Flink实时数仓同步：流水表实战详解

LightGao2024-03-29 17:37

一、背景

在大数据领域，初始阶段业务数据通常被存储于关系型数据库，如MySQL。然而，为满足日常分析和报表等需求，大数据平台采用多种同步方式，以适应这些业务数据的不同存储需求。这些同步存储方式包括离线仓库和实时仓库等，选择取决于业务需求和数据特性。

一项常见需求是，大数据分析平台需要能够检索某张业务表的变更记录，并以每天为单位统计每条数据的变更频率。以下是示例：

  1. [Mysql] 业务数据 - 用户表全量数据：
id name phone gender create_time update_time
1 jack 111 男 2023-06-01 13:00:00 2023-06-01 13:00:00
2 jason 222 男 2023-06-01 13:00:00 2023-06-01 13:00:00
3 tom 333 男 2023-06-01 13:00:00 2023-06-01 13:00:00
  1. [Mysql] 2023-06-02 业务数据新增了一名tony用户，且多次更改了tom的手机号，此时表数据如下：
id name phone gender create_time update_time 备注
1 jack 111 男 2023-06-01 13:00:00 2023-06-01 13:00:00
2 jason 222 男 2023-06-01 13:00:00 2023-06-01 13:00:00
3 tom 555 男 2023-06-01 13:00:00 2023-06-02 09:00:00 (手机号从333->444->555)
4 tony 666 男 2023-06-02 10:00:00 2023-06-02 10:00:00 (新增tony用户)

加粗为更新/新增数据

  1. [大数据平台] 2023-06-02日业务人员在大数据分析平台中查看用户表实时变更记录，数据如下：
id name phone gender create_time update_time op(操作类型) before(变更前数据) dt
3 tom 444 男 2023-06-01 13:00:00 2023-06-02 08:00:00 u {3,tom,333,男,...} 2023-06-02
3 tom 555 男 2023-06-01 13:00:00 2023-06-02 09:00:00 u {3,tom,444,男,...} 2023-06-02
4 tony 666 男 2023-06-02 10:00:00 2023-06-02 10:00:00 c null 2023-06-02

op字段为每条数据的操作类型:r/c/u/d

  1. [大数据平台] 业务人员在大数据分析平台中根据id+姓名维度统计2023-06-02日的变更次数，期望数据如下：
id name count dt
3 tom 2 2023-06-02
4 tony 1 2023-06-02

根据上述需求，我们可以得出需要构建实时流水表以满足业务数据的实时分析需求。尽管离线数仓中存在流水表，但由于以下原因，离线数仓并不符合此需求：

  1. 同步延迟问题： 离线数仓的同步方式通常为T+1，而上述需求要求实时查看当天业务数据的变更情况。
  2. 同步数据源问题： 离线数仓的T+1同步通常是通过 SQL 读取业务表数据，而不是读取 binlog 数据。这导致离线同步只能获取到 Tom 的最后一次更改数据，例如手机号=555，而无法获取所有更改项。

下面将讨论实现方案。

二、实时同步+拉链表实现

2.1、技术选型

鉴于业务数据通常存储在关系型数据库中，我们选择采用Flink-CDC持续读取binlog日志进行实时同步。为了保证实时数据能够高效写入下游并支持用户OLAP查询分析，这里选择了企业中常见的MMP库Doris作为实时数仓的存储层。整体架构如下图所示：

2.2、数据流转过程

Flink 实时同步程序将捕获到的 MySQL 数据变更事件进行实时处理。对于新增（INSERT）、修改（UPDATE）、删除（DELETE）等操作，构建流水表更新语句同步至下游Doris，数据流转过程如下所示：

2.3、流水表设计

  1. 实时流水表是在大数据分析场景中常用的数据结构之一，用于记录业务数据的实时变更情况。该表主要用于跟踪数据的变更历史，捕捉每一次更新、插入或删除的操作，以便实时分析和监控业务数据的动态变化。
  2. 背景需求需要实时检索某张业务表的历史变更记录，并以每天为单位统计每条数据的变更频率，因此在Doris中设计表结构时采用了Unique数据模型。建表语句如下，其中以id和update_time为unique key从而保证秒级唯一性，同时采用动态分区按天进行划分，建表语句如下：
sql 复制代码 
CREATE TABLE `example_user_stream`
(
    `id` largeint(40) NOT NULL COMMENT '用户id',
    `update_time` datetime NULL COMMENT '用户更新时间',
    `dt` date NULL COMMENT '流水日期',
    `create_time` datetime NULL COMMENT '用户注册时间',
    `name` varchar(50) NOT NULL COMMENT '用户昵称',
    `phone` largeint(40) NULL COMMENT '手机号',
    `gender` varchar(5) NULL COMMENT '用户性别',
    `op` varchar(4) NOT NULL COMMENT '每条数据的操作类型:r/c/u/d',
    `before` STRING NULL COMMENT '变更前数据',
    `binlog` STRING NULL COMMENT 'binlog全量日志'
) ENGINE=OLAP
UNIQUE KEY(`id`, `update_time`, `dt`)
COMMENT '用户流水表'
PARTITION BY RANGE(dt)()
DISTRIBUTED BY HASH(id) BUCKETS 8
PROPERTIES
(
    "dynamic_partition.enable" = "true",
    "dynamic_partition.time_unit" = "DAY",
    "dynamic_partition.start" = "-90",
    "dynamic_partition.end" = "3",
    "dynamic_partition.prefix" = "p",
    "dynamic_partition.buckets" = "8"
);

该表利用了Doris的动态分区功能，将分区粒度设置为天级，并采取了预先建立3天分区的策略，同时设定了90天的过期时间；更多信息可参考Doris动态分区介绍

2.4、实时同步逻辑

  1. 首先，由于实时流水表同步使用Flink-cdc读取关系型数据库，flink-cdc提供了四种模式： "initial"，"earliest-offset"，"latest-offset"，"specific-offset" 和 "timestamp"。本文使用的Flink-connector-mysq是2.3版本，这里简单介绍一下这四种模式：

    • initial （默认）：在第一次启动时对受监视的数据库表执行初始快照，并继续读取最新的 binlog。
    • earliest-offset：跳过快照阶段，从可读取的最早 binlog 位点开始读取
    • latest-offset：首次启动时，从不对受监视的数据库表执行快照， 连接器仅从 binlog 的结尾处开始读取，这意味着连接器只能读取在连接器启动之后的数据更改。
    • specific-offset：跳过快照阶段，从指定的 binlog 位点开始读取。位点可通过 binlog 文件名和位置指定，或者在 GTID 在集群上启用时通过 GTID 集合指定。
    • timestamp：跳过快照阶段，从指定的时间戳开始读取 binlog 事件。

  2. 由于流水表只需知晓更改过程而无需记录全量数据，故采用timestamp模式从指定的时间戳【今日零点】开始读取 binlog 事件开始读取；这里之所以没有选择earliest-offset模式是因为doris在建表时分区大于或等于今日，而binlog可能保存多天以前的数据而无法存放至doris分区中，故采用timestamp模式.

  3. 此外，由于实时流水表同步需要对 binlog 数据进行解析及判断更新操作类型，因此，Flink CDC SQL 方式的表建立不再满足我们的要求。为了更好地实现这一功能，我们需要采用 API 方式来构建解决方案，代码如下：

    java 复制代码 
    import org.apache.flink.api.common.eventtime.WatermarkStrategy;
import org.apache.flink.streaming.api.environment.StreamExecutionEnvironment;
import com.ververica.cdc.debezium.JsonDebeziumDeserializationSchema;
import com.ververica.cdc.connectors.mysql.source.MySqlSource;

public class MySqlSourceExample {
  public static void main(String[] args) throws Exception {
    MySqlSource<String> mySqlSource = MySqlSource.<String>builder()
        .hostname("yourHostname")
        .port(yourPort)
        .databaseList("yourDatabaseName") // 设置捕获的数据库， 如果需要同步整个数据库，请将 tableList 设置为 ".*".
        .tableList("yourDatabaseName.yourTableName") // 设置捕获的表
        .username("yourUsername")
        .password("yourPassword")
        .startupOptions(StartupOptions.timestamp(1685548800000L)) // 从2023-06-01零点处读取binlog
        .deserializer(new JsonDebeziumDeserializationSchema()) // 将 SourceRecord 转换为 JSON 字符串
        .build();

    StreamExecutionEnvironment env = StreamExecutionEnvironment.getExecutionEnvironment();

    // 设置 3s 的 checkpoint 间隔
    env.enableCheckpointing(3000);

    env
      .fromSource(mySqlSource, WatermarkStrategy.noWatermarks(), "MySQL Source")
      // 设置 source 节点的并行度为 4
      .setParallelism(4)
      .print().setParallelism(1); // 设置 sink 节点并行度为 1 

    env.execute("Print MySQL Snapshot + Binlog");
  }
}

    代码摘自mysql-cdc-connector官网示例

  4. 这里我们以2023-06-02日的[Mysql]业务数据为例，新增了一名tony用户，且多次更改了tom的手机号，此时表数据如下：

id name phone gender create_time update_time 备注
1 jack 111 男 2023-06-01 13:00:00 2023-06-01 13:00:00
2 jason 222 男 2023-06-01 13:00:00 2023-06-01 13:00:00
3 tom 555 男 2023-06-01 13:00:00 2023-06-02 09:00:00 (手机号从333->444->555)
4 tony 666 男 2023-06-02 10:00:00 2023-06-02 10:00:00 (新增tony用户)

加粗为更新/新增数据

  1. 此时Flink应用获取到的数据如下：
bash 复制代码 
# 新增tony变更数据如下
{
	"before": null,
	"after": {
		"id": 4,
		"name": "tony",
		"phone": "666",
		"gender": "男",
		"create_time": "2023-06-02T02:00:00Z",
		"update_time": "2023-06-02T02:00:00Z"
	},
	"source": {
		# 元数据信息忽略
	},
	"op": "c", # 操作类型
	"ts_ms": 1706768344113,
	"transaction": null
}
# tom手机号333->444变更数据如下
{
	"before": {
		"id": 3,
		"name": "tom",
		"phone": "333",
		"gender": "男",
		"create_time": "2023-06-01T05:00:00Z",
		"update_time": "2023-06-01T05:00:00Z"
	},
	"after": {
		"id": 3,
		"name": "tom",
		"phone": "444",
		"gender": "男",
		"create_time": "2023-06-01T05:00:00Z",
		"update_time": "2023-06-01T23:00:00Z"
	},
	"source": {
		# 元数据信息忽略
	},
	"op": "u", # 操作类型
	"ts_ms": 1706768454904,
	"transaction": null
}
# tom手机号444->555变更数据如下
{
	"before": {
		"id": 3,
		"name": "tom",
		"phone": "444",
		"gender": "男",
		"create_time": "2023-06-01T05:00:00Z",
		"update_time": "2023-06-01T23:00:00Z"
	},
	"after": {
		"id": 3,
		"name": "tom",
		"phone": "555",
		"gender": "男",
		"create_time": "2023-06-01T05:00:00Z",
		"update_time": "2023-06-02T00:00:00Z"
	},
	"source": {
		# 元数据信息忽略
	},
	"op": "u", # 操作类型
	"ts_ms": 1706768521452,
	"transaction": null
}

  1. 我们使用 Flink CDC MySQL 同步数据时可以获取到binlog数据中的 op 字段。op 字段是用来记录每条数据的操作类型的标志。具体的操作类型如下：

    • op=d 代表删除操作
    • op=u 代表更新操作
    • op=c 代表新增操作
    • op=r 代表全量读取，而不是来自 binlog 的增量读取

  2. 当 Flink 同步程序接收到 op=c 表示新增 Tony 的数据时，首先解析 binlog 日志，提取其中的 op、before 和 after 数据。接着，从 after 中截取 update_time 的日期值，并将这些信息拼装成 Doris 的 INSERT 语句，通过该语句将数据插入到 Doris 中。这一过程完成后，即成功记录了这条流水数据，sql语句如下：

sql 复制代码 
INSERT INTO example_user_stream (id, update_time, dt, create_time, name, phone, gender, op, `before`, `binlog`)
VALUES 
(4, '2023-06-02 10:00:00', '2023-06-02', '2023-06-02 10:00:00', 'tony', 555, '男', 'c', null, '{"before":null,"after":{"id":4,"name":"tony","phone":"666","gender":"男","create_time":"2023-06-02T02:00:00Z","update_time":"2023-06-02T02:00:00Z"},"source":{"version":"1.6.4.Final","connector":"mysql","name":"mysql_binlog_source","ts_ms":1706768344000,"snapshot":"false","db":"yushu_dds","sequence":null,"table":"user","server_id":2307031958,"gtid":"71221bfd-56e8-11ee-8275-fa163e4ecceb:33719321","file":"3509-binlog.000191","pos":643757739,"row":0,"thread":null,"query":null},"op":"c","ts_ms":1706768344113,"transaction":null}');
  1. 当 Flink 同步程序接收到op=u修改tom手机号的数据时，和上述步骤一样提取binlog日志，需要注意的是此时要将before数据写入到doris数据中，sql语句如下：
sql 复制代码 
# tom手机号333->444:
INSERT INTO example_user_stream (id, update_time, dt, create_time, name, phone, gender, op, `before`,`binlog`)
VALUES 
(3, '2023-06-02 08:00:00', '2023-06-02', '2023-06-02 13:00:00', 'tom', 444, '男', 'u', '{"id":3,"name":"tom","phone":"333","gender":"男","create_time":"2023-06-01T05:00:00Z","update_time":"2023-06-01T05:00:00Z"}', '{"before":{"id":3,"name":"tom","phone":"333","gender":"男","create_time":"2023-06-01T05:00:00Z","update_time":"2023-06-01T05:00:00Z"},"after":{"id":3,"name":"tom","phone":"444","gender":"男","create_time":"2023-06-01T05:00:00Z","update_time":"2023-06-01T23:00:00Z"},"source":{"version":"1.6.4.Final","connector":"mysql","name":"mysql_binlog_source","ts_ms":1706768454000,"snapshot":"false","db":"yushu_dds","sequence":null,"table":"user","server_id":2307031958,"gtid":"71221bfd-56e8-11ee-8275-fa163e4ecceb:33719761","file":"3509-binlog.000191","pos":692873739,"row":0,"thread":null,"query":null},"op":"u","ts_ms":1706768454904,"transaction":null}');

# tom手机号444->555:
INSERT INTO example_user_stream (id, update_time, dt, create_time, name, phone, gender, op, `before`,`binlog`)
VALUES 
(3, '2023-06-02 09:00:00', '2023-06-02', '2023-06-02 13:00:00', 'tom', 555, '男', 'u', '{"id":3,"name":"tom","phone":"444","gender":"男","create_time":"2023-06-01T05:00:00Z","update_time":"2023-06-01T23:00:00Z"}', '{"before":{"id":3,"name":"tom","phone":"444","gender":"男","create_time":"2023-06-01T05:00:00Z","update_time":"2023-06-01T23:00:00Z"},"after":{"id":3,"name":"tom","phone":"555","gender":"男","create_time":"2023-06-01T05:00:00Z","update_time":"2023-06-02T00:00:00Z"},"source":{"version":"1.6.4.Final","connector":"mysql","name":"mysql_binlog_source","ts_ms":1706768521000,"snapshot":"false","db":"yushu_dds","sequence":null,"table":"user","server_id":2307031958,"gtid":"71221bfd-56e8-11ee-8275-fa163e4ecceb:33720328","file":"3509-binlog.000191","pos":806151026,"row":0,"thread":null,"query":null},"op":"u","ts_ms":1706768521452,"transaction":null}');
  1. [大数据平台] 2023-06-02日业务人员在大数据分析平台中查看用户表实时变更记录，sql查询及结果如下：
sql 复制代码 
SELECT * FROM example_user_stream PARTITION p20230602;
id update_time dt create_time name phone gender op before binlog(部分省略)
4 2023-06-02 10:00:00 2023-06-02 2023-06-02 10:00:00 tony 555 男 c NULL {"before":null,"after":{...}...}
3 2023-06-02 08:00:00 2023-06-02 2023-06-02 13:00:00 tom 444 男 u {"id":3,"name":"tom","phone":"333","gender":"男","create_time":"2023-06-01T05:00:00Z","update_time":"2023-06-01T05:00:00Z"} {"before":null,"after":{...}...}
3 2023-06-02 09:00:00 2023-06-02 2023-06-02 13:00:00 tom 555 男 u {"id":3,"name":"tom","phone":"444","gender":"男","create_time":"2023-06-01T05:00:00Z","update_time":"2023-06-01T23:00:00Z"} {"before":null,"after":{...}...}
  1. [大数据平台] 业务人员在大数据分析平台中根据id+姓名维度统计2023-06-02日的变更次数，sql查询及结果如下：
sql 复制代码 
SELECT id,name,count(*) as 'count',dt FROM example_user_stream PARTITION p20240201 group by dt,id,name;
id name count dt
3 tom 2 2023-06-02
4 tony 1 2023-06-02

至此流水表的实时同步逻辑结束，删除操作与前述的修改操作类似，实现方式基本一致。

三、总结

FlinkCDC与流水表的结合：

  1. 实时同步： FlinkCDC通过实时捕获数据库变更，结合Flink的处理能力，将变更逻辑应用到流水表中，实现实时同步。
  2. 数据一致性： 结合Flink的状态管理，可以确保对数据变更的精确追踪和一致性处理，避免数据丢失或不一致。
  3. 删除操作： FlinkCDC同样适用于删除操作，将删除事件同步到流水表，确保流水表记录了所有的数据变更历史。
  4. 动态分区支持： FlinkCDC与动态分区的流水表结合，可以更灵活地管理和查询历史数据，使得数据的存储和查询更为高效。

总体而言，FlinkCDC与流水表的结合为实时数据同步提供了可靠的解决方案，既能满足实时性要求，又能保证数据变更历史的完整性和一致性。

四、相关资料

相关推荐
Ray.199812 小时前
Flink 的核心特点和概念
大数据·数据仓库·数据分析·flink
极客先躯12 小时前
如何提升flink的处理速度？
大数据·flink·提高处理速度
BestandW1shEs12 小时前
快速入门Flink
java·大数据·flink
Ray.199815 小时前
Flink在流处理中，为什么还会有窗口的概念呢
大数据·flink
抛砖者15 小时前
3.Flink中重要API的使用
大数据·flink
金州饿霸15 小时前
Flink运行时架构
大数据·flink
金州饿霸16 小时前
Flink中的时间和窗口
大数据·flink
viperrrrrrrrrr72 天前
大数据学习(40)- Flink执行流
大数据·学习·flink
TDengine （老段）2 天前
TDengine 做为 FLINK 数据源技术参考手册
大数据·数据库·flink·时序数据库·tdengine·涛思数据
Leven1995273 天前
Flink（八）：DataStream API (五) Join
大数据·flink
热门推荐
012023美赛A题之Lotka-Volterra【完整思路+代码】02Dell服务器升级ubuntu 22.04失败解决03半导体应用系统一些小知识收集(strip&wafer mapping,EAP&scada)04机器人持续学习基准LIBERO系列10——文件结构05Windows10安装PCL1.14.0及点云配准06密码学原理技术-第六章-introduction to pulibc-key cryptography07BMC 虚拟i2c访问PCA9545(switch芯片)后面的设备,为什么找不到PCA9545?08xgboost: Why not implement distributed XGBoost on top of spark09(欧拉)openEuler系统添加网卡文件配置流程、(欧拉)openEuler系统手动配置ipv6地址流程、(欧拉)openEuler系统网络管理说明10MediaStream 的媒体流对象 (stream) 和流媒体轨道 (track) 详解