信息。

如果Table Store到Elasticsearch有自动同步通道，那么只需要将新书信息写入Table Store即可，不再需要写Elasticsearch。减少了一次写入操作，且不用再考虑数据一致性问题，系统架构大大简化。那么如何才能实现这个自动同步通道呢？

类似于上面的场景，有很多系统都有这样的需求：拥有PB级海量数据需要持久化存储，同时有一两个字段需要做模糊查询，比如姓名，手机号码等，目前很多解决方案需要双写分布式数据库和Elasticsearch，但这样不仅会带来开发、运维复杂度，而且还有数据不一致的问题。

针对上述问题，Table Store团队联合数据集成（CDP）和Elasticsearch团队上线了近实时的数据同步方案，用户只需要将数据写入Table Store，Table Store会负责将数据在10分钟内自动发送给Elasticsearch建索引。

实验环境

Table Store：阿里云分布式NoSQL数据库，专注于海量数据的存储服务，目前单表可支持10PB级，10万亿行以上的数据量，且数据量增大后性能仍然保持稳定。Table Store Stream功能是一种增量实时通道服务，类似于MySQL的binlog，可以通过Stream接口实时读取到最新的变化数据(Put/Update/Delete)。

数据集成 ：阿里云数据管理平台，支持数据同步等众多数据功能。

Elasticsearch ：阿里云Elasticsearch是刚推出的一项新服务，提供基于开源Elasticsearch及商业版X-Pack插件，致力于数据分析、数据搜索等场景服务。在开源Elasticsearch基础上提供企业级权限管控、安全监控告警、自动报表生成等功能。

三种产品在新解决方案中的角色如下：

| 产品 | Table Store | 数据集成| Elasticsearch |

由于Table Store和Elasticsearch不是完全对等的产品，所以如果需要将数据导入Elasticsearch，那么在使用Table Store的时候有一些注意的地方：

Table Store主键列个数：

目前Table Store最大支持4个主键列，而Elasticsearch只支持一个，所以Table Store的表设计时只能使用一个主键列，如果之前有多个主键列，可以将多个主键列的值转换成String，然后拼接成一个主键列。Table Store数据变化类型：

仅支持PUT（新增），UPDATE（更新）两种操作。

不支持DELETE操作。

Table Store多版本：

仅支持单版本，不支持多版本Elasticsearch：

版本：支持阿里云和开源的5..版本。

延时：目前使用的是周期调度，每隔5分钟调度一次，再加上插件中有5分钟延迟，同步总延迟在5~10分钟。

实验步骤

开通服务

Table Store：登陆Table Store。首页点击开通 新建实例和表，表需要开通Stream，有效时间可以选择24小时。Table Store支持按预留CU和按量付费两种收费模式，如果创建表时指定读写CU都为0则表示为按量付费，后期如果没有使用则不收费。且目前每月有10GB，1000万CU的免费额度。Table Store中表需要开通Stream功能。数据集成登陆DataWorks绑定AK。然后创建项目即可。注意：子账号不能创建项目，只能被主账号授权。Elasticsearch登陆Elasticsearch首页，首页点击开通。购买时的VPC必须和之前购买的ECS在同一个VPC环境内部。根据数据量预估，购买相应的实例大小。

使用方式

写Table Store：PutRow/BatchWriteRow接口写入数据Elasticsearch：无须写入读Elasticsearch：搜索到请求结果后，拿到每个doc的_id字段值。Table Store：Elasticsearch中的_id字段就是Table Store中的主键值，获取到一系列_id值后，使用Table Store的BatchGetRow可以查询到完整数据。

同步流程

整个同步流程应该包括下面两个步骤：

导出Table Store的全量数据到Elasticsearch，并且记录开始时间T1。等全量导出结束后，再开始同步增量数据，增量数据开始同步的时间是T1。对于全量导出，需要使用otsreader插件，配置中的Range使用INF_MIN到INF_MAX，也就是导出所有数据。对于增量同步，需要配置起始时间和结束时间为一个变量，在调度周期配置的时候配置起始时间必须小于等于T1，否则可能会有数据丢失发生。

我们下面会以增量同步为例来介绍如何配置增量同步任务。

Table Store配置

无须配置

Elasticsearch配置

无须配置

数据集成配置

创建数据源（可选）

如果已经创建了Table Store的数据源，则可以跳过这一步。

如果不希望创建数据源，也可以在配置页面配置相应的endpoint，instanceName，AccessKeyID和AccessKeySecret。如果希望创建，则按照下面步骤操作。

登录阿里云大数据开发套件：数据源地址。单击左侧 离线同步 > 数据源。在数据源配置页面，选择右上角 新增数据源 ，会有一个弹出框。

按照说明填写：

数据源名称：填写一个数据源标识符，比如车联网。数据源描述：填入描述符，比如：车联网GPS数据存储。数据源类型：选择 ots ，ots是Table Store曾用名。OTS Endpoint：填入TableStore 实例页面的实例地址，如果Table Store的实例和目标产品（比如Elasticsearch）在同一个region，则可以填入私网地址，否则需要填入公网地址，不能填入VPC地址。OTS 实例ID：填入Table Store的实例名称。Access Id：填入阿里云网站的AccessKeyID。Access Key：填入阿里云网站AccessKeyID对应的AccessKeySecret。点击测试连通性 ，如果成功则会在右上角提示：测试连接成功。 如果失败，点击endpoint是否配置正确，如果仍然无法解决，提工单联系数据集成。填好后的页面类似下面这样：

单击确定，数据源创建成功，此时在数据源页面会出现一个新的数据源信息；

创建导出任务

（1）单击数据集成地址，进入数据集成的页面，会出现模式选择：

（2）单击 脚本模式 ，弹出一个 导入模板 配置。

（3）在导入模板配置里面：

来源类型：OTS Stream

目标类型：Elasticsearch

（4）单击确认，则进入配置界面。

完善配置项

在配置界面，已经提前嵌入了OTSStreamReader和ElasticsearchWriter的模板，每一项配置后面都做了解释。

{"type": "job","version": "1.0","configuration": {"setting": {"errorLimit": {"record": "0" # 允许出错的个数，当错误超过这个数目的时候同步任务会失败。},"speed": {"mbps": "1", # 每次同步任务的最大流量。"concurrent": "1" # 每次同步任务的并发度。}},"reader": {"plugin": "otsstream", # Reader插件的名称。"parameter": {"endpoint": "", # TableStore中实例的endpoint。"accessId": "", # 阿里云的AccessKeyID。"accessKey": "", # 阿里云的AccessKeySecret。"instanceName": "", # TableStore的实例名，如果使用DataSource，则需要新增配置项datasource，不再需要配置endpoint，accessId，accessKey和instanceName。"dataTable": "", # TableStore中的表名。"statusTable": "TableStoreStreamReaderStatusTable", # 存储TableStore Stream状态的表，一般不需要修改。"startTimestampMillis": "", # 开始导出的时间点，由于是增量导出，需要循环启动此任务，则这里每次启动的时候的时间都不一样，这里需要设置一个变量，比如${start_time}。"endTimestampMillis": "", # 结束导出的时间点。这里也需要设置一个变量，比如${end_time}。"date": "yyyyMMdd", # 导出哪一天的数据，功能和startTimestampMillis、endTimestampMillis重复，这一项需要删除。"mode": "single_version_and_update_only", # TableStore Stream导出数据的格式，目前ElasticSearch只能接收这种格式的，这个不需要修改。如果配置模板中没有则需要增加。"column":[ # 需要导出TableStore中的哪些列到ElasticSearch中去，如果配置模板中没有则需要增加。{"name":"uid"}, {"name":"name"}, {"name":"phone"}],"isExportSequenceInfo": false, # single_version_and_update_only 模式下只能是false。"maxRetries": 30 # 最大重试次数。}},"writer": {"plugin": "elasticsearch", # Writer插件的名称：ElasticSearchWriter，不需要修改。"parameter": {"endpoint": "",# ElasticSearch的endpoint，控制台上有。"accessId": "",# 如果使用了X-PACK插件，则这里需要填写username，如果没使用，则这里填空字符串即可。阿里云Elasticsearch使用了X-PACK插件，这里需要填写username。"accessKey": "", # 如果使用了X-PACK插件，则这里需要填写password，如果没使用，则这里填空字符串即可。阿里云Elasticsearch使用了X-PACK插件，这里需要填写password。 "index": "", # ElasticSearch的索引名称，如果之前没有，插件会自动创建。"indexType": "", # ElasticSearch中相应索引下的类型名称"cleanup": true, # 是否在每次导入数据到ElasticSearch的时候清空原有数据，全量导入/重建索引的时候需要设置为true，同步增量的时候必须为false，这里因为是同步，则需要设置为false。"discovery": false, # 是否自动发现，设置为true"batchSize": 1000, # 每批导出的个数"splitter": ",", # 如果插入数据是array，就使用指定分隔符。"column": [ # ElasticSearch中的列名，顺序和Reader中的Column顺序一致{"name": "uid", # TableStore中的主键列是uid，这里也有同名uid，用type：id表示这一列是主键"type": "id" # id表示这一列是主键，id不是ElasticSearch的内置类型，是ElasticSearchWriter提供的虚拟类型},{"name": "name", # 对应于TableStore中的属性列：name"type": "text" # 文本类型，采用默认分词}]}}}}

其他配置项可以参考：ElasticsearchWriter配置项/knowledge_detail/61990.html

保存任务

点击上部的 保存 按钮，则弹出一个对话框，输入任务名称后按确定即可。

设置调度资源

（1）由于目前数据集成还没办法自动访问VPC环境内的Elasticsearch，所以暂时需要用户自己购买VPC内的ECS机器作为调度资源。

（2）购买一台ECS，新购ECS所在的VPC需要和Elasticsearch的VPC是同一个。

（3）进入 DataWorks > 调度资源列表 ，单击 新增调度资源 。

（4）在弹出的对话框中输入：资源名称，选择：归属项目。

（5）然后点击 确定 ，会提示 添加调度资源成功 。

（6）点击 管理服务器 ，会弹出一个新的弹出框。

（7）点击 增加服务器 ，会弹出一个新的弹出框。选择 专有网络 。输入刚刚购买的ECS的：ECS UUID。登陆ECS，以root身份执行命令 bash dmidecode | grep UUID 即可获取到UUID。输入刚刚购买的ECS的内网：机器IP。单击 添加 。

（8）如果是添加机器，需要初始化服务器，点击 调度资源列表 页面相应资源名称后面的 服务器初始化 ，会弹出初始化步骤，按这个步骤执行。

（9）执行完成后，再点击 调度资源列表 页面相应资源名称后面的 服务器管理 ，点击 刷新 ，当 服务状态 变为 正常 时，表示调度资源配置成功。

运行任务（测试）

（1）可以先通过运行任务来测试配置是否正确和符合预期。

（2）回到任务配置页面 数据集成 > 离线同步 > 同步任务 > 数据同步 。

（3）双击刚刚创建的任务：tablestore2es，点击配置内容上部的 运行 。

（4）这时候会弹出一个参数设置框，设置之前配置的变量：

（5）填完值后，点击 确认后，任务会立即开始运行。

（6）运行结束后，如果没有报错，则执行成功，在日志里面会打印同步的数据行数。

（7）最后可以到Elasticsearch中查询索引成功的文档数。具体方法见后面的 <9. 验证结果> 。

提交任务

（1）回到任务配置页面 数据集成 > 离线同步 > 同步任务 > 数据同步 。

（2）双击刚刚创建的任务：tablestore2es，点击配置内容上部的 提交 。

（3） 配置调度参数：

调度类型：周期调度

自动重跑：√

生效日期：默认值

调度周期：分钟

起始时间：默认值

时间间隔：5分钟

start_time：$[yyyymmddhh24miss-10/24/60]，表示调度时间-10分钟。

end_time：$[yyyymmddhh24miss-5/24/60]，表示调度时间-5分钟。

跨周期依赖：可以选择：自依赖，等待上一调度结束，才能接续运行。

（4）提交任务后，原有任务处于：直读状态。

绑定调度资源

（1）切换到 运维中心 > 任务列表 > 周期任务 ，可以看到刚刚创建的周期任务：

（2）选中刚刚创建的周期任务：tablestore2es。点击下部的 修改资源组 ，会弹出一个选择框，选择刚刚创建的资源组名称：

（3）点击 确认 ，即可绑定成功。

验证结果

（1）周期任务是从下一天的00:00点开始执行。

（2）等执行完一个任务后，可以在ECS上通过下述命令查看Elasticsearch中的数据量：

curl -XGET http://endpoint/index_name/type_name/_count?pretty -d '{"query": {"match_all": {}}}'

结果类似下面：

{"count" : 1000, # ElasticSearch中index_name索引的type_name类型中的doc数"_shards" : {# 这个是ElasticSearch返回数据相关的meta值，表示总共有5个shard，全部成功返回了结果"total" : 5,"successful" : 5,"skipped" : 0,"failed" : 0}}

下一步计划

（1）至此，TableStore数据通过数据集成同步到Elasticsearch的配置完成了，延迟在5分钟到10分钟之间。

（2）虽然目前可以运行了，但是仍然存在一些问题。

需要 设置调度资源 ，比较麻烦。预计十二月中旬的时候这一步可以自动处理，不再需要配置。使用会更加简单。

延迟在 5~10 分钟，对于部分系统而言，可能延迟比较大，预计十二月底的时候可以减少到秒级。时效性会更高。

作者：少强 阿里巴巴技术专家

加入钉钉技术讨论群

阿里云Elasticsearch已正式发布啦，Elastic开源官方联合开发，集成5.5商业版本XPack功能，欢迎开通使用。

点击了解更多产品信息

如果觉得《【技术实验】表格存储Tablestore准实时同步数据到Elasticsearch》对你有帮助，请点赞、收藏，并留下你的观点哦！