উদ্যোগ: উদ্যোগের জন্য, ডেটা সংগ্রহের মূল চ্যালেঞ্জটি কখনোই শুধুমাত্র "সিনক্রোনাইজেশন" ছিল না, বরং একটি বৃহত্তর, heterogeneous এবং জটিল পরিবেশে ডেটা সঠিকতা, সম্পূর্ণতা এবং সময়মততা কীভাবে নিশ্চিত করা যায় এই নিবন্ধটি একটি Apache SeaTunnel উপর ভিত্তি করে একটি কোম্পানির স্তরের ডেটা সংগ্রহ ফ্রেমমার্ক নির্মাণ করার SUPCON এর অনুশীলনকে গভীর করে তুলনা করে, যেমন ক্লাস্টার উচ্চ উপলব্ধতা কনফিগারেশন, পারফরম্যান্স অপ্টিমাইজেশন, ত্রুটি সহনশীলতা প্রক্রিয়া এবং ডেটা গুণমান পর্যবেক্ষণ উপর নির্দি উদ্যোগ: উদ্যোগের জন্য, ডেটা সংগ্রহের মূল চ্যালেঞ্জটি কখনোই শুধুমাত্র "সিনক্রোনাইজেশন" ছিল না, বরং একটি বৃহত্তর, heterogeneous এবং জটিল পরিবেশে ডেটা সঠিকতা, সম্পূর্ণতা এবং সময়মততা কীভাবে নিশ্চিত করা যায় এই নিবন্ধটি একটি Apache SeaTunnel উপর ভিত্তি করে একটি কোম্পানির স্তরের ডেটা সংগ্রহ ফ্রেমমার্ক নির্মাণ করার SUPCON এর অনুশীলনকে গভীর করে তুলনা করে, যেমন ক্লাস্টার উচ্চ উপলব্ধতা কনফিগারেশন, পারফরম্যান্স অপ্টিমাইজেশন, ত্রুটি সহনশীলতা প্রক্রিয়া এবং ডেটা গুণমান পর্যবেক্ষণ উপর নির্দি 1. Dilemma: Siloed সংগ্রহ আর্কিটেকচার এবং উচ্চ অপারেটিং এবং রক্ষণাবেক্ষণ খরচ প্রক্রিয়া শিল্পে গভীরভাবে ক্ষমতা প্রদানকারী একটি শিল্প আইআই প্ল্যাটফর্ম কোম্পানি হিসাবে, SUPCON এর বিশ্বব্যাপী ব্যবসাটি ক্রমাগত বিকশিত হয়েছে। বর্তমানে, এটি প্রায় 40 টি বিশ্বব্যাপী কনফিগারেশন রয়েছে এবং 35,000 টিরও বেশি বিশ্বব্যাপী গ্রাহকদের সেবা দেয়। ব্যবসার ক্রমাগত বিস্তার ডেটা কাজের জন্য উচ্চতর চাহিদা তৈরি করেছে: ডেটা শুধুমাত্র "দ্রুত হিসাব" করতে হবে না বরং "সঠিকভাবে অবতরণ" করতে হবে। এই উদ্দেশ্যে, আমরা জটিল পরিস্থিতিগুলি মোকাবেলা করার জন্য একটি স্ট্রিম ব্যাচ আলাদা বড় ডেটা প্ল্যাটফর্ম তৈরি করেছি। : অতীতে, আমরা দীর্ঘ সময় ধরে একাধিক সরঞ্জামের সমাধানের উপর নির্ভর করেছি (যেমন HDFS এবং Maxwell / StreamSets এর সাথে ব্যাটারি ডেটা সিনাক্রোনেশনের জন্য Sqoop ব্যবহার করে, এবং ডাটাবেস ক্রমবর্ধমান লগ প্রক্রিয়াকরণ এবং Kafka / Kudu এ লিখতে)। (1) Complex Architecture with Silos : একাধিক প্রযুক্তিগত রুট অপারেটিং এবং রক্ষণাবেক্ষণ পর্যবেক্ষণের চাপ দ্বিগুণ করে। একটি একক পর্যবেক্ষণ এবং সতর্কতামূলক যন্ত্রের অভাব মানে যে কোনও অস্বাভাবিকতা (যেমন সমন্বয় দেরি, সম্পদ ব্যর্থতা) সমস্যা সমাধান এবং "অগ্নি প্রতিরোধ" জন্য অনেক কর্মক্ষমতা প্রয়োজন, স্থিতিশীলতা নিশ্চিত করা কঠিন করে তোলে। (2) O&M Black Hole, Constantly Firefighting : নতুন ডেটা উত্স (যেমন ঘরোয়া ডাটাবেস এবং SAP HANA) মোকাবেলা করার সময়, আমাদের বিভিন্ন সরঞ্জামগুলিতে সমন্বয় সমাধানগুলি খুঁজে বের করতে বা স্বাধীনভাবে প্লাগইনগুলি বিকাশ করতে হবে, যা ব্যবসার চাহিদাগুলির দ্রুত প্রতিক্রিয়া অসম্ভব করে তোলে। (3) Segmented Capabilities, Difficult to Expand উপরের চিত্রটি স্পষ্টভাবে পূর্বে ডিজেন্ট্রাল সংগ্রহের ইকোসিস্টেমটি দেখায়. আমরা বুঝতে পেরেছি যে এই "অনর্গঠিত" মডেলটি ডেটা প্রক্রিয়াকরণের সবচেয়ে সংবেদনশীল লিঙ্ক হয়ে উঠেছে. এটি কেবলমাত্র কোম্পানির ভবিষ্যতের উন্নয়ন গতিতে সামঞ্জস্যপূর্ণ নয়, তবে ডেটা গুণমান এবং সময়মততার জন্যও সম্ভাব্য হুমকি তৈরি করে। 2. ডিলিমা ভেঙে: একটি ইউনিফাইড সংগ্রহ ফ্রেমওয়ার্ক এবং প্রযুক্তি নির্বাচন সম্পর্কে চিন্তা গভীর বিশ্লেষণ এবং চিন্তা করার পরে, আমরা নতুন প্রযুক্তির জন্য পাঁচটি কোর নির্বাচন কৌশল পরিষ্কার করেছি: : এটি সম্পূর্ণরূপে কোম্পানির সমস্ত বর্তমান এবং ভবিষ্যতের ডেটা উত্স টাইপগুলি (Mysql, Oracle, HANA থেকে Kafka, StarRocks, ইত্যাদি) অন্তর্ভুক্ত করা উচিত এবং উভয় অফলাইন এবং বাস্তব সময় সংগ্রহ মোডগুলি সমর্থন করে, মূলত ইউনিফাইড টেকনোলজি স্ট্যাক সমস্যা সমাধান করে। (1) Comprehensive Connectivity : ফ্রেমওয়ার্ক নিজেই একটি উচ্চ উপলব্ধ বিতরণ cluster হতে হবে যা শক্তিশালী ত্রুটি সহনশীলতা সহ। এমনকি যদি একটি একক নোট ব্যর্থ হয়, পুরো পরিষেবাটি বিরতি না করা উচিত এবং স্বয়ংক্রিয়ভাবে পুনরুদ্ধার করা যেতে পারে, যা ডেটা সংগ্রহ পাইপলাইনের অব্যাহত কাজ নিশ্চিত করে। (2) Cluster Stability and High Availability : কাজ সম্পাদনা স্তরে, এটি সঠিক-একবার বা অন্তত-একবার প্রক্রিয়াকরণ সিমেন্টিক প্রদান করতে হবে যাতে কার্যক্রমগুলি অস্বাভাবিক বিরতিগুলির পরে স্বয়ংক্রিয়ভাবে বিচ্ছিন্নতা থেকে পুনরুদ্ধার করতে পারে, ডেটা পুনরাবৃত্তি বা হারানোর অপসারণ করে, যা ডেটা গুণমানের মৌলিক পাথর। (3) Reliable Data Consistency Guarantee : এটি সহজেই আমাদের দৈনন্দিন টিবি স্তরের ডেটা বৃদ্ধির চ্যালেঞ্জগুলি মোকাবেলা করতে সক্ষম হওয়া উচিত। (4) Strong Throughput Performance : এটি একটি সম্পূর্ণ পর্যবেক্ষণ এবং সতর্কতামূলক প্রক্রিয়া সরবরাহ করতে হবে, যা ডেটা সমন্বয়ের সময় অস্বাভাবিকতা, দেরি এবং পাসপোর্টের মতো গুরুত্বপূর্ণ সূচকগুলি বাস্তব সময়ে ট্র্যাক করতে পারে, এবং অপারেটিং এবং রক্ষণাবেক্ষণ কর্মীদের সঠিক সময়ে সতর্ক করতে পারে, প্যাসিভ "অগ্নি প্রতিরোধ"কে সক্রিয় "প্রাক্তন সতর্কতা" রূপান্তর করে। (5) Observable O&M Experience এই পাঁচটি মানের উপর ভিত্তি করে, আমরা শিল্পের প্রধান সমাধানগুলির উপর গভীর গবেষণা এবং তুলনামূলক পরীক্ষা চালিয়েছি. অবশেষে, অ্যাপাচি সাগর টানেল সমস্ত মাত্রাগুলিতে অসাধারণভাবে কাজ করেছিল এবং এই সমস্যাটি ভাঙার জন্য আমাদের সর্বোত্তম সমাধান হয়ে ওঠে। Our Core Requirements Apache SeaTunnel's Solutions Comprehensive Connectivity It has an extremely rich Connector ecosystem, officially supporting the reading and writing of hundreds of source/destination databases, fully covering all our data types. A single framework can unify offline and real-time collection. Cluster Stability and High Availability The separated architecture of SeaTunnel Engine ensures that even if a single Master or Worker node is abnormal, it will not affect the continuity of collection tasks. Reliable Data Consistency Guarantee It provides a powerful fault tolerance mechanism, supports Exactly-Once semantics, and can realize automatic breakpoint resumption after task abnormalities through the Checkpoint mechanism, ensuring no data loss or duplication. Strong Throughput Performance It has excellent distributed data processing capabilities. Parallelism can be adjusted through simple configuration, easily realizing horizontal expansion. Observable O&M Experience It provides rich monitoring indicators and can be seamlessly integrated with mainstream monitoring and alerting systems such as Prometheus, Grafana, and AlertManager, allowing us to have a clear understanding of the data collection process. ব্যাপক সংযোগ এটি একটি অত্যন্ত সমৃদ্ধ Connector ইকো সিস্টেম আছে, আনুষ্ঠানিকভাবে শত শত উৎস / গন্তব্য ডেটাবেসের পড়া এবং লিখা সমর্থন করে, আমাদের সমস্ত ডেটা টাইপ সম্পূর্ণরূপে অন্তর্ভুক্ত করে। ক্লাস্টার স্থিতিশীলতা এবং উচ্চ উপলব্ধতা SeaTunnel ইঞ্জিনের আলাদা আর্কিটেকচার নিশ্চিত করে যে এমনকি যদি একক মাস্টার বা ওয়ার্কার নোট অস্বাভাবিক হয় তবে এটি সংগ্রহের কাজগুলির অব্যাহততাকে প্রভাবিত করবে না। নির্ভরযোগ্য তথ্য নিশ্চিতকরণ এটি একটি শক্তিশালী ত্রুটি সহনশীলতা প্রক্রিয়া সরবরাহ করে, Exactly-Once সিমেন্টিক্স সমর্থন করে এবং চেকপয়েন্টের মাধ্যমে কাজের অস্বাভাবিকতাগুলির পরে স্বয়ংক্রিয় ভাঙন পুনরায় বাস্তবায়ন করতে পারে, যা ডেটা হারা বা পুনরাবৃত্তি নিশ্চিত করে না। শক্তিশালী পারফরম্যান্স এটি চমৎকার বিতরণ ডেটা প্রক্রিয়াকরণ ক্ষমতা আছে. সমান্তরালতা সহজ কনফিগারেশন মাধ্যমে নিয়ন্ত্রিত করা যেতে পারে, সহজেই হাইজেশনাল বিস্তার বাস্তবায়ন। O&M অভিজ্ঞতা এটি সমৃদ্ধ পর্যবেক্ষণ সূচক সরবরাহ করে এবং Prometheus, Grafana এবং AlertManager এর মতো প্রধান পর্যবেক্ষণ এবং সতর্কতা সিস্টেমগুলির সাথে নিখুঁতভাবে ইন্টিগ্রেট করা যেতে পারে, যা আমাদের ডেটা সংগ্রহ প্রক্রিয়া সম্পর্কে একটি পরিষ্কার বোঝার অনুমতি দেয়। 3. অনুশীলন: নির্দিষ্ট বাস্তবায়ন পরিকল্পনা এবং বিস্তারিত Apache SeaTunnel এর সাথে আমাদের অনুশীলনও প্রকল্পের বৃদ্ধির পথ। প্রাথমিক পর্যায়ে, আমরা Apache SeaTunnel v2.3.5 উপর ভিত্তি করে তৈরি করেছি। যাইহোক, SeaTunnel সম্প্রদায়ের দ্রুত বিকাশের সাথে সাথে, নতুন সংস্করণের ফাংশন এবং কনভার্টারগুলি ক্রমবর্ধমানভাবে সম্পূর্ণ হয়ে উঠেছে. যখন আমরা সফলভাবে Apache SeaTunnel v2.3.11-এ ক্লাস্টারটি আপগ্রেড করেছি, তখন আমরা খুশিভাবে বিস্মিত হয়েছিলাম যে পূর্বে কাস্টমাইজড ডেভেলপমেন্টের প্রয়োজনীয়তাগুলি এখন নতুন সংস্করণে ন্যাশনালভাবে সমর্থন করা হয়েছে। বর্তমানে, আমাদের সমস্ত ডেটা সমন্বয় কাজগুলি আনুষ্ঠানিক সংস্করণের ভিত্তিতে বাস্তবায়িত হয়, শূন্য সংশোধন অর্জন করে, যা আমাদের দীর্ঘমেয়াদী রক্ষণাবেক্ষণ খরচগুলি হ্রাস করে এবং আমাদের সম্প্রদায়ের সর্বশেষ বৈশিষ্ট্য এবং পারফরম্যান্স উন্নতিগুলি সহজেই উপভোগ করতে দেয়। নিম্নলিখিতগুলি আমাদের মৌলিক বাস্তবায়ন পরিকল্পনাগুলি ভার্সন v2.3.11 উপর ভিত্তি করে, যা উত্পাদন পরিবেশে টিবি স্তরের ডেটা পরিমাণ দ্বারা নিশ্চিত করা হয়েছে এবং গ্রুপটি নির্মাণ হওয়ার পর থেকে 0 ব্যর্থতার চমৎকার কর্মক্ষমতার জন্য একটি শক্তিশালী ভিত্তি স্থাপন করেছে। ১. ক্লাস্টার পরিকল্পনা গ্রুপের উচ্চ উপলব্ধতা নিশ্চিত করার জন্য, এটি একটি পৃথক মোড গ্রুপের বিতরণকে অগ্রাধিকার দেওয়ার পরামর্শ দেওয়া হয়। Node CPU Memory Disk JVM Heap Master-01 8C 32G 200G 30G Master-02 8C 32G 200G 30G Worker-01 16C 64G 500G 62G Worker-02 16C 64G 500G 62G Worker-03 16C 64G 500G 62G মেডিকেল-01 8c ৩২জি ২০০ জি ৩০ জি মেডিকেল-02 8c ৩২জি ২০০ জি ৩০ জি কর্মজীবী01 16c ৬৪জি ৫০০ জি ৬২জি শ্রমিক-২ 16c ৬৪জি ৫০০ জি ৬২জি শ্রমিক-৩ 16c ৬৪জি ৫০০ জি ৬২জি (2) ক্লাস্টার কনফিগারেশন ফাইল This configuration file is mainly used to define the execution behavior, fault tolerance mechanism, and operation and maintenance monitoring settings of jobs. It optimizes performance by enabling class loading caching and dynamic resource allocation, and ensures job fault tolerance and data consistency by configuring S3-based Checkpoints. In addition, it can enable indicator collection, log management, and settings, thereby providing comprehensive support for the stable operation, monitoring, and daily management of jobs. seatunnel.yaml seatunnel: engine: # Class loader cache mode: After enabling, it can significantly improve performance when jobs are frequently started and stopped, reducing class loading overhead. It is recommended to enable it in the production environment. classloader-cache-mode: true # Expiration time of historical job data (unit: minutes): 3 days. Historical information of completed jobs exceeding this time will be automatically cleaned up. history-job-expire-minutes: 4320 # Number of data backups backup-count: 1 # Queue type: Blocking queue queue-type: blockingqueue # Execution information printing interval (seconds): Print job execution information in the log every 60 seconds. print-execution-info-interval: 60 # Job metric information printing interval (seconds): Print detailed metric information in the log every 60 seconds. print-job-metrics-info-interval: 60 slot-service: # Dynamic Slot management: After enabling, the engine will dynamically allocate computing slots based on node resource conditions, improving resource utilization. dynamic-slot: true # Checkpoint configuration. checkpoint: interval: 60000 # Time interval between two Checkpoints, in milliseconds (ms). Here it is 1 minute. timeout: 600000 # Timeout for Checkpoint execution, in milliseconds (ms). Here it is 10 minutes. storage: type: hdfs # The storage type is declared as HDFS here, and the actual storage is in the S3 below. max-retained: 3 # Maximum number of Checkpoint histories to retain. Old Checkpoints will be automatically deleted to save space. plugin-config: storage.type: s3 # The actual configured storage type is S3 (or object storage compatible with S3 protocol such as MinIO) fs.s3a.access.key: xxxxxxx # Access Key of S3-compatible storage fs.s3a.secret.key: xxxxxxx # Secret Key of S3-compatible storage fs.s3a.endpoint: http://xxxxxxxx:8060 # Service endpoint (Endpoint) address of S3-compatible storage s3.bucket: s3a://seatunel-pro-bucket # Name of the bucket used to store Checkpoint data fs.s3a.aws.credentials.provider: org.apache.hadoop.fs.s3a.SimpleAWSCredentialsProvider # Authentication credential provider # Observability configuration telemetry: metric: enabled: true # Enable metric collection logs: # Enable scheduled log deletion: Enable the automatic cleaning function of log files to prevent logs from filling up the disk. scheduled-deletion-enable: true # Web UI and REST API configuration http: enable-http: true # Enable Web UI and HTTP REST API services port: 8080 # Port number bound by the Web service enable-dynamic-port: false # Disable dynamic ports. Whether to enable other ports if 8080 is occupied. # The following is the Web UI basic authentication configuration enable-basic-auth: true # Enable basic identity authentication basic-auth-username: admin # Login username basic-auth-password: xxxxxxx # Login password This JVM parameter configuration file is mainly used to ensure the stability and performance of the SeaTunnel engine during large-scale data processing. It provides basic memory guarantee by setting the heap memory and metaspace capacity, and conducts a series of optimizations specifically for the G1 garbage collector to effectively manage memory garbage, control garbage collection pause time, and improve operating efficiency. jvm_master_options # JVM heap memory -Xms30g -Xmx30g # Memory overflow diagnosis: Automatically generate a Heap Dump file when OOM occurs, and save it to the specified path for subsequent analysis. -XX:+HeapDumpOnOutOfMemoryError -XX:HeapDumpPath=/tmp/seatunnel/dump/zeta-server # Metaspace: Limit the maximum capacity to 5GB to prevent metadata from expanding infinitely and occupying too much local memory. -XX:MaxMetaspaceSize=5g # G1 garbage collector related configuration -XX:+UseG1GC # Enable G1 garbage collector -XX:+PrintGCDetails # Print detailed GC information in the log -Xloggc:/path/to/gc.log # Output GC logs to the specified file -XX:+PrintGCDateStamps # Print timestamps in GC logs -XX:MaxGCPauseMillis=5000 # The target maximum GC pause time is 5000 milliseconds (5 seconds) -XX:InitiatingHeapOccupancyPercent=50 # Start concurrent GC cycle when heap memory usage reaches 50% -XX:+UseStringDeduplication # Enable string deduplication to save memory space -XX:GCTimeRatio=4 # Set the target ratio of GC time to application time -XX:G1ReservePercent=15 # Reserve 15% of heap memory -XX:ConcGCThreads=6 # Set the number of threads used in the concurrent GC phase to 6 -XX:G1HeapRegionSize=32m # Set the G1 region size to 32MB This configuration file defines the underlying distributed architecture and collaboration mechanism of the SeaTunnel engine cluster. It is mainly used to establish and manage network communication between cluster nodes. The configuration also includes a high-precision failure detection heartbeat mechanism to ensure that node failure problems can be quickly detected and handled, ensuring the high availability of the cluster. At the same time, it enables distributed data persistence based on S3-compatible storage, reliably saving key state information to object storage. hazelcast-master.yaml (iMap stored in self-built object storage) hazelcast: cluster-name: seatunnel # Cluster name, which must be consistent across all nodes network: rest-api: enabled: true # Enable REST API endpoint-groups: CLUSTER_WRITE: enabled: true DATA: enabled: true join: tcp-ip: enabled: true # Use TCP/IP discovery mechanism member-list: # Cluster node list - 10.xx.xx.xxx:5801 - 10.xx.xx.xxx:5801 - 10.xx.xx.xxx:5802 - 10.xx.xx.xxx:5802 - 10.xx.xx.xxx:5802 port: auto-increment: false # Disable port auto-increment port: 5801 # Fixed port 5801 properties: hazelcast.invocation.max.retry.count: 20 # Maximum number of invocation retries hazelcast.tcp.join.port.try.count: 30 # Number of TCP connection port attempts hazelcast.logging.type: log4j2 # Use log4j2 logging framework hazelcast.operation.generic.thread.count: 50 # Number of generic operation threads hazelcast.heartbeat.failuredetector.type: phi-accrual # Use Phi-accrual failure detector hazelcast.heartbeat.interval.seconds: 2 # Heartbeat interval (seconds) hazelcast.max.no.heartbeat.seconds: 180 # No heartbeat timeout (seconds) hazelcast.heartbeat.phiaccrual.failuredetector.threshold: 10 # Failure detection threshold hazelcast.heartbeat.phiaccrual.failuredetector.sample.size: 200 # Detection sample size hazelcast.heartbeat.phiaccrual.failuredetector.min.std.dev.millis: 100 # Minimum standard deviation (milliseconds) hazelcast.operation.call.timeout.millis: 150000 # Operation call timeout (milliseconds) map: engine*: map-store: enabled: true # Enable Map storage persistence initial-mode: EAGER # Load all data immediately at startup factory-class-name: org.apache.seatunnel.engine.server.persistence.FileMapStoreFactory # Persistence factory class properties: type: hdfs # Storage type namespace: /seatunnel/imap # Namespace path clusterName: seatunnel-cluster # Cluster name storage.type: s3 # Actually use S3-compatible storage fs.s3a.access.key: xxxxxxxxxxxxxxxx # S3 access key fs.s3a.secret.key: xxxxxxxxxxxxxxxx # S3 secret key fs.s3a.endpoint: http://xxxxxxx:8060 # S3 endpoint address s3.bucket: s3a://seatunel-pro-bucket # S3 storage bucket name fs.s3a.aws.credentials.provider: org.apache.hadoop.fs.s3a.SimpleAWSCredentialsProvider # Authentication provider ৩) কাজের উদাহরণ ① MySQL-CDC to StarRocks MySQL-CDC ডেটা সংগ্রহ করার জন্য, এটি নিশ্চিত করতে হবে যে সূত্রের ডাটাবেসটি Binlog ROW ফরম্যাটের সাথে সক্রিয় করেছে, ব্যবহারকারীকে প্রাসঙ্গিক অনুমতি রয়েছে, এবং সংশ্লিষ্ট MySQL Jar প্যাকেজটি ডিরেক্টরি. বিস্তারিত জন্য, দয়া করে অফিসিয়াল ওয়েবসাইট দেখুন: . ${SEATUNNEL_HOME}/lib https://seatunnel.apache.org/docs/2.3.11/connector-v2/source/MySQL-CDC নিম্নলিখিতটি আমাদের MySQL-CDC সংগ্রহের জন্য একটি নমুনা কনফিগারেশন। env { parallelism = 1 # Parallelism is set to 1; only 1 is allowed for streaming collection job.mode = "STREAMING" # Streaming job mode job.name = cdh2sr # Job name identifier job.retry.times = 3 # Number of retries if the job fails job.retry.interval.seconds=180 # Retry interval (in seconds) } source { MySQL-CDC { base-url = "jdbc:mysql://xxxxxxx:3306/databasename" # MySQL connection address username = "xxxxxxr" # Database username password = "xxxxxx" # Database password table-names = ["databasename.table1","databasename_pro.table2"] # List of tables to sync (format: database.table name) startup.mode = "latest" # Start syncing from the latest position exactly_once = true # Enable Exactly-Once semantics debezium { include.schema.changes = "false" # Exclude schema changes snapshot.mode = when_needed # Take snapshots on demand } } } transform { TableRename { plugin_input = "cdc" # Input plugin identifier plugin_output = "rs" # Output plugin identifier convert_case = "LOWER" # Convert table names to lowercase prefix = "ods_cdh_databasename_" # Add prefix to table names } } sink { StarRocks { plugin_input = "rs" # Input plugin identifier (consistent with transform output) nodeUrls = ["xxxxxxx:8030","xxxxxxx:8030","xxxxxxx:8030"] # StarRocks FE node addresses base-url = "jdbc:mysql://xxxxxxx:3307" # StarRocks MySQL protocol address username = "xxxx" # StarRocks username password ="xxxxxxx" # StarRocks password database = "ods" # Target database enable_upsert_delete = true # Enable update/delete functionality max_retries = 3 # Number of retries if write fails http_socket_timeout_ms = 360000 # HTTP timeout (in milliseconds) retry_backoff_multiplier_ms = 2000 # Retry backoff multiplier max_retry_backoff_ms = 20000 # Maximum retry backoff time batch_max_rows = 2048 # Maximum number of rows per batch batch_max_bytes = 50000000 # Maximum bytes per batch } } ② Oracle-CDC to StarRocks Oracle-CDC ডেটা সংগ্রহ করার জন্য, সূত্রের ডাটাবেসটিতে Logminer সক্ষম হয়েছে তা নিশ্চিত করুন, ব্যবহারকারীকে প্রাসঙ্গিক অনুমোদন রয়েছে, এবং প্রাসঙ্গিক OJDBC.Jar এবং Orai18n.jar প্যাকেজগুলি স্থাপন করুন ডিরেক্টরি. বিস্তারিত জানার জন্য, অফিসিয়াল ওয়েবসাইটটি দেখুন: . ${SEATUNNEL_HOME}/lib https://seatunnel.apache.org/docs/2.3.11/connector-v2/source/Oracle-CDC উল্লেখযোগ্যভাবে, ওরাকল-সিডিসি সংগ্রহের সময় সমস্যাগুলির বিষয়ে, আমরা প্রথমে ডিবিএকে জিজ্ঞাসা করার পরামর্শ দিচ্ছি যে লগমিনার লগগুলি কতবার সংযুক্ত করা হয়। অফিসিয়াল পরামর্শটি প্রতি ঘন্টায় প্রায় 10 বার রাখা-অতিরিক্ত ঘন্টা সংযুক্ত করা দীর্ঘস্থায়ী দীর্ঘস্থায়ী হতে পারে। -- Query log switch frequency SELECT GROUP#, THREAD#, BYTES/1024/1024 || 'MB' "SIZE", ARCHIVED, STATUS FROM V$LOG; SELECT TO_CHAR(first_time, 'YYYY-MM-DD HH24') AS hour, COUNT(*) AS switch_count FROM v$log_history WHERE first_time >= TRUNC(SYSDATE) - 1 -- Data from the past day GROUP BY TO_CHAR(first_time, 'YYYY-MM-DD HH24') ORDER BY hour; -- Query log file size SELECT F.MEMBER, L.GROUP#, L.THREAD#, L.SEQUENCE#, L.BYTES/1024/1024 AS SIZE_MB, L.ARCHIVED, L.STATUS, L.FIRST_CHANGE#, L.NEXT_CHANGE# FROM V$LOG L, V$LOGFILE F WHERE F.GROUP# = L.GROUP# ORDER BY L.GROUP#; নিম্নলিখিতটি আমাদের Oracle-CDC সংগ্রহের জন্য একটি নমুনা কনফিগারেশন। env { parallelism = 1 # Parallelism is 1; only 1 is allowed for streaming collection job.mode = "STREAMING" # Streaming job mode job.name = bpm2sr # Job name identifier job.retry.times = 3 # Number of retries if the job fails job.retry.interval.seconds=180 # Retry interval (in seconds) } source { Oracle-CDC { plugin_output = "cdc" # Output plugin identifier base-url = "jdbc:oracle:thin:@xxxxxx:1521:DB" # Oracle connection address username = "xxxxxx" # Database username password = "xxxxxx" # Database password table-names = ["DB.SC.TABLE1","DB.SC.TABLE2"] # Tables to sync (format: database.schema.table name) startup.mode = "latest" # Start syncing from the latest position database-names = ["DB"] # Database name schema-names = ["SC"] # Schema name skip_analyze = true # Skip table analysis use_select_count = true # Use statistics exactly_once = true # Enable Exactly-Once semantics connection.pool.size = 20 # Connection pool size debezium { log.mining.strategy = "online_catalog" # Log mining strategy log.mining.continuous.mine = true # Continuously mine logs lob.enabled = false # Disable LOB support internal.log.mining.dml.parser ="legacy" # Use legacy DML parser } } } transform { TableRename { plugin_input = "cdc" # Input plugin identifier plugin_output = "rs" # Output plugin identifier convert_case = "LOWER" # Convert table names to lowercase prefix = "ods_crm_db_" # Add prefix to table names } } sink { StarRocks { plugin_input = "rs" # Input plugin identifier nodeUrls = ["xxxxxxx:8030","xxxxxxx:8030","xxxxxxx:8030"] # StarRocks FE nodes base-url = "jdbc:mysql://xxxxxxx:3307" # JDBC connection address username = "xxxx" # Username password ="xxxxxxx" # Password database = "ods" # Target database enable_upsert_delete = true # Enable update/delete max_retries = 3 # Maximum number of retries http_socket_timeout_ms = 360000 # HTTP timeout retry_backoff_multiplier_ms = 2000 # Retry backoff multiplier max_retry_backoff_ms = 20000 # Maximum retry backoff time batch_max_rows = 2048 # Maximum rows per batch batch_max_bytes = 50000000 # Maximum bytes per batch } } ৪) পর্যবেক্ষণ নতুন সংস্করণ SeaTunnel দ্বারা সরবরাহ করা শক্তিশালী পর্যবেক্ষণ মিটার এবং আমরা তৈরি সম্পূর্ণ পর্যবেক্ষণ সিস্টেমের ধন্যবাদ, আমরা ক্লাস্টার-বৃহৎ এবং কাজ-ভিত্তিক দৃষ্টিভঙ্গি উভয় দৃষ্টিভঙ্গি থেকে তথ্য সংগ্রহ প্ল্যাটফর্মের অবস্থা সম্পূর্ণরূপে বুঝতে পারি। ① Cluster Monitoring নোড স্ট্যাটাস: রিয়েল টাইম নজরদারি ক্লাস্টার নোডের সংখ্যা এবং তাদের বেঁচে থাকার পরিস্থিতি Worker নোডের অস্বাভাবিক অফলাইন না নিশ্চিত করতে এবং ক্লাস্টার প্রক্রিয়াকরণ ক্ষমতা নিশ্চিত করতে। ক্লাস্টার পাসপোর্ট: ক্লাস্টারের মোট SourceReceivedQPS এবং SinkWriteQPS পর্যবেক্ষণ করে গ্লোবাল ডেটা ইনফ্লো এবং আউটফ্লো হারগুলি ধারণ করে এবং ক্লাস্টার লোড মূল্যায়ন করে। সম্পদ অবস্থা: সম্পদ বিস্তার বা অপ্টিমাইজেশনের জন্য একটি ভিত্তি সরবরাহ করার জন্য ক্লাস্টার নোটগুলির সিপিএল এবং মেমরিটি পর্যবেক্ষণ করুন। নেটওয়ার্ক স্বাস্থ্য: অভ্যন্তরীণ হৃদরোগ এবং যোগাযোগ ল্যাটিনতা পর্যবেক্ষণ করে ভাল গ্রুপ নেটওয়ার্ক অবস্থা নিশ্চিত করুন। ② Task Monitoring কাজ অপারেশন অবস্থা: সমস্ত কাজের চলমান অবস্থার (উপস্থিত / ব্যর্থ / সম্পন্ন) রিয়েল টাইম চেকিং নজরদারির সবচেয়ে মৌলিক প্রয়োজন। ডেটা সমন্বয় ভলিউম: প্রতিটি কাজের SourceReceivedCount এবং SinkWriteCount প্রতিটি ডেটা পাইপলাইনের ট্রান্সপুটকে বাস্তব সময়ে ধারণ করার জন্য। দেরি সময়: এটি CDC কাজের জন্য সবচেয়ে গুরুত্বপূর্ণ সূচকগুলির মধ্যে একটি। 4. ফলাফল: পরিমাপযোগ্য সুবিধা একটি স্থিতিশীল অপারেটিং সময় পরে, অ্যাপাচ সাগর টানেলের উপর ভিত্তি করে নির্মিত নতুন প্রজন্মের ডেটা সংগ্রহ ফ্রেমমার্ক আমাদের উল্লেখযোগ্য এবং পরিমাপযোগ্য সুবিধা নিয়েছে, প্রধানত নিম্নলিখিত দিকগুলিতে প্রতিফলিত: (১) স্থিতিশীলতা: “দীর্ঘস্থায়ী অগ্নিকাণ্ড” থেকে “মনের শান্তি” পর্যন্ত : Under the old solution, 1-3 synchronization abnormalities needed to be handled per month. Since the new cluster was launched, core data synchronization tasks have maintained 0 failures, with no data service interruptions caused by the framework itself. Task failure rate reduced by over 99% : Relying on Apache SeaTunnel's Exactly-Once semantics and powerful Checkpoint mechanism, end-to-end Exactly-Once processing is achieved, completely solving the problem of potential trace data duplication or loss and fundamentally ensuring data quality. 100% data consistency : The high-availability design of the cluster ensures 99.99% service availability. Any single-point failure can be automatically recovered within minutes, with no impact on business operations. Significantly improved availability (2) দক্ষতা: দ্বিগুণ উন্নয়ন এবং O&M দক্ষতা : From writing and maintaining multiple sets of scripts in the past to unified configuration-based development. The time to connect new data sources has been reduced from 1-2 person-days to within 1 minute, showing a significant efficiency improvement. 50% improvement in development efficiency : Now, the overall status can be monitored through the Grafana dashboard, with daily active O&M investment of less than 0.5 person-hours. 70% reduction in O&M costs : End-to-end data latency has been optimized from minutes to seconds, providing a solid foundation for real-time data analysis and decision-making. Optimized data timeliness (3) আর্কিটেকচার: সম্পদ অপ্টিমাইজেশন এবং একীভূত ফ্রেমওয়ার্ক : Successfully integrated multiple technology stacks such as Sqoop and StreamSets into Apache SeaTunnel, greatly reducing technical complexity and long-term maintenance costs. Unified technology stack ৫. ভবিষ্যৎ পরিকল্পনা : We will actively explore the native deployment and scheduling capabilities of Apache SeaTunnel on Kubernetes, leveraging its elastic scaling features to achieve on-demand allocation of computing resources, further optimizing costs and efficiency, and better embracing hybrid cloud and multi-cloud strategies. (1) Full cloud native adoption : Build AIOps capabilities based on the rich Metrics data collected, realizing intelligent prediction of task performance, automatic root cause analysis of faults, and intelligent parameter tuning. (2) Intelligent O&M ৬. স্বীকৃতি একই সময়ে, আমরা কৃতজ্ঞতা জানাই কোম্পানির অভ্যন্তরীণ প্রকল্প টিমের প্রতিটি সদস্যকে - আপনার কঠোর পরিশ্রম এবং অনুসন্ধানের সাহস এই আর্কিটেকচার আপগ্রেড সফলভাবে বাস্তবায়নের জন্য চাবিকাঠি। SUPCON Apache SeaTunnel এর জন্য সিলোড ডেটা টুলগুলি ডাউনলোড করে—এখন কোর সিনাক্সিং কাজগুলি 0-অসুবিধা চালায়! 99% কম ব্যর্থতা, 100% সামঞ্জস্যপূর্ণতা, 70% কম O&M খরচ।
