1. 简介
取名mypumpkin,是python封装的一个让mysqldump以多线程的方式导出库表,再以mysql命令多线程导入新库,用于成倍加快导出,特别是导入的速度。这一切只需要在 mysqldump 或 mysql 命令前面加上 mypumpkin.py
即可,所以称作魔法。
项目地址:https://github.com/seanlook/mypumpkin
该程序源于需要对现网单库几百G的数据进行转移到新库,并对中间进行一些特殊操作(如字符集转换),无法容忍mysqldump导入速度。有人可能会提到为什么不用 mydumper,其实也尝试过它但还是放弃了,原因有:
- 不能设置字符集 mydumper强制使用 binary 方式来连接库以达到不关心备份恢复时的字符集问题,然而我的场景下需要特意以不同的字符集导出、再导入。写这个程序的时候正好在公众号看到网易有推送的一篇文章 (解密网易MySQL实例迁移高效完成背后的黑科技),提到他们对mydumper的改进已支持字符集设置,可是在0.9.1版本的patch里还是没找到。
- 没有像 mysqldump 那样灵活控制过滤选项(导哪些表、忽略哪些表) 因为数据量之巨大,而且将近70%是不变更的历史表数据,这些表是可以提前导出转换的;又有少量单表大于50G的,最好是分库导出转换。mydumper 不具备 mysqldump 这样的灵活性
- 对忽略导出gtid信息、触发器等其它支持 阿里云rds 5.6 导出必须要设置 set-gtid-purged=OFF
另外有人还可能提到 mysqlpump —— 它才是我认为mysqldump应该具有的模样,语法兼容,基于表的并发导出。但是只有 mysql服务端 5.7.9 以上才支持,这就是现实和理想的距离。。。
2. 实现方法
首先说明,mysqldump的导出速度并不慢,经测试能达到50M/s的速度,10G数据花费3分钟的样子,可以看到瓶颈在于网络和磁盘IO,再怎样的导出工具也快不了多少,但是导入却花了60分钟,磁盘和网络大概只用到了20%,瓶颈在目标库写入速度(而一般顺序写入达不到IOPS限制),所以mypumpkin就诞生了 —— 兼顾myloader的导入速度和mysqldump导出的灵活性。
用python构造1个队列,将需要导出的所有表一次放到队列中,同时启动N个python线程,各自从这个Queue里取出表名,subprocess调用操作系统的mysqldump命令,导出数据到以 dbname.tablename.sql 命名的文件中。load in 与 dump out 类似,根据指定的库名或表名,从dump_dir目录找到所有sql文件,压进队列,N个线程同时调用mysql构造新的命令,模拟 <
操作。
参数解析从原来自己解析,到改用argparse模块,几乎做了一次重构。
对于没有指定--tables
的情况,程序会主动去库里查询一下所有表名,然后过滤进队列。
load in目标库,选项做到与dump out一样丰富,可以指定导入哪些db、哪些表、忽略哪些表。
其中的重点是做到与原mysqldump兼容,因为需要对与表有关的选项(-B
, -A
, --tables
, --ignore=
),进行分析并组合成新的执行命令,考虑的异常情况非常多。
3. 限制
- 重要:导出的数据不保证库级别的一致性
- 对历史不变表,是不影响的
- 具体到一个表能保证一致性,这是mysqldump本身采用哪些选项决定的
- 不同表导出动作在不同的mysqldump命令中,无法保证事务。 在我的案例场景下,是有开发同学辅助使用一套binlog解析程序,等完成后重放所有变更,来保证最终一致性。 另,许多情况下我们导数据,并不需要完整的或者一致的数据,只是用于离线分析或临时导出,重点是快速拿数据给到开发。
- 不寻常选项识别 程序已经尽力做到与mysqldump命令兼容,只需要加上 mypumpkin.py、指定dump-dir,就完成并发魔法,但有些情况的参数不方便解析,暂不支持格式:
db1 table1 table2
db2 db3
即以上无法在命令行下判断 db1、table1 是库名还是表面,用的时候只需记住“[-A|-B], [–tables], [–ignore-table]”三组,必须出现一个:db1 table1 table2
改成db1 --tables table1 table2
,db2
改成-B db2 db3
。
3. 密码暂只能显式输入
4. 使用说明
安装基于python 2.7 开发,其它版本没测。需要按 MySQLdb 库。
4.1 help
./mypumpkin.py --help
Only mysqldump or mysql allowed after mypumpkin.py
usage: mypumpkin.py {mysqldump|mysqls} [--help]
This's a program that wrap mysqldump/mysql to make them dump-out/load-in
concurrently. Attention: it can not keep consistent for whole database(s).
optional arguments:
--help show this help message and exit
-B db1 [db1 ...], --databases db1 [db1 ...]
Dump one or more databases
-A, --all-databases Dump all databases
--tables t1 [t1 ...] Specifiy tables to dump. Override --databases (-B)
--ignore-table db1.table1 [db1.table1 ...]
Do not dump the specified table. (format like
--ignore-table=dbname.tablename). Use the directive
multiple times for more than one table to ignore.
--threads =N Threads to dump out [2], or load in [CPUs*2].
--dump-dir DUMP_DIR Required. Directory to dump out (create if not exist),
Or Where to load in sqlfile
At least one of these 3 group options given: [-A,-B] [--tables] [--ignore-table]
--dump-dir
,必选项,原来用的shell标准输入输出> or <
不允许使用。dump-dir指定目录不存在时会尝试自动创建。--threads=N
,N指定并发导出或导入线程数。dump out 默认线程数2, mypumpkin load in 默认线程数是 cpu个数 * 2。 注:线程数不是越大越好,这里主要的衡量指标是网络带宽、磁盘IO、目标库IOPS,最好用 dstat 观察一下。-B
,--tables
,--ignore-table
,使用与mysqldump相同,如:- 在mysqldump里面,
--tables
会覆盖--databases/-B
选项 - 在mysqldump里面,
--tables
与--ignore-table
不能同时出现 - 在mysqldump里面,如果没有指定
-B
,则--tables
或--ignore-table
必须紧跟db名之后
- 在mysqldump里面,
- 其它选项,mypumpkin会原封不动的保留下来,放到shell去执行。所以如果其它选项有错误,检查是交给原生mysqldump去做的,执行过程遇到一个失败则会退出线程。
4.2 example
导出:
## 导出源库所有db到visit_dumpdir2目录 (不包括information_schema和performance_schema)
$ ./mypumpkin.py mysqldump -h dbhost_name -utest_user -pyourpassword -P3306 \
--single-transaction --opt -A --dump-dir visit_dumpdir2
## 导出源库db1,db2,会从原库查询所有表名来过滤
$ ./mypumpkin.py mysqldump -h dbhost_name -utest_user -pyourpassword -P3306 \
--single-transaction --opt -B db1 db2 --dump-dir visit_dumpdir2
## 只导出db1库的t1,t2表,如果指定表不存在则有提示
$ ./mypumpkin.py mysqldump -h dbhost_name -utest_user -pyourpassword -P3306 \
--single-transaction --opt -B db1 --tables t1 t2 --dump-dir visit_dumpdir2
## 导出db1,db2库,但忽略 db1.t1, db2.t2, db2.t3表
## mysqldump只支持--ignore-table=db1.t1这种,使用多个重复指令来指定多表。这里做了兼容扩展
$ ./mypumpkin.py mysqldump -h dbhost_name -utest_user -pyourpassword --single-transaction \
--opt -B db1 db2 --ignore-table=db1.t1 --ignore-table db2.t2 db2.t3 --dump-dir visit_dumpdir2 (如果-A表示全部db)
## 不带 -A/-B
$ ./mypumpkin.py mysqldump -h dbhost_name -utest_user -pyourpassword -P3306 \
--single-transaction --opt db1 --ignore-table=db1.t1 --dump-dir=visit_dumpdir2
## 其它选项不做处理
$ ./mypumpkin.py mysqldump -h dbhost_name -utest_user -pyourpassword -P3306 \
--single-transaction --set-gtid-purged=OFF --no-set-names --skip-add-locks -e -q -t -n --skip-triggers \
--max-allowed-packet=134217728 --net-buffer-length=1638400 --default-character-set=latin1 \
--insert-ignore --hex-blob --no-autocommit \
db1 --tables t1 --dump-dir visit_dumpdir2
导入:
-A
, -B
, --tables
, --ignore-table
, --threads
, --dump-dir
用法与作用与上面完全相同,举部分例子:
## 导入dump-dir目录下所有表
$ ./mypumpkin.py mysql -h dbhost_name -utest_user -pyourpassword --port 3307 -A \
--dump-dir=visit_dumpdir2
## 导入db1库(所有表)
$ ./mypumpkin.py mysql -h dbhost_name -utest_user -pyourpassword --port 3307 -B db1 \
--dump-dir=visit_dumpdir2
## 只导入db.t1表
$ ./mypumpkin.py mysql -h dbhost_name -utest_user -pyourpassword --port 3307 \
--default-character-set=utf8mb4 --max-allowed-packet=134217728 --net-buffer-length=1638400 \
-B db1 --tables t1 --dump-dir=visit_dumpdir2
## 导入db1,db2库,但忽略db1.t1表(会到dump-dir目录检查db1,db2有无对应的表存在,不在目标库检查)
$ ./mypumpkin.py mysql -h dbhost_name -utest_user -pyourpassword --port 3307 \
-B db1 db2 --ignore-table=db1.t1 --dump-dir=visit_dumpdir2
5.速度对比
原文链接地址:http://xgknight.com/2016/11/17/python-mysqldump-out-in-concurrency-magic/