使用 Dumpling 导出数据

使用数据导出工具 Dumpling,你可以把存储在 TiDB 或 MySQL 中的数据导出为 SQL 或 CSV 格式,用于逻辑全量备份。Dumpling 也支持将数据导出到 Amazon S3 中。

要快速了解 Dumpling 的基本功能,建议先观看下面的培训视频(时长 28 分钟)。注意本视频只作为功能介绍、学习参考,具体操作步骤和最新功能,请以文档内容为准。

你可以通过下列任意方式获取 Dumpling:

  • TiUP 执行 tiup install dumpling 命令。获取后,使用 tiup dumpling ... 命令运行 Dumpling。
  • 下载包含 Dumpling 的 tidb-toolkit 安装包

更多详情,可以使用 —help 选项查看,或参考 Dumpling 主要选项表

使用 Dumpling 时,需要在已经启动的集群上执行导出命令。

TiDB 还提供了其他工具,你可以根据需要选择使用:

  • 如果需要直接备份 SST 文件(键值对),或者对延迟不敏感的增量备份,请使用备份工具 BR
  • 如果需要实时的增量备份,请使用 TiCDC
  • 所有的导出数据都可以用 TiDB Lightning 导回到 TiDB。

Dumpling - 图1

注意

PingCAP 之前维护的 Mydumper 工具 fork 自 mydumper project,针对 TiDB 的特性进行了优化。从 v7.5.0 开始,Mydumper 废弃,其绝大部分功能已经被 Dumpling 取代,强烈建议切换到 Dumpling。

Dumpling 具有以下优势:

  • 支持导出多种数据形式,包括 SQL/CSV。
  • 支持全新的 table-filter,筛选数据更加方便。
  • 支持导出到 Amazon S3 云盘。
  • 针对 TiDB 进行了更多优化:
    • 支持配置 TiDB 单条 SQL 内存限制。
    • 针对 TiDB v4.0.0 及更新版本,如果 Dumpling 能够直接连接到 PD,则支持自动调整 TiDB GC 时间。
    • 使用 TiDB 的隐藏列 _tidb_rowid 优化了单表内数据的并发导出性能。
    • 对于 TiDB 可以设置 tidb_snapshot 的值指定备份数据的时间点,从而保证备份的一致性,而不是通过 FLUSH TABLES WITH READ LOCK 来保证备份一致性。

Dumpling - 图2

注意

在以下情况下,Dumpling 无法连接到 PD:

  • TiDB 集群正在 Kubernetes 上运行(Dumpling 本身在 Kubernetes 环境中运行时除外)。
  • TiDB 集群正在 TiDB Cloud 上运行。

在这种情况下,你需要手动调整 TiDB GC 时间,以避免导出失败。

从 TiDB/MySQL 导出数据

需要的权限

  • PROCESS:需要该权限用于查询集群信息以获取 PD 地址,从而通过 PD 控制 GC。
  • SELECT:导出目标表时需要。
  • RELOAD:使用 consistency flush 时需要。注意,只有 TiDB 支持该权限,当上游为 RDS 或采用托管服务时,可忽略该权限。
  • LOCK TABLES:使用 consistency lock 时需要,需要导出的库表都有该权限。
  • REPLICATION CLIENT:导出 metadata 记录数据快照点时需要,可选,如果不需要导出 metadata,可忽略该权限。

导出为 SQL 文件

本文假设在 127.0.0.1:4000 有一个 TiDB 实例,并且这个 TiDB 实例中有无密码的 root 用户。

Dumpling 默认导出数据格式为 SQL 文件。也可以通过设置 --filetype sql 导出数据到 SQL 文件:

  1. tiup dumpling -u root -P 4000 -h 127.0.0.1 --filetype sql -t 8 -o /tmp/test -r 200000 -F 256MiB

以上命令中:

  • -h-P-u 分别代表地址、端口、用户。如果需要密码验证,可以使用 -p $YOUR_SECRET_PASSWORD 将密码传给 Dumpling。
  • -o(或 --output)用于选择存储导出文件的目录,支持本地文件的绝对路径或外部存储服务的 URI 格式
  • -t 用于指定导出的线程数。增加线程数会增加 Dumpling 并发度提高导出速度,但也会加大数据库内存消耗,因此不宜设置过大。一般不超过 64。
  • -r 用于开启表内并发加速导出。默认值是 0,表示不开启。取值大于 0 表示开启,取值是 INT 类型。当数据源为 TiDB 时,设置 -r 参数大于 0 表示使用 TiDB region 信息划分区间,同时减少内存使用。具体取值不影响划分算法。对数据源为 MySQL 且表的主键是 INT 的场景,该参数也有表内并发效果。
  • -F 选项用于指定单个文件的最大大小,单位为 MiB,可接受类似 5GiB8KB 的输入。如果你想使用 TiDB Lightning 将该文件加载到 TiDB 实例中,建议将 -F 选项的值保持在 256 MiB 或以下。

Dumpling - 图3

注意

如果导出的单表大小超过 10 GB,强烈建议使用 -r-F 参数。

存储服务的 URI 格式说明

本部分介绍 Amazon S3、GCS、和 Azure Blob Storage 存储服务的 URI 格式。基本格式如下:

  1. [scheme]://[host]/[path]?[parameters]

关于 URI 格式的详细信息,请参考外部存储服务的 URI 格式

导出为 CSV 文件

你可以通过使用 --filetype csv 导出数据到 CSV 文件。

当你导出 CSV 文件时,你可以使用 --sql <SQL> 导出指定 SQL 选择出来的记录。例如,导出 test.sbtest1 中所有 id < 100 的记录:

  1. tiup dumpling -u root -P 4000 -h 127.0.0.1 -o /tmp/test --filetype csv --sql 'select * from `test`.`sbtest1` where id < 100' -F 100MiB --output-filename-template 'test.sbtest1.{{.Index}}'

以上命令中:

  • --sql 选项仅仅可用于导出 CSV 文件的场景。上述命令将在要导出的所有表上执行 SELECT * FROM <table-name> WHERE id < 100 语句。如果部分表没有指定的字段,那么导出会失败。
  • 使用 --sql 配置导出时,Dumpling 无法获知导出的表库信息,此时可以使用 --output-filename-template 选项来指定 CSV 文件的文件名格式,以方便后续使用 TiDB Lightning 导入数据文件。例如 --output-filename-template='test.sbtest1.{{.Index}}' 指定导出的 CSV 文件为 test.sbtest1.000000000test.sbtest1.000000001 等。
  • 你可以使用 --csv-separator--csv-delimiter 等选项,配置 CSV 文件的格式。具体信息可查阅 Dumpling 主要选项表

Dumpling - 图4

注意

Dumpling 导出不区分字符串关键字。如果导入的数据是 Boolean 类型的 truefalse,导出时会被转换为 10

压缩导出的数据文件

你可以使用 --compress <format> 压缩导出的 CSV、SQL 数据与表结构文件。该参数支持 gzipsnappyzstd 压缩算法。默认不压缩。

  • 该选项只能压缩单个数据与表结构文件,无法直接压缩整个文件夹生成单个压缩集合包。
  • 该选项可以节省磁盘空间,但也会导致导出速度变慢,并增加 CPU 消耗。对导出速度要求较高的场景需慎用。
  • TiDB Lightning v6.5.0 及以上版本支持直接使用 Dumpling 压缩文件作为数据源导入,无需额外配置。

Dumpling - 图5

注意

Snappy 压缩文件必须遵循官方 Snappy 格式。不支持其他非官方压缩格式。

输出文件格式

  • metadata:此文件包含导出的起始时间,以及 master binary log 的位置。

    1. cat metadata
    1. Started dump at: 2020-11-10 10:40:19
    2. SHOW MASTER STATUS:
    3. Log: tidb-binlog
    4. Pos: 420747102018863124
    5. Finished dump at: 2020-11-10 10:40:20
  • {schema}-schema-create.sql:创建 schema 的 SQL 文件。

    1. cat test-schema-create.sql
    1. CREATE DATABASE `test` /*!40100 DEFAULT CHARACTER SET utf8mb4 */;
  • {schema}.{table}-schema.sql:创建 table 的 SQL 文件

    1. cat test.t1-schema.sql
    1. CREATE TABLE `t1` (
    2. `id` int(11) DEFAULT NULL
    3. ) ENGINE=InnoDB DEFAULT CHARSET=utf8mb4 COLLATE=utf8mb4_bin;
  • {schema}.{table}.{0001}.{sql|csv}:数据源文件

    1. cat test.t1.0.sql
    1. /*!40101 SET NAMES binary*/;
    2. INSERT INTO `t1` VALUES
    3. (1);
  • *-schema-view.sql*-schema-trigger.sql*-schema-post.sql:其他导出文件

导出到 Amazon S3 云盘

Dumpling 在 v4.0.8 及更新版本支持导出到 Amazon S3 云盘。如果需要将数据备份到 Amazon S3 后端存储,那么需要在 -o 参数中指定 Amazon S3 的存储路径。

可以参照 AWS 官方文档 - 如何创建 S3 存储桶在指定的 Region 区域中创建一个 S3 桶 Bucket。如有需要,还可以参照 AWS 官方文档 - 创建文件夹在 Bucket 中创建一个文件夹 Folder

将有权限访问该 Amazon S3 后端存储的账号的 SecretKeyAccessKey 作为环境变量传入 Dumpling 节点。

  1. export AWS_ACCESS_KEY_ID=${AccessKey}
  2. export AWS_SECRET_ACCESS_KEY=${SecretKey}

Dumpling 同时还支持从 ~/.aws/credentials 读取凭证文件。更多参数描述,请参考外部存储服务的 URI 格式

  1. tiup dumpling -u root -P 4000 -h 127.0.0.1 -r 200000 -o "s3://${Bucket}/${Folder}"

筛选导出的数据

使用 --where 选项筛选数据

默认情况下,Dumpling 会导出排除系统数据库(包括 mysqlsysINFORMATION_SCHEMAPERFORMANCE_SCHEMAMETRICS_SCHEMAINSPECTION_SCHEMA)外所有其他数据库。你可以使用 --where <SQL where expression> 来指定要导出的记录。

  1. tiup dumpling -u root -P 4000 -h 127.0.0.1 -o /tmp/test --where "id < 100"

上述命令将会导出各个表的 id < 100 的数据。注意 --where 参数无法与 --sql 一起使用。

使用 --filter 选项筛选数据

Dumpling 可以通过 --filter 指定 table-filter 来筛选特定的库表。table-filter 的语法与 .gitignore 相似,详细语法参考表库过滤

  1. tiup dumpling -u root -P 4000 -h 127.0.0.1 -o /tmp/test -r 200000 --filter "employees.*" --filter "*.WorkOrder"

上述命令将会导出 employees 数据库的所有表,以及所有数据库中的 WorkOrder 表。

使用 -B-T 选项筛选数据

Dumpling 也可以通过 -B-T 选项导出特定的数据库/数据表。

Dumpling - 图6

注意

  • --filter 选项与 -T 选项不可同时使用。
  • -T 选项只能接受完整的 库名.表名 形式,不支持只指定表名。例:Dumpling 无法识别 -T WorkOrder

例如通过指定:

  • -B employees 导出 employees 数据库
  • -T employees.WorkOrder 导出 employees.WorkOrder 数据表

通过并发提高 Dumpling 的导出效率

默认情况下,导出的文件会存储到 ./export-<current local time> 目录下。常用选项如下:

  • -t 用于指定导出的线程数。增加线程数会增加 Dumpling 并发度提高导出速度,但也会加大数据库内存消耗,因此不宜设置过大。
  • -r 选项用于指定单个文件的最大记录数,或者说,数据库中的行数。开启后 Dumpling 会开启表内并发,提高导出大表的速度。当上游为 TiDB 且版本为 v3.0 或更新版本时,设置 -r 参数大于 0 表示使用 TiDB region 信息划分表内并发,具体取值不影响划分算法。对上游为 MySQL 且表的主键是 int 的场景,该参数也有表内并发效果。
  • --compress <format> 选项可以用于压缩导出的数据,支持 gzipsnappyzstd 压缩算法。压缩可以显著降低导出数据的大小,同时如果存储的写入 I/O 带宽不足,可以使用该选项来加速导出。但该选项也有副作用,由于该选项会对每个文件单独压缩,因此会增加 CPU 消耗。

利用以上选项可以提高 Dumpling 的导出速度。

调整 Dumpling 的数据一致性选项

Dumpling - 图7

注意

数据一致性选项的默认值为 auto。在大多数场景下,你不需要调整该选项。

Dumpling 通过 --consistency <consistency level> 标志控制导出数据“一致性保证”的方式。在使用 snapshot 来保证一致性的时候,可以使用 --snapshot 选项指定要备份的时间戳。还可以使用以下的一致性级别:

  • flush:使用 FLUSH TABLES WITH READ LOCK 短暂地中断备份库的 DML 和 DDL 操作、保证备份连接的全局一致性和记录 POS 信息。所有的备份连接启动事务后释放该锁。推荐在业务低峰或者 MySQL 备份库上进行全量备份。
  • snapshot:获取指定时间戳的一致性快照并导出。
  • lock:为待导出的所有表上读锁。
  • none:不做任何一致性保证。
  • auto:对 MySQL 使用 flush,对 TiDB 使用 snapshot

操作完成之后,你可以在 /tmp/test 查看导出的文件:

  1. $ ls -lh /tmp/test | awk '{print $5 "\t" $9}'
  2. 140B metadata
  3. 66B test-schema-create.sql
  4. 300B test.sbtest1-schema.sql
  5. 190K test.sbtest1.0.sql
  6. 300B test.sbtest2-schema.sql
  7. 190K test.sbtest2.0.sql
  8. 300B test.sbtest3-schema.sql
  9. 190K test.sbtest3.0.sql

导出 TiDB 的历史数据快照

Dumpling 可以通过 --snapshot 指定导出某个 tidb_snapshot 的数据。

--snapshot 选项可设为 TSO(SHOW MASTER STATUS 输出的 Position 字段)或有效的 datetime 时间(YYYY-MM-DD hh:mm:ss 形式),例如:

  1. tiup dumpling --snapshot 417773951312461825
  2. tiup dumpling --snapshot "2020-07-02 17:12:45"

即可导出 TSO 为 4177739513124618252020-07-02 17:12:45 时的 TiDB 历史数据快照。

控制导出 TiDB 大表(超过 1 TB)时的内存使用

Dumpling 导出 TiDB 较大单表(超过 1 TB)时,可能会因为导出数据过大导致 TiDB 内存溢出 (OOM),从而使连接中断导出失败。可以通过以下参数减少 TiDB 的内存使用。

  • 设置 -r 参数,可以划分导出数据区块减少 TiDB 扫描数据的内存开销,同时也可开启表内并发提高导出效率。当上游为 TiDB 且版本为 v3.0 或更新版本时,设置 -r 参数大于 0 表示使用 TiDB region 信息划分表内并发,具体取值不影响划分算法。
  • 调小 --tidb-mem-quota-query 参数到 8589934592 (8GB) 或更小。可控制 TiDB 单条查询语句的内存使用。
  • 调整 --params "tidb_distsql_scan_concurrency=5" 参数,即设置导出时的 session 变量 tidb_distsql_scan_concurrency 从而减少 TiDB scan 操作的并发度。

手动设置 TiDB GC 时间

如果导出的数据量少于 1 TB 且导出的 TiDB 版本为 v4.0.0 或更新版本,并且 Dumpling 可以访问 TiDB 集群的 PD 地址,Dumpling 会自动配置延长 GC 时间且不会对原集群造成影响。

但是,在以下场景中,Dumpling 无法自动调整 GC 时间:

  • 数据量非常大(超过 1 TB)。
  • Dumpling 无法直接连接到 PD,例如 TiDB 集群运行在 TiDB Cloud 上,或者 TiDB 集群运行在 Kubernetes 上且与 Dumpling 分离。

在这些场景中,你必须提前手动调长 GC 时间,以避免因为导出过程中发生 GC 导致导出失败。

使用以下 SQL 语句手动调整 GC 时间:

  1. SET GLOBAL tidb_gc_life_time = '720h';

在 Dumpling 退出后,无论导出是否成功,都必须将 GC 时间恢复为其原始值(默认值为 10m)。

  1. SET GLOBAL tidb_gc_life_time = '10m';

Dumpling 主要选项表

主要选项用途默认值
-V 或 —version输出 Dumpling 版本并直接退出
-B 或 —database导出指定数据库
-T 或 —tables-list导出指定数据表
-f 或 —filter导出能匹配模式的表,语法可参考 table-filter[*.*,!/^(mysql&#124;sys&#124;INFORMATION_SCHEMA&#124;PERFORMANCE_SCHEMA&#124;METRICS_SCHEMA&#124;INSPECTION_SCHEMA)$/.*](导出除系统库外的所有库表)
—case-sensitivetable-filter 是否大小写敏感false,大小写不敏感
-h 或 —host连接的数据库主机的地址“127.0.0.1”
-t 或 —threads备份并发线程数4
-r 或 —rows用于开启表内并发加速导出。默认值是 0,表示不开启。取值大于 0 表示开启,取值是 INT 类型。当数据源为 TiDB 时,设置 -r 参数大于 0 表示使用 TiDB region 信息划分区间,同时减少内存使用。具体取值不影响划分算法。对数据源为 MySQL 且表的主键是 INT 的场景,该参数也有表内并发效果。
-L 或 —logfile日志输出地址,为空时会输出到控制台“”
—loglevel日志级别 {debug,info,warn,error,dpanic,panic,fatal}“info”
—logfmt日志输出格式 {text,json}“text”
-d 或 —no-data不导出数据,适用于只导出 schema 场景
—no-header导出 csv 格式的 table 数据,不生成 header
-W 或 —no-views不导出 viewtrue
-m 或 —no-schemas不导出 schema,只导出数据
-s 或—statement-size控制 INSERT SQL 语句的大小,单位 bytes
-F 或 —filesize将 table 数据划分出来的文件大小,需指明单位(如 128B, 64KiB, 32MiB, 1.5GiB
—filetype导出文件类型(csv/sql)“sql”
-o 或 —output导出本地文件的绝对路径或外部存储服务的 URI 格式“./export-${time}”
-S 或 —sql根据指定的 sql 导出数据,该选项不支持并发导出
—consistencyflush: dump 前用 FTWRL
snapshot: 通过 TSO 来指定 dump 某个快照时间点的 TiDB 数据
lock: 对需要 dump 的所有表执行 lock tables read 命令
none: 不加锁 dump,无法保证一致性
auto: 对 MySQL 使用 —consistency flush;对 TiDB 使用 —consistency snapshot
“auto”
—snapshotsnapshot tso,只在 consistency=snapshot 下生效
—where对备份的数据表通过 where 条件指定范围
-p 或 —password连接的数据库主机的密码
-P 或 —port连接的数据库主机的端口4000
-u 或 —user连接的数据库主机的用户名“root”
—dump-empty-database导出空数据库的建库语句true
—ca用于 TLS 连接的 certificate authority 文件的地址
—cert用于 TLS 连接的 client certificate 文件的地址
—key用于 TLS 连接的 client private key 文件的地址
—csv-delimiterCSV 文件中字符类型变量的定界符‘“‘
—csv-separatorCSV 文件中各值的分隔符,如果数据中可能有逗号,建议源文件导出时分隔符使用非常见组合字符‘,’
—csv-null-valueCSV 文件空值的表示“\N”
—csv-line-terminatorCSV 文件中表示行尾的换行符。将数据导出为 CSV 文件时,可以通过该选项传入所需的换行符。该选项支持 “\r\n” 和 “\n”,默认值为 “\r\n”,和历史版本保持一致。由于 bash 中不同的引号会应用不同的转义规则,如需指定 LF 为换行符,可使用类似 —csv-line-terminator $’\n’ 的语法。“\r\n”
—csv-output-dialect表示可以将源数据导出成数据库所需的格式存储到 CSV。该选项取值可为 “”“snowflake”“redshift”“bigquery”。默认值为 “”,表示会按 UTF-8 进行编码并导出数据。如果设置为 “snowflake”“redshift”,会把 Binary 数据类型转换成十六进制,但会丢失十六进制数的前缀 0x,例如 0x61 将被表示成 61。如果设置为 “bigquery”,会使用 base64 对 Binary 数据类型进行编码。在某些情况下,Binary 字符串会出现乱码。“”
—escape-backslash使用反斜杠 (\) 来转义导出文件中的特殊字符true
—output-filename-templategolang template 格式表示的数据文件名格式
支持 {{.DB}}{{.Table}}{{.Index}} 三个参数
分别表示数据文件的库名、表名、分块 ID
‘{{.DB}}.{{.Table}}.{{.Index}}’
—status-addrDumpling 的服务地址,包含了 Prometheus 拉取 metrics 信息及 pprof 调试的地址“:8281”
—tidb-mem-quota-query单条 dumpling 命令导出 SQL 语句的内存限制,单位为 byte。对于 v4.0.10 或以上版本,若不设置该参数,默认使用 TiDB 中的 mem-quota-query 配置项值作为内存限制值。对于 v4.0.10 以下版本,该参数值默认为 32 GB34359738368
—params为需导出的数据库连接指定 session 变量,可接受的格式: “character_set_client=latin1,character_set_connection=latin1”
-c 或 —compress压缩 Dumpling 导出的 CSV、SQL 数据与表结构文件为指定格式,支持 “gzip”、”snappy” 和 “zstd” 压缩算法“”