Speakers

Gwendoline ROTROU Squad Lead Data Unit gwendolinerotrou

Julien RIOU Tech Lead Databases https://julien.riou.xyz @jriou@hachyderm.io

Sommaire

• Qui sommes-nous ?
• Bases de données interne
• Data Lake
• ETL
• CDC
• Autre utilisations
• La suite

Qui sommes-nous ?

Bases de données interne

Quelques chiffres

• 3 DBMS (MySQL, MongoDB, PostgreSQL)
• 7 infrastructures autonomes dans le monde entier
• 500+ serveurs
• 2000+ bases de données
• 100+ clusters
• Environnements hautement sécurisés

Exemple de cluster

Environnement mutualisé

Besoin d’analyse

• Recette
• Stratégie de l’entreprise
• KPIs
• Détection de fraude
• Consommation électrique
• Exploitation des meta données (Jira)
• Calcul du temps de travail pour le support

Mélange de workloads

Data Lake

Data Lake

Extract Transform Load (ETL)

Sqoop

Sqoop

Limitations des ETL

• Mélange de workload
• Accès en direct aux bases de données
• Données en retard

Change Data Capture (CDC)

Triggers

Déclenche des actions en fonction d’événements

Triggers

• Impact sur les performances en écriture
• Relations visibles pour les utilisateurs
• Rétention assurée par les utilisateurs eux-même

LISTEN/NOTIFY

Système de publication et de souscription

LISTEN/NOTIFY

• Impact sur les performances en écriture
• Perte d’événement si les souscrits se déconnectent

Réplication logique

Décodage d’événements grâce aux Write-Ahead Logs (WAL)

Debezium

Debezium

• Connecteur Kafka Connect de type source
• Compatible avec PostgreSQL et d’autres DBMS
• Temps réel grâce à la réplication logique
• Format de message standard avec Apache Avro
• Open source (Apache License, Version 2.0)

Demo

Snapshot et streaming

Snapshots

• Copie initiale (1 fois)
• Copies à la demande avec les signal tables
• Copies partielles
  • *.include.list
  • *.exclude.list

Streaming

• Réplication logique
• Capture les DML (INSERT, UPDATE, DELETE)
• Clé primaire ou unique vivement recommandé
• Plugin pgoutput

Comment configurer Debezium

API REST de Kafka Connect

curl -XPOST -d @payload.json -s localhost:8083/connectors

Exemple de payload

{
  "connector.class": "io.debezium.connector.postgresql.PostgresConnector",
  "database.ApplicationName": "debezium",
  "database.dbname": "test",
  "database.hostname": "${file:/path/to/secrets/test:hostname}",
  "database.password": "${file:/path/to/secrets/test:password}",
  "database.port": "${file:/path/to/secrets/test:port}",
  "database.ssl.mode": "required",
  "database.user": "${file:/path/to/secrets/test:user}",
  "decimal.handling.mode": "double",
  "field.name.adjustment.mode": "avro",
  "heartbeat.action.query": "update ovh_debezium_heartbeat set ts=now();",
  "heartbeat.interval.ms": "1000",
  "incremental.snapshot.chunk.size": "100000",
  "name": "test",
  "plugin.name": "pgoutput",
  "producer.override.compression.type": "lz4",
  "publication.name": "debezium_test",
  "sanitize.field.names": "true",
  "schema.name.adjustment.mode": "avro",
  "signal.data.collection": "public.ovh_debezium_signal",
  "slot.name": "debezium_test",
  "status.update.interval.ms": "1000",
  "topic.creation.default.cleanup.policy": "compact",
  "topic.creation.default.delete.retention.ms": "604800000",
  "topic.creation.default.partitions": "6",
  "topic.creation.default.replication.factor": "3",
  "topic.heartbeat.prefix": "namespace.debezium.heartbeat",
  "topic.prefix": "namespace.test",
  "transforms": "schema,public",
  "transforms.public.regex": "namespace\\.test\\.public\\.(.+)",
  "transforms.public.replacement": "namespace.test.$1",
  "transforms.public.type": "org.apache.kafka.connect.transforms.RegexRouter",
  "transforms.schema.regex": "namespace\\.test\\.((?!public).+)\\.(.+)",
  "transforms.schema.replacement": "namespace.test.$1.$2",
  "transforms.schema.type": "org.apache.kafka.connect.transforms.RegexRouter"
}

Comment nous configurons Debezium

ansible-playbook -e '{"database_name":"test"}' database-connector-create.yml
ansible-playbook -e '{"database_name":"test"}' database-connector-delete.yml

Où se connecte Debezium

• Sur le primaire pour utiliser un slot de réplication
• Postgres 16 highlight: Logical decoding on standby (video)

Promotion d’un réplica

• Patroni gère l’avancement des slots de réplication sur tous des noeuds
• Transparent pour Debezium

Sécurité des mots de passe

• Coffre fort interne via HTTPS
• Copie des secrets dans des fichiers locaux
• Référence à ces fichiers avec FileConfigProvider

{
  "database.password": "${file:/path/to/secrets/test:password}"
}

Perte de connexion à la base de données

Redémarrage manuel du connecteur

io.debezium.DebeziumException: Couldn't obtain encoding for database test

Tables héritées

• events
  • events_2023_10
  • events_2023_11
  • events_2023_12
  • events_2024_01

Tables héritées

test=> select count(*) from events;
   count    
------------
 1314817483
(1 row)

test=> select count(*) from only events;
 count 
-------
     0
(1 row)

Topic routing (SMT)

Transformation d’un nom de table en un nom de topic à l’aide de regex

Tables avec le même schéma

{
  "transforms": "events",
  "transforms.events.type": "org.apache.kafka.connect.transforms.RegexRouter"
  "transforms.events.regex": "namespace\\.database\\.public\\.events_[0-9]{4}_[0-9]{2}",
  "transforms.events.replacement": "namespace.database.public.events",
}

Retrait du schéma public

{
  "transforms": "public",
  "transforms.public.type": "org.apache.kafka.connect.transforms.RegexRouter"
  "transforms.public.regex": "namespace\\.test\\.public\\.(.+)",
  "transforms.public.replacement": "namespace.test.$1",
}

TOAST

Technique de stockage des attributs trop grands

{
  "op": "u",
  "before": null,
  "after": {
    "namespace.database.public.toasty.Value": {
      "id": "2e142822-cc92-4c4f-9fdc-ec45504753a9",
      "updated_at": {
        "string": "2024-01-17T10:53:34.929630Z"
      },
      "clob": {
        "string": "__debezium_unavailable_value"
      }
...

TOAST

• ALTER TABLE... REPLICA IDENTITY DEFAULT
  • Valeur remplacée par unavailable.value.placeholder
• ALTER TABLE... REPLICA IDENTITY FULL
  • Valeur incluse

Bases avec peu d’écriture

Bases avec peu d’écriture

Heartbeats

{
  "heartbeat.interval.ms": "1000",
  "heartbeat.action.query": "update ovh_debezium_heartbeat set ts=now();"
}

Kafka

• Système de queue
• 3 clusters pour le CDC
  • Europe (5,000 à 15,000 événements par seconde)
  • Canada (2,000 événements par seconde)
  • USA
• 20 brokers
• PCI DSS

Fonctionnalités

• Partitionnement
• Réplication
• Compaction
• Compression

Partitionnement et réplication

{
  "topic.creation.default.partitions": "6",
  "topic.creation.default.replication.factor": "3"
}

Nombre de partitions

• 1 regroupement de 80 bases de données
  • Pays + “Univers”
• 140 tables par base
• 1 table = 18 partitions (partitions (6) * replication factor (3))
• Total estimé de 201,600 partitions

Nombre de partitions

Compaction

• Mécanisme de rétention
• Garde la dernière valeur de chaque ligne
• Permet une copie identique entièrement sur Kafka
• 7 jours avant suppression définitive (tombstone)

{
  "topic.creation.default.cleanup.policy": "compact",
  "topic.creation.default.delete.retention.ms": "604800000"
}

Compression

{
  "producer.override.compression.type": "lz4"
}

De Kafka vers le Data Lake

Autres utilisations

• Gestion de cache
• Gestion de tâches asynchrones

La suite

• Hortonworks Data Platform (HDP) Open Source déprécié

Avez-vous vraiment besoin du CDC ?

Questions