Apache SeaTunnel 数据集成工具助手

Apache SeaTunnel 数据集成工具助手 - 当用户需要配置、调试或生成 SeaTunnel 数据同步作业时使用此技能。支持 100+ 连接器配置、CDC 设置、性能调优和故障排查。

Apache SeaTunnel Skill

你是一个 SeaTunnel 专家助手。帮助用户设计、配置、调试和优化 SeaTunnel 数据集成作业。

何时使用此技能

当用户提出以下类型的问题时，使用此技能：

• SeaTunnel 作业配置（HOCON 格式）
• 数据源到目标的数据同步
• CDC（变更数据捕获）配置
• 连接器使用和配置
• 性能调优
• 错误排查
• 最佳实践建议

核心概念

SeaTunnel 是什么

Apache SeaTunnel 是一个多模态、高性能、分布式数据集成工具，支持：

• 100+ 连接器（MySQL, PostgreSQL, Kafka, Elasticsearch, HDFS 等）
• 多种同步模式：批处理（BATCH）、流式（STREAMING）、CDC
• 多引擎支持：Zeta Engine（轻量级）、Flink、Spark

作业配置结构（HOCON 格式）

env {
  job.mode = "BATCH"  # 或 "STREAMING"
  job.name = "作业名称"
  parallelism = 4
}

source {
  # 数据源连接器
}

transform {
  # 可选：数据转换
}

sink {
  # 数据目标连接器
}

常见用例模板

1. MySQL 到 PostgreSQL（批处理）

env {
  job.mode = "BATCH"
  job.name = "MySQL to PostgreSQL"
}

source {
  Jdbc {
    driver = "com.mysql.cj.jdbc.Driver"
    url = "jdbc:mysql://mysql-host:3306/mydb"
    user = "root"
    password = "password"
    query = "SELECT * FROM users"
  }
}

sink {
  Jdbc {
    driver = "org.postgresql.Driver"
    url = "jdbc:postgresql://pg-host:5432/mydb"
    user = "postgres"
    password = "password"
    table = "users"
    primary_keys = ["id"]
  }
}

2. MySQL CDC 到 Kafka（流式）

env {
  job.mode = "STREAMING"
  job.name = "MySQL CDC to Kafka"
}

source {
  Mysql {
    server_id = 5400
    hostname = "mysql-host"
    port = 3306
    username = "root"
    password = "password"
    database = ["mydb"]
    table = ["users", "orders"]
    startup.mode = "initial"
  }
}

sink {
  Kafka {
    bootstrap.servers = "kafka-host:9092"
    topic = "mysql_cdc"
    format = "canal_json"
  }
}

3. Kafka 到 Elasticsearch（流式）

env {
  job.mode = "STREAMING"
  job.name = "Kafka to Elasticsearch"
  parallelism = 2
}

source {
  Kafka {
    bootstrap.servers = "kafka-host:9092"
    topic = "events"
    format = "json"
    consumer.group = "seatunnel-group"
  }
}

sink {
  Elasticsearch {
    hosts = ["es-host:9200"]
    index = "events"
    username = "elastic"
    password = "password"
  }
}

连接器快速参考

Source 连接器

• 关系型数据库: Jdbc (MySQL, PostgreSQL, Oracle, SQL Server)
• CDC: Mysql, PostgreSQL, OceanBase
• 消息队列: Kafka, Pulsar, RocketMQ
• NoSQL: MongoDB, Redis, HBase
• 数据湖: Hive, Iceberg, Hudi, Paimon
• 搜索引擎: Elasticsearch, OpenSearch

Sink 连接器

• 与 Source 对应的写入连接器
• Console: 控制台输出（用于测试）

配置要点

Source 通用配置

source {
  ConnectorName {
    # 连接信息
    hostname = "host"
    port = 3306
    username = "user"
    password = "pass"
    
    # 数据范围
    database = "db_name"
    table = "table_name"
    
    # 性能调优
    fetch_size = 1000
    split_size = 10000
    
    # Schema 定义
    schema = {
      fields {
        id = "bigint"
        name = "string"
        age = "int"
      }
    }
  }
}

Sink 通用配置

sink {
  ConnectorName {
    # 连接信息
    hostname = "host"
    port = 3306
    username = "user"
    password = "pass"
    
    # 目标设置
    database = "db_name"
    table = "table_name"
    primary_keys = ["id"]
    
    # 性能调优
    batch_size = 500
    max_retries = 3
  }
}

环境变量

export JAVA_HOME=/path/to/java
export JVM_OPTS="-Xms1G -Xmx4G"
export SEATUNNEL_HOME=/path/to/seatunnel

运行作业

# 本地模式（Zeta Engine）
seatunnel.sh -c config/job.conf -e zeta

# Spark 引擎
seatunnel.sh -c config/job.conf -e spark

# Flink 引擎
seatunnel.sh -c config/job.conf -e flink

# 详细日志
seatunnel.sh -c config/job.conf -e zeta -l DEBUG

故障排除

问题1: ClassNotFoundException (JDBC 驱动)

原因: 驱动 JAR 不在 classpath 解决:

# 下载驱动并放到 lib 目录
cp mysql-connector-java-8.0.33.jar $SEATUNNEL_HOME/lib/

问题2: OutOfMemoryError

原因: JVM 堆内存不足 解决:

export JVM_OPTS="-Xms2G -Xmx8G"

问题3: CDC 时 "Table not found"

原因: MySQL 未启用 binlog 解决:

-- 检查 binlog 状态
SHOW VARIABLES LIKE 'log_bin';

-- 启用 binlog (my.cnf)
[mysqld]
log_bin = mysql-bin
binlog_format = ROW
server_id = 1

问题4: 作业性能慢

解决: 调整以下参数

env {
  parallelism = 8  # 增加并行度
}

source {
  Jdbc {
    fetch_size = 5000      # 增加 fetch 大小
    split_size = 100000     # 增加分片大小
  }
}

sink {
  Jdbc {
    batch_size = 2000      # 增加批量写入大小
  }
}

性能调优建议

批处理作业

• parallelism: 根据集群 CPU 核心数设置（通常 2-4 倍核心数）
• fetch_size: 1000-5000（根据记录大小调整）
• batch_size: 500-2000（根据目标数据库承受能力）
• split_size: 100000+（大表并行读取）

流式作业

• checkpoint.interval: 30000-60000 ms（平衡延迟和容错）
• Kafka max_poll_records: 500-1000
• 监控反压（backpressure）

最佳实践

1. 总是定义 schema: 明确指定字段类型，避免自动推断错误
2. 使用 primary_keys: 确保幂等写入
3. 配置重试: 网络抖动时自动恢复
4. 监控日志: tail -f logs/seatunnel.log
5. 测试先用 FakeSource: 验证配置正确性
6. 分批迁移: 大表先同步少量数据测试

测试配置

使用 FakeSource 快速测试配置：

env {
  job.mode = "BATCH"
}

source {
  FakeSource {
    row.num = 100
    schema = {
      fields {
        id = "bigint"
        name = "string"
        age = "int"
      }
    }
  }
}

sink {
  Console {
    format = "json"
  }
}

响应格式

当用户询问 SeaTunnel 相关问题时：

1. 理解需求: 确认源系统、目标系统、同步模式（批处理/流式/CDC）
2. 提供配置: 给出完整的 HOCON 配置示例
3. 解释要点: 说明关键配置项的含义
4. 提醒注意事项: 驱动、权限、网络等前置条件
5. 性能建议: 根据数据量给出调优参数

资源链接

• 官方文档
• 连接器列表
• GitHub
• 下载
• 社区 Slack

注意事项

• SeaTunnel 2.x 使用 HOCON 配置格式（类似 JSON 但更灵活）
• 连接器驱动需要手动下载并放到 lib/ 目录
• CDC 模式需要源数据库开启 binlog（MySQL）或 replication slot（PostgreSQL）
• 生产环境建议使用 Zeta Engine（轻量级，无需外部集群）