如何将 Google Cloud SQL 与 Google Big Query 集成答案

【问题标题】：How to integrate Google Cloud SQL with Google Big Query如何将 Google Cloud SQL 与 Google Big Query 集成
【发布时间】：2018-03-04 08:12:43
【问题描述】：

我正在设计一个解决方案，在该解决方案中，Google Cloud SQL 将用于存储来自应用程序正常运行的所有数据（OLTP 数据类型）。预计数据会随着时间的推移增长到相当大的规模。数据本身是关系型的，因此我们选择了 Cloud SQL 而不是 Cloud Datastore。

这些数据需要输入 Big Query 进行分析，并且需要接近实时的分析（最好的情况），尽管实际上可能会出现一些滞后。但我正在尝试设计一种解决方案，将这种延迟降至最低。

我的问题有 3 个部分 -

我应该使用 Cloud SQL 存储数据，然后将其移至 BigQuery 还是更改基本设计本身并最初也使用 BigQuery 存储数据？ BigQuery 是否适合用于常规、低延迟的 OLTP 工作负载？（我不这么认为 - 我的假设是否正确？）
将 Cloud SQL 数据加载到 BigQuery 并让这种集成近乎实时地工作的推荐/最佳做法是什么？
Cloud Dataflow 是一个不错的选择吗？如果我将 Cloud SQL 连接到 Cloud DataFlow 并进一步连接到 BigQuery - 它会起作用吗？或者有没有其他更好的方法来实现这一点（如问题 2 中所问）？

【问题讨论】：

标签： google-bigquery google-cloud-platform google-cloud-sql google-cloud-dataflow

【解决方案1】：

看看WePay是如何做到的：

https://wecode.wepay.com/posts/bigquery-wepay

MySQL 到 GCS 运算符对 MySQL 执行 SELECT 查询桌子。 SELECT 提取所有大于（或等于）最后一个的数据高水印。高水位线要么是主键表（如果表是仅附加的），或修改时间戳列（如果表接收更新）。同样，SELECT 语句还可以回溯一点时间（或行）以捕获可能丢弃的上次查询中的行（由于上述问题）。

借助 Airflow，他们设法使 BigQuery 每 15 分钟与他们的 MySQL 数据库同步一次。

【讨论】：

谢谢费利佩！它对我真的很有帮助。

【解决方案2】：

BigQuery 支持Cloud SQL federated queries，让您可以直接从 BigQuery 查询 Cloud SQL 数据库。为了让 Cloud SQL 表与 BigQuery 保持同步，您可以编写一个简单的脚本，使用以下查询每小时同步两个表。

INSERT
   demo.customers (column1)
SELECT
   *
FROM
   EXTERNAL_QUERY(
      "project.us.connection",
      "SELECT column1 FROM mysql_table WHERE timestamp > ${timestamp};");

请记住将 ${timestamp} 替换为当前时间戳 - 1 小时。

【讨论】：

【解决方案3】：

另一种方法是将写入过程拆分到 CloudSQL 和 Cloud Pub/Sub，然后让 Dataflow 阅读器流式传输到 BigQuery。当您的 BigQuery 表具有明显不同的目标架构时，这很有效 - 这在对关系数据进行非规范化时很常见。

好处是您可以将整体延迟减少到几秒钟；然而，主要的缺点是，如果您的事务数据高度变异，您将不得不创建一个版本控制方案来跟踪更改。

【讨论】：

【解决方案4】：

Google 已就此主题提供了reference article，该主题与使用变更数据捕获工具识别变更数据并仅推送该工具有关。

这做出了一些可能对您不起作用的假设：

愿意学习 debezium
愿意让 GCP 连接到您的源 MySQL 数据库

如果这些适合您的情况，这似乎是一个很好的解决方案。

【讨论】：