最佳实践：基于Apache SeaTunnel从MySQL同步到PostgreSQL
作者 | 陈飞 中付支付大数据工程师
今天和大家分享一个 简单但常见的 MySQL 到 MySQL 数据同步与合并场景案例，这个案例也是我在实际工作中遇到的问题，希望能抛砖引玉，欢迎有更丰富经验的大佬一起分享交流。
- 版本要求：Apache SeaTunnel --> Apache SeaTunnel-2.3.9
场景描述
在我们的业务系统中，存在两个 MySQL 源库：
- source_a
- source_b
这两个库中存在一张表结构相同的表，但数据来自不同的业务线，两边都会同时产生数据，因此存在 主键重复 的问题。
我们的目标是将这两个源库的表数据 合并同步到一个目标库（我们称为 C 库），以便于统一分析和查询。
面临的挑战
- 两个源库的表结构虽然一致，但主键重复，需要避免冲突
- 后续可能存在字段不一致或字段新增的需求
- 同步过程需尽量实时，且不能产生重复数据
解决方案
我们采用了如下方式来实现这个同步与合并的方案：
在 C 库新建目标表：
- 表结构需要覆盖两个源表的所有字段（当前一致，未来可能扩展）
- 增加一个额外的字段：data_source，用于标识数据来源（source_a 或 source_b）
- 不可为空的字段需要有默认值
设置联合主键与唯一约束
- 使用 原主键 + data_source 作为联合主键，确保不会因为两个源的主键重复而导致冲突
使用两个 Seatunnel 进程进行数据同步**：
- 分别使用 MySQL CDC 连接器 监听 source_a 与 source_b
- 在每条数据中打上来源标识字段 data_source
- 使用 JDBC Sink 写入到 C 库
实战演示
下面我们直接进入实战环节，关于 SeaTunnel 的基础知识，这里就不再赘述，上一期的大佬已经讲得非常清楚了，我们直接进入正题。
使用 MySQL CDC 前的准备工作
要使用 mysql-cdc 连接器，有两个必要的前置条件：
- MySQL 源库需开启 Binlog 日志
- binlog_format 必须设置为 ROW
- binlog_row_image 设置为 FULL-- 检查当前配置
SHOWVARIABLESLIKE'binlog_format';
SHOWVARIABLESLIKE'binlog_row_image';
-- 如果未开启，可在 my.cnf 文件中添加以下配置：
[mysqld]
server-id = 1
log-bin = mysql-bin
binlog-format = ROW
binlog-row-image = FULL
以上权限说明及设置方式可以参考官网文档，文档中提供了详细的权限说明与示例，建议大家同步查阅。
- 准备拥有复制权限的账号
-- 创建同步账号
CREATE USER 'cdc_user'@'%' IDENTIFIED BY 'your_password';
-- 授予必要权限
GRANT SELECT, RELOAD, SHOW DATABASES, REPLICATION SLAVE, REPLICATION CLIENT ON *.* TO 'cdc_user'@'%';
FLUSH PRIVILEGES;
准备 SeaTunnel 运行包与插件
- 方式一：下载官方二进制包
适合 服务器可访问外网 且 无需复杂定制 的场景。
- 下载地址：官方 Releases 页面
- 需要手动添加插件及插件驱动（如 mysql-cdc, jdbc）
- 插件安装说明可参考官方文档：插件管理
wget "https://archive.apache.org/dist/seatunnel/${version}/apache-seatunnel-${version}-bin.tar.gz"
config/plugin_config保留需要的插件
bin/install-plugin.sh
- 方式二：从 GitHub 克隆源码自行编译
适合对插件有特殊需求或希望获得完整插件支持的用户。
sh ./mvnw clean install -DskipTests -Dskip.spotless=true
seatunnel-dist/target/apache-seatunnel-2.3.9-bin.tar.gz
自行编译后生成的包中默认已集成所有插件及对应依赖，无需额外操作。
本案例使用的插件：
- mysql-cdc
- jdbc
插件说明与驱动依赖也可参考对应的文档！
Apache SeaTunnel 部署方式简介
SeaTunnel 支持多种部署方式：
- 使用 Seatunnel 自带引擎（Zeta）
- 作为 Spark / Flink 作业运行
使用 Zeta 引擎时的三种模式：
配置文件结构说明
集群搭建完成后，我们开始准备配置文件。
一般情况下，SeaTunnel 的配置文件可以分为以下四个部分：
- Env：引擎相关配置
- Source：源数据读取配置
- Transform：数据转换信息（可选）
- Sink：写出目标库的配置
Env引擎配置
- parallelism：并行度，表示任务运行的并发度，数值越大越快，具体要结合资源情况设置。
- job.mode：作业运行模式。由于我们使用的是 mysql-cdc 插件，因此必须设置为 Streaming 模式。
- checkpoint.interval：检查点间隔，Streaming 模式下默认是 30 秒一次，可以根据需要调整。
Source数据源配置（MySQL CDC）
使用的插件是 mysql-cdc，需要配置以下内容：
- 连接信息：包括数据库地址、用户名、密码等。
- 库名与表名：可以通过 database-names 和 table-names 显式指定，也可以使用正则表达式模糊匹配。
- startup.mode：CDC 的启动模式，默认为“先全量后增量”，适合大多数同步场景。如需了解其他启动模式的区别，可以参考官方文档。
- server-id：MySQL 的 CDC 读取服务 ID，虽然可以不写，但建议明确指定，防止与已有的从库 ID 冲突。
- MySQL 配置建议：在使用 mysql-cdc 前，需要确保
- binlog 功能已开启；
- binlog-format 设置为 ROW；
- binlog-row-image 设置为 FULL；
- MySQL 账号需具备读取 binlog、主从复制、查询所有表等权限。
Transform数据转换配置（可选）
在本案例中，我们需要给每条数据添加一个字段，用于标识数据来源，例如：data_source 字段，值可以是 source_a 或 source_b。
这个转换过程使用 sql 插件实现，通过添加常量字段的方式，将数据来源信息加到每条数据中。
需要注意：
- 每个源表可以单独指定转换规则；
- source_table 是保留字，表示上一个处理环节中的表名。
Sink写入配置
Sink 使用的是 jdbc 插件，配置项主要包括：
- 目标库地址、驱动、用户名、密码等连接信息；
- 根据目标表结构生成写入 SQL；
- 如果字段或结构不一致，可以自定义写入语句以匹配表结构。
小结
以上配置组合完成后，我们就可以实现从多个源库（如 source_a 和 source_b）实时同步数据到目标库的需求。在同步的同时，我们还增强了字段，使数据能够被标识来源并统一写入。整个流程既支持复杂数据结构，又能灵活适配业务场景，是一个适合实际生产的数据集成案例。
Sink 写入优化与效果验证
在配置 Sink 时，我们还可以做一些写入性能方面的优化：
批量写入策略
- 批量大小 和 写入间隔：满足任意一个条件就会触发写入操作。
关键配置参数说明
- schema_save_mode：结构保存策略如果结构已存在则忽略；
- 如果不存在，则根据上一个环节的输出结构自动创建。
- data_save_mode：数据保存策略
- 这里我们选择的是 追加（append） 模式。
- support_upsert_by_query_primary_key_exist：是否支持根据主键做 Upsert
- 本次开启了该功能，用于支持主键冲突时的更新。
- primary_keys：指定写入数据的主键
- 这里必须指定，包括原表的主键和我们 transform 阶段新增的 data_source 字段。
提交任务
./seatunnel.sh --config ../config/demo/collect_a.config -e cluster --cluster sz-seatunnel --name collect_a --async
./seatunnel.sh --config ../config/demo/collect_b.config -e cluster --cluster sz-seatunnel --name collect_b --async
--config：指定配置文件
-e：运行模式 cluster/local
--cluster：集群名称，部署集群时配置，默认是seatunnel
--name：任务名称
--async：后台运行
实际运行效果验证
到这里，配置部分就全部完成了。接下来我们来看下实际运行的效果： 
- 当前有 a 表和 b 表，c 表为空。
- 先运行 a 的同步进程。
- 查看 c 表，已经写入了 a 表的数据，且 data_source 字段为 source_a。
- 接着运行 b 的同步进程。
- 再查看 c 表，写入了 b 表的数据，data_source 字段为 source_b。
- 修改一下 a 表的数据。
- 因为我们设置了批量写入策略，这里等个两秒，再去看 c 表。
- 对应的数据已更新，符合预期。
到这里整个数据同步和合并的流程就全部完成啦！非常感谢大家的聆听 🙏，希望这个案例能为大家提供一些思路，也欢迎大家分享自己在 Apache SeaTunnel 使用中的更多经验，我们一起交流学习！
