Flink CDC同步MySQL分庫分表數據到Iceberg數據湖實踐

介紹

Flink CDC: 捕獲數據庫完整的變更日誌記錄增、刪、改等所有數據. Flink在1.11版本開始引入了Flink CDC功能，並且同時支持Table & SQL兩種形式。Flink SQL CDC是以SQL的形式編寫實時任務，並對CDC數據進行實時解析同步。相比於傳統的數據同步方案，該方案在實時性、易用性等方面有了極大的改善。

Flink CDC 同步優勢:

業務解耦：無需入侵業務，和業務完全解耦，也就是業務端無感知數據同步的存在。
性能消耗：業務數據庫性能消耗小，數據同步延遲低。
同步易用：使用SQL方式執行CDC同步任務，極大的降低使用維護門檻。
數據完整：完整的數據庫變更記錄，不會丟失任何記錄，Flink 自身支持 Exactly Once。

數據湖: 支持存儲多種原始數據格式、多種計算引擎、高效的元數據統一管理和海量統一數據存儲。

Apache Iceberg: 是一個大規模數據分析的開放表格式, 是數據湖的一種解決方案.

Iceberg 設計特點:

ACID：不會讀到不完整的commit數據，基於樂觀鎖實現，支持併發commit，支持Row-level delete，支持upsert操作。
增量快照：Commit後的數據即可見，在Flink實時入湖場景下，數據可見根據checkpoint的時間間隔來確定的，增量形式也可回溯歷史快照。
開放的表格式：對於一個真正的開放表格式，支持多種數據存儲格式，如：parquet、orc、avro等，支持多種計算引擎，如：Spark、Flink、Hive、Trino/Presto。
流批接口支持：支持流式寫入、批量寫入，支持流式讀取、批量讀取

環境準備

準備Flink 、mysql docker鏡像測試環境:

docker-compose.yml:

version: '2.1'
services:
  sql-client:
    user: flink:flink
    image: yuxialuo/flink-sql-client:1.13.2.v1 
    depends_on:
      - jobmanager
      - mysql
    environment:
      FLINK_JOBMANAGER_HOST: jobmanager
      MYSQL_HOST: mysql
    volumes:
      - shared-tmpfs:/tmp/iceberg
  jobmanager:
    user: flink:flink
    image: flink:1.13.2-scala_2.11
    ports:
      - "8081:8081"
    command: jobmanager
    environment:
      - |
        FLINK_PROPERTIES=
        jobmanager.rpc.address: jobmanager
    volumes:
      - shared-tmpfs:/tmp/iceberg
  taskmanager:
    user: flink:flink
    image: flink:1.13.2-scala_2.11
    depends_on:
      - jobmanager
    command: taskmanager
    environment:
      - |
        FLINK_PROPERTIES=
        jobmanager.rpc.address: jobmanager
        taskmanager.numberOfTaskSlots: 2
    volumes:
      - shared-tmpfs:/tmp/iceberg
  mysql:
    image: debezium/example-mysql:1.1
    ports:
      - "3306:3306"
    environment:
      - MYSQL_ROOT_PASSWORD=123456
      - MYSQL_USER=mysqluser
      - MYSQL_PASSWORD=mysqlpw

volumes:
  shared-tmpfs:
    driver: local
    driver_opts:
      type: "tmpfs"
      device: "tmpfs"

在docker-compose.yml文件同目錄下啓動flink 組件：

docker-compose up -d

該命令將以 detached 模式自動啓動 Docker Compose 配置中定義的所有容器。

可以通過訪問 http://localhost:8081/ 來查看 Flink 是否運行正常

本教程需要的 jar 包都已經被打包進 SQL-Client 容器中了,

如果你想要在自己的 Flink 環境運行本教程，需要下載下面列出的包並且把它們放在 Flink 所在目錄的 lib 目錄下，即 FLINK_HOME/lib/。

flink-sql-connector-mysql-cdc-2.1.0.jar
flink-shaded-hadoop-2-uber-2.7.5-10.0.jar
iceberg-flink-1.13-runtime-0.13.0-SNAPSHOT.jar

當 Iceberg 0.13.0 版本發佈後，你也可以在 apache official repository 下載到支持 Flink 1.13 的 iceberg-flink-runtime jar 包。

https://repo.maven.apache.org/maven2/org/apache/iceberg/iceberg-flink-runtime/?spm=a2c6h.12873639.article-detail.13.1c396ec7vRoZE8

準備測試數據

進入 MySQL 容器中：

docker-compose exec mysql mysql -uroot -p123456

創建數據和表，並填充數據：

創建兩個不同的數據庫，並在每個數據庫中創建兩個表，作爲 user 表分庫分表下拆分出的表。

 CREATE DATABASE db_1;
 USE db_1;
 CREATE TABLE user_1 (
   id INTEGER NOT NULL PRIMARY KEY,
   name VARCHAR(255) NOT NULL DEFAULT 'flink',
   address VARCHAR(1024),
   phone_number VARCHAR(512),
   email VARCHAR(255)
 );
 INSERT INTO user_1 VALUES (110,"user_110","Shanghai","123567891234","[email protected]");

 CREATE TABLE user_2 (
   id INTEGER NOT NULL PRIMARY KEY,
   name VARCHAR(255) NOT NULL DEFAULT 'flink',
   address VARCHAR(1024),
   phone_number VARCHAR(512),
   email VARCHAR(255)
 );
INSERT INTO user_2 VALUES (120,"user_120","Shanghai","123567891234","[email protected]");


CREATE DATABASE db_2;
USE db_2;
CREATE TABLE user_1 (
  id INTEGER NOT NULL PRIMARY KEY,
  name VARCHAR(255) NOT NULL DEFAULT 'flink',
  address VARCHAR(1024),
  phone_number VARCHAR(512),
  email VARCHAR(255)
);
INSERT INTO user_1 VALUES (110,"user_110","Shanghai","123567891234", NULL);

CREATE TABLE user_2 (
  id INTEGER NOT NULL PRIMARY KEY,
  name VARCHAR(255) NOT NULL DEFAULT 'flink',
  address VARCHAR(1024),
  phone_number VARCHAR(512),
  email VARCHAR(255)
);
INSERT INTO user_2 VALUES (220,"user_220","Shanghai","123567891234","[email protected]");

在 Flink SQL CLI 中使用 Flink DDL 創建表：

首先，使用如下的命令進入 Flink SQL CLI 容器中：

docker-compose exec sql-client ./sql-client

開啓 checkpoint

Checkpoint 默認是不開啓的，我們需要開啓 Checkpoint 來讓 Iceberg 可以提交事務。
並且，mysql-cdc 在 binlog 讀取階段開始前，需要等待一個完整的 checkpoint 來避免 binlog 記錄亂序的情況。

-- Flink SQL
-- 每隔 3 秒做一次 checkpoint

Flink SQL> SET execution.checkpointing.interval = 3s;

創建 MySQL 分庫分表 source 表

創建 source 表 user_source 來捕獲MySQL中所有 user 表的數據，在表的配置項 database-name , table-name 使用正則表達式來匹配這些表。
並且，user_source 表也定義了 metadata 列來區分數據是來自哪個數據庫和表。

CREATE TABLE user_source (
    database_name STRING METADATA VIRTUAL,
    table_name STRING METADATA VIRTUAL,
    `id` DECIMAL(20, 0) NOT NULL,
    name STRING,
    address STRING,
    phone_number STRING,
    email STRING,
    PRIMARY KEY (`id`) NOT ENFORCED
  ) WITH (
    'connector' = 'mysql-cdc',
    'hostname' = 'mysql',
    'port' = '3306',
    'username' = 'root',
    'password' = '123456',
    'database-name' = 'db_[0-9]+',
    'table-name' = 'user_[0-9]+'
  );

創建 Iceberg sink 表

創建 sink 表 all_users_sink，用來將數據加載至 Iceberg 中。
在這個 sink 表，考慮到不同的 MySQL 數據庫表的 id 字段的值可能相同，我們定義了複合主鍵 (database_name, table_name, id)。

CREATE TABLE all_users_sink (
    database_name STRING,
    table_name    STRING,
    `id`          DECIMAL(20, 0) NOT NULL,
    name          STRING,
    address       STRING,
    phone_number  STRING,
    email         STRING,
    PRIMARY KEY (database_name, table_name, `id`) NOT ENFORCED
  ) WITH (
    'connector'='iceberg',
    'catalog-name'='iceberg_catalog',
    'catalog-type'='hadoop',  
    'warehouse'='file:///tmp/iceberg/warehouse',
    'format-version'='2'
  );

流式寫入 Iceberg

使用下面的 Flink SQL 語句將數據從 MySQL 寫入 Iceberg 中：

INSERT INTO all_users_sink select * from user_source;

述命令將會啓動一個流式作業，源源不斷將 MySQL 數據庫中的全量和增量數據同步到 Iceberg 中。

然後我們就可以使用如下的命令看到 Iceberg 中的寫入的文件：

docker-compose exec sql-client tree /tmp/iceberg/warehouse/default_database/

/tmp/iceberg/warehouse/default_database/
└── all_users_sink
    ├── data
    │   ├── 00000-0-84b83e87-0e98-48da-8871-4de54d802dc5-00009.parquet
    │   ├── 00000-0-84b83e87-0e98-48da-8871-4de54d802dc5-00011.parquet
    │   ├── 00000-0-84b83e87-0e98-48da-8871-4de54d802dc5-00511.parquet
    │   └── 00000-0-84b83e87-0e98-48da-8871-4de54d802dc5-00512.parquet
    └── metadata
        ├── 6785c966-67e3-43e0-876d-cfc2b77424b4-m0.avro
        ├── c4f04e0f-5f1d-4cd3-a5eb-4f423390011d-m0.avro
        ├── snap-1060385011870418792-1-df87d81d-004f-44d6-acca-1c77e5383647.avro
        ├── snap-1125901484026564419-1-c8e6142a-4702-4bf9-bb6c-937261910d39.avro
        ├── snap-1465929231731371144-1-cd480baf-a496-4f69-bb11-379299782e7a.avro
        ├── snap-1535675730396165219-1-eddfe40e-27bd-4a7a-97b0-191da77d4019.avro
        ├── snap-2621077481890393128-1-fdb33dc2-97a9-4472-bda4-fe0192a983c4.avro
        ├── snap-2886091127939856900-1-94d854db-2081-43b4-9bb3-11f9d0377503.avro
        ├── snap-3343920335928350948-1-19669bbb-7b82-4218-83ea-05c90429ff01.avro
        ├── snap-3566691522613506207-1-59e74ad7-a32e-427f-83c1-640d98b58d24.avro
        ├── snap-3843624394887137001-1-fef2b9b7-b7de-4ece-951b-eb1856a2d195.avro
        ├── snap-4100501778549948477-1-6785c966-67e3-43e0-876d-cfc2b77424b4.avro
        ├── snap-4248879694079296194-1-441e1ce8-6a10-4ebc-82b4-7abf62bc385b.avro
        ├── snap-445137311357959788-1-4e97b44e-a626-402b-b6ca-613e5252ed15.avro
        ├── snap-4453685821727449894-1-a5d3ced5-9d98-419a-aeda-a89e0184aa91.avro
        ├── snap-4652826435458483424-1-144e1141-8da3-450d-ba4d-01858befea48.avro
        ├── snap-4827514150229893384-1-db19f736-209b-44b0-9a4a-a1ecb8532817.avro
        ├── snap-5160869656962357717-1-522bdf2b-fd9d-4c81-9995-6c598e3112a2.avro
        ├── snap-5328679998683573777-1-befea0d5-0312-41db-ab33-04d2f71aa29c.avro
        ├── snap-5468995844667874005-1-4c1db744-6eb6-4c62-a5ce-6162b64ed429.avro
        ├── snap-7392671775005889691-1-f0e79868-ae06-4fe8-9a8e-e0b9f2fe2c12.avro
        ├── snap-7448354638185933171-1-621e2364-508e-47bf-83d0-5c7d72d160c6.avro
        ├── snap-7449633500954413534-1-3c673f73-381e-4917-af09-ce06e75995ee.avro
        ├── snap-7808424372668354882-1-a874a13c-32cc-4b4b-ab45-3042cad872f8.avro
        ├── snap-8487607088527724113-1-86dbb914-c564-4841-a536-be834a09b09d.avro
        ├── snap-882048647352933559-1-c7d1058c-1d60-4624-b592-2d8c9f208946.avro
        ├── snap-9092189266221057431-1-c4f04e0f-5f1d-4cd3-a5eb-4f423390011d.avro
        ├── snap-9149158390097592825-1-fd9e8dd3-519c-4b48-b78c-181ea0fd2aaf.avro
        ├── v1.metadata.json
        ├── v10.metadata.json
        ├── v11.metadata.json
        ├── v12.metadata.json
        ├── v13.metadata.json
        ├── v14.metadata.json
        ├── v15.metadata.json
        ├── v16.metadata.json
        ├── v17.metadata.json
        ├── v18.metadata.json
        ├── v19.metadata.json
        ├── v2.metadata.json
        ├── v20.metadata.json
        ├── v21.metadata.json
        ├── v22.metadata.json
        ├── v23.metadata.json
        ├── v24.metadata.json
        ├── v25.metadata.json
        ├── v26.metadata.json
        ├── v27.metadata.json
        ├── v3.metadata.json
        ├── v4.metadata.json
        ├── v5.metadata.json
        ├── v6.metadata.json
        ├── v7.metadata.json
        ├── v8.metadata.json
        ├── v9.metadata.json
        └── version-hint.text

使用下面的 Flink SQL 語句查詢表 all_users_sink 中的數據：

修改 MySQL 中表的數據，Iceberg 中的表 all_users_sink 中的數據也將實時更新：

(3.1) 在 db_1.user_1 表中插入新的一行

--- db_1
INSERT INTO db_1.user_1 VALUES (111,"user_111","Shanghai","123567891234","[email protected]");

(3.2) 更新 db_1.user_2 表的數據

--- db_1
UPDATE db_1.user_2 SET address='Beijing' WHERE id=120;

(3.3) 在 db_2.user_2 表中刪除一行

--- db_2
DELETE FROM db_2.user_2 WHERE id=220;

每執行一步，在 Flink Client CLI 中使用 SELECT * FROM all_users_sink 查詢表 all_users_sink 來看到數據的變化。

從 Iceberg 的最新結果中可以看到新增了(db_1, user_1, 111)的記錄，(db_1, user_2, 120)的地址更新成了 Beijing，且(db_2, user_2, 220)的記錄被刪除了，與我們在 MySQL 做的數據更新完全一致。

最後, 關閉所有容器:

docker-compose down

接下來,將調研如何將Iceberg 與Hive、SparkSQL 整合,讀取和分析Flink CDC寫入Iceberg中的數據.

參考

Iceberg 實踐 | 基於 Flink CDC 打通數據實時入湖：https://jishuin.proginn.com/p/763bfbd5bdbe
Flink CDC 系列 - 同步 MySQL 分庫分表，構建 Iceberg 實時數據湖：https://developer.aliyun.com/article/841222

Flink CDC同步MySQL分庫分表數據到Iceberg數據湖實踐

介紹

環境準備

準備測試數據

進入 MySQL 容器中：

創建數據和表，並填充數據：

在 Flink SQL CLI 中使用 Flink DDL 創建表：

開啓 checkpoint

創建 MySQL 分庫分表 source 表

創建 Iceberg sink 表

流式寫入 Iceberg

參考

druid數據源 xml配置

個人技術方向發展

Rust學習入門

Hive一次更新多個分區數據方案

Flink如何處理update數據

Flink Catalog

https://yachay.unat.edu.pe/blog/index.php?comment_area=format_blog&comment_component=blog&comment_co

linux以太網驅動總結