ノーコードでクラウド上のデータとの連携を実現。
詳細はこちら →
CData
こんにちは！プロダクトスペシャリストの宮本です。
データ分析基盤へのPostgreSQL データの取り込みのニーズが高まっています。CData Sync は、数百のSaaS / DB のデータをApache Kafka をはじめとする各種DB / データウェアハウスにノーコードで統合・レプリケーション（複製）が可能なデータパイプラインツールです。
本記事では、PostgreSQL データをCData Sync を使ってApache Kafka に統合するデータパイプラインを作っていきます。
CData Sync は、レポーティング、アナリティクス、機械学習、AI などで使えるよう、社内のデータを一か所に統合して管理できるデータ基盤をノーコードで構築できるETL ツールで、以下の特徴を持っています。
CData Sync では、1.データソースとしてPostgreSQL の接続を設定、2.同期先としてApache Kafka の接続を設定、3.PostgreSQL からApache Kafka へのレプリケーションジョブの作成、という3つのステップだけでレプリケーション処理を作成可能です。以下に具体的な設定手順を説明します。
まずはじめに、CData Sync のブラウザ管理コンソールにログインします。CData Sync のインストールをまだ行っていない方は、本記事の製品リンクから「CData Sync」をクリックしてCData Sync をインストールしてください。30日間の無償トライアルをご利用いただけます。インストール後にCData Sync が起動して、ブラウザ設定画面が開きます。
それでは、データソース側にPostgreSQL を設定していきましょう。左の「接続」タブをクリックします。
PostgreSQL への接続には、Server、Port（デフォルトは5432）、Database、およびUser、Password のプロパティを設定します。Database プロパティが設定されない場合には、User のデフォルトデータベースに接続します。
パスワード方式によるSSH接続時に必要なプロパティ一覧を以下に示します。
接続文字列形式では以下のようになります。
User=admin;Password=adminpassword;Database=test;Server=postgresql-server;Port=5432;UseSSH=true;SSHPort=22;SSHServer=ssh-server;SSHUser=root;SSHPassword=sshpasswd;
公開鍵認証によるSSH接続時に必要なプロパティ一覧を以下に示します。
接続文字列形式では以下のようになります。
User=admin;Password=adminpassword;Database=test;Server=PostgreSQL-server;Port=5432;UseSSH=true;SSHClientCertType=PEMKEY_FILE;SSHPort=22;SSHServer=ssh-server;SSHUser=root;SSHClientCert=C:\Keys\key.pem;
PostgreSQL にはログベースのCDC 機能があり、CData Sync はCDC に対応したデータレプリケーションを提供しています。これによりPostgreSQL データベースにクエリ負担をかけることなく、効率的にデータベースのデータの追加・更新・削除を同期DB に反映することが可能です。
CDC の利用にはPostgreSQL 側でwal_level の設定値をreplica からlogical に変更する必要があります。これによりLogical Decoding をサポートするのに必要な情報をログに追加するようになります。
SELECT name, setting FROM pg_settings WHERE name='wal_level';
CDC の利用にはPostgreSQL 側でwal_level の設定値をreplica からlogical に変更する必要があります。これによりLogical Decoding
をサポートするのに必要な情報をログに追加するようになります。
ディレクトリ例：C:\Program Files\PostgreSQL\14\data\postgresql.conf
wal_level = replica をlogical に変更し、有効にします。修正後はPostgreSQL の再起動をし、PostgreSQL でwal_level が変更されているか確認します。
SELECT * FROM pg_create_logical_replication_slot('cdatasync_replication_slot', 'test_decoding');
次に、PostgreSQL データを書き込む先（＝同期先）として、Apache Kafka を設定します。同じく「接続」タブを開きます。
CData Sync では、レプリケーションをジョブ単位で設定します。ジョブは、PostgreSQL からApache Kafka という単位で設定し、複数のテーブルを含むことができます。レプリケーションジョブ設定には、「ジョブ」タブに進み、「＋ジョブを追加」ボタンをクリックします。
「ジョブを追加」画面が開き、以下を入力します：
PostgreSQL のすべてのオブジェクト / テーブルをレプリケーションするには、「種類」セクションで「すべて同期」を選択して、「ジョブを追加」ボタンで確定します。
作成したジョブ画面で、右上の「▷実行」ボタンをクリックするだけで、全PostgreSQL テーブルのApache Kafka への同期を行うことができます。
PostgreSQL から特定のオブジェクト / テーブルを選択してレプリケーションを行うことが可能です。「種類」セクションでは、「標準（個別設定）」を選んでください。
次に「ジョブ」画面で、「タスク」タブをクリックし、「タスクを追加」ボタンをクリックします。 
するとCData Sync で利用可能なオブジェクト / テーブルのリストが表示されるので、レプリケーションを行うオブジェクトにチェックを付けます（複数選択可）。「ジョブを追加」ボタンで確定します。
作成したジョブ画面で、「▷実行」ボタンをクリックして（もしくは各タスク毎の実行ボタンを押して）、レプリケーションジョブを実行します。 
このようにとても簡単にPostgreSQL からApache Kafka への同期を行うことができました。
CData Sync では、同期ジョブを1日に1回や15分に1回などのスケジュール起動をすることができます。ジョブ画面の「概要」タブから「スケジュール」パネルを選び、「⚙設定」ボタンをクリックします。「間隔」と同期時間の「毎時何分」を設定し、「保存」を押して設定を完了します。これでCData Sync が同期ジョブをスケジュール実行してくれます。ユーザーはダッシュボードで同期ジョブの状態をチェックするだけです。 
CData Sync では、主要なデータソースでは、差分更新が可能です。差分更新では、最後のジョブ実行時からデータソース側でデータの追加・変更があったデータだけを同期するので、レプリケーションのクエリ・通信のコストを圧倒的に抑えることが可能です。
差分更新を有効化するには、ジョブの「概要」タブから「差分更新」パネルを選び、「⚙設定」ボタンをクリックします。「開始日」と「レプリケーション間隔」を設定して、「保存」します。
CData Sync は、デフォルトではPostgreSQL のオブジェクト / テーブルをそのままApache Kafka に複製しますが、ここにSQL、またはdbt 連携でのETL 処理を組み込むことができます。テーブルカラムが多すぎる場合や、データ管理の観点から一部のカラムだけをレプリケーションしたり、さらにデータの絞り込み（フィルタリング）をしたデータだけをレプリケーションすることが可能です。
ジョブの「概要」タブ、「タスク」タブへと進みます。選択されたタスク（テーブル）の「▶」の左側のメニューをクリックし、「編集」を選びます。タスクの編集画面が開きます。
UI からカラムを選択する場合には、「カラム」タブから「マッピング編集」をクリックします。レプリケーションで使用しないカラムからチェックを外します。
SQL を記述して、フィルタリングなどのカスタマイズを行うには、「クエリ」タブをクリックし、REPLICATE 「テーブル名」の後に標準SQL でフィルタリングを行います。
このようにノーコードで簡単にPostgreSQL データをApache Kafka にレプリケーションできます。データ分析、AI やノーコードツールからのデータ利用などさまざまな用途でCData Sync をご利用いただけます。30日の無償トライアルで、シンプルでパワフルなデータパイプラインを体感してください。
日本のユーザー向けにCData Sync は、UI の日本語化、ドキュメントの日本語化、日本語でのテクニカルサポートを提供しています。
CData Sync の 導入事例を併せてご覧ください。
