Flink CDC 2.2.0同步Mysql数据到Hudi数据湖

1. 介绍

Flink CDC底层是使用Debezium来进行data changes的capture

特色：

1. snapshot能并行读取。根据表定义的primary key中的第一列划分成chunk。如果表没有primary key，需要通过参数scan.incremental.snapshot.enabled关闭snapshot增量读取
2. snapshot读取时的checkpoint粒度为chunk
3. snapshot读取不需要global read lock(FLUSH TABLES WITH READ LOCK)
4. reader读取snapshot和binlog的一致性过程：
   1. 标记当前的binlog position为low
   2. 多个reader读取各自的chunk
   3. 标记当前的binlog position为high
   4. 一个reader读取low ~ high之间的binlog
   5. 一个reader读取high之后的binlog

2. Deserialization序列化和反序列化

下面用json格式，展示了change event

{
  "before": {
    "id": 111,
    "name": "scooter",
    "description": "Big 2-wheel scooter",
    "weight": 5.18
  },
  "after": {
    "id": 111,
    "name": "scooter",
    "description": "Big 2-wheel scooter",
    "weight": 5.15
  },
  "source": {...},
  "op": "u",  // operation type, u表示这是一个update event 
  "ts_ms": 1589362330904,  // connector处理event的时间
  "transaction": null
}

字段含义可以参考Debezium文档

在DataStrea API中，用户可以使用Constructor：JsonDebeziumDeserializationSchema(true)，在message中包含schema。但是不推荐使用

JsonDebeziumDeserializationSchema也可以接收JsonConverter的自定义配置。如下示例在output中包含小数的数据

Map customConverterConfigs = new HashMap<>();
 customConverterConfigs.put(JsonConverterConfig.DECIMAL_FORMAT_CONFIG, "numeric");
 JsonDebeziumDeserializationSchema schema = 
      new JsonDebeziumDeserializationSchema(true, customConverterConfigs);

3. 添加Flink CDC依赖

3.1 sql-client

集成步骤如下：

1. 从github flink cdc下载flink-sql-connector-mysql-cdc-2.2.0.jar包
2. 将jar包放到Flink集群所有服务器的lib目录下
3. 重启Flink集群
4. 启动sql-client.sh

3.2 Java/Scala API

添加如下依赖到pom.xml中

    com.ververica
    flink-connector-mysql-cdc
    2.2.0

4. 使用SQL方式同步Mysql数据到Hudi数据湖

4.1 Mysql表结构和数据

建表语句如下：

CREATE TABLE `info_message` (
  `id` bigint(20) NOT NULL AUTO_INCREMENT COMMENT '主键',
  `msg_title` varchar(100) DEFAULT NULL COMMENT '消息名称',
  `msg_ctx` varchar(2048) DEFAULT NULL COMMENT '消息内容',
  `msg_time` datetime DEFAULT NULL COMMENT '消息发送时间',
  PRIMARY KEY (`id`)
)

部分数据内容如下：

mysql> 
mysql> select * from d_general.info_message limit 3;
+--------------------+-----------+-------------------------------------------------------+---------------------+
| id                 | msg_title | msg_ctx                                               | msg_time            |
+--------------------+-----------+-------------------------------------------------------+---------------------+
|         1          |   title1  |                         content1                      | 2019-03-29 15:27:21 |
|         2          |   title2  |                         content2                      | 2019-03-29 15:38:36 |
|         3          |   title3  |                         content3                      | 2019-03-29 15:38:36 |
+--------------------+-----------+-------------------------------------------------------+---------------------+
3 rows in set (0.00 sec)

mysql>

4.2 Flink开启checkpoint

• Checkpoint默认是不开启的，开启Checkpoint让Hudi可以提交事务
• 并且mysql-cdc在binlog读取阶段开始前，需要等待一个完整的checkpoint来避免binlog记录乱序的情况
• binlog读取的并行度为1，checkpoint的粒度为数据行级别
• 可以在任务失败的情况下，达到Exactly-once语义

Flink SQL> set 'execution.checkpointing.interval' = '10s';
[INFO] Session property has been set.

Flink SQL>

4.3 在Flink中创建Mysql的映射表

Flink SQL> create table mysql_source(
> database_name string metadata from 'database_name' virtual,
> table_name string metadata from 'table_name' virtual,
> id decimal(20,0) not null,
> msg_title string,
> msg_ctx string,
> msg_time timestamp(9),
> primary key (id) not enforced
> ) with (
>     'connector' = 'mysql-cdc',
>     'hostname' = '192.168.8.124',
>     'port' = '3306',
>     'username' = 'hnmqet',
>     'password' = 'hnmq123456',
> 'server-time-zone' = 'Asia/Shanghai',
> 'scan.startup.mode' = 'initial',
>     'database-name' = 'd_general',
>     'table-name' = 'info_message'
> );
[INFO] Execute statement succeed.

Flink SQL>

说明如下：

• Flink的table中添加了两个metadata列。还可以定义op_ts列，类型为TIMESTAMP_LTZ(3)，表示binlog在数据库创建的时间，如果是snapshot，则值为0
• 如果Mysql中有很多个列，这里只获取Flink Table中定义的列
• Mysql的用户需要的权限：SELECT、SHOW DATABASES、REPLICATION SLAVE、REPLICATION CLIENT
• server-time-zone: Mysql数据库的session time zone，用来控制如何将Mysql的timestamp类型转换成string类型
• scan.startup.mode：mysql-cdc启动时消费的模式，initial表示同步snapshot和binlog，latest-offset表示同步最新的binlog
• database-name和table-name可以使用正则表达式匹配多个数据库和多个表，例如"d_general[0-9]+"可以匹配d_general0、d_general999等

4.4 在Flink中创建Hudi Sink的映射表

Flink SQL> create table hudi_sink(
> database_name string,
> table_name string,
> id decimal(20,0) not null,
> msg_title string,
> msg_ctx string,
> msg_time timestamp(6),
> primary key (database_name, table_name, id) not enforced
> ) with (
>     'connector' = 'hudi',
> 'path' = 'hdfs://nnha/user/hudi/warehouse/hudi_db/info_message',
> 'table.type' = 'MERGE_ON_READ',
> 'hoodie.datasource.write.recordkey.field' = 'database_name.table_name.id',
> 'write.precombine.field' = 'msg_time',
> 'write.rate.limit' = '2000',
> 'write.tasks' = '2',
> 'write.operation' = 'upsert',
> 'compaction.tasks' = '2',
> 'compaction.async.enabled' = 'true',
> 'compaction.trigger.strategy' = 'num_commits',
> 'compaction.delta_commits' = '5',
> 'read.tasks' = '2',
> 'changelog.enabled' = 'true'
> );
[INFO] Execute statement succeed.

Flink SQL>

说明如下：

• 不同数据库和表的id字段可能会相同，定义复合主键
• hoodie.datasource.write.recordkey.field：默指定表的主键，多个字段用.分隔。认为uuid字段
• 如果upstream不能保证数据的order，则需要显式指定write.precombine.field，且选取的字段不能包含null。默认为ts字段。作用是如果在一个批次中，有两条key相同的数据，取较大的precombine数据，插入到Hudi中
• write.rate.limit：每秒写入数据的条数，默认为0表示不限制
• 默认write的并行度为4
• write.operation：默认是upsert
• 默认compaction的并行度为4
• compaction.async.enabled：是否开启online compaction，默认为true
• compaction.trigger.strategy：compaction触发的策略，可选值：num_commits、time_elapsed、num_and_time、num_or_time，默认值为num_commits
• compaction.delta_commits：每多少次commit进行一次compaction，默认值为5
• MOR类型的表，还不能处理delete，所以会导致数据不一致。可以通过changelog.enabled转换到change log模式

4.5 流式写入Hudi

先同步snapshot，再同步事务日志

Flink SQL> insert into hudi_sink select database_name, table_name, id, msg_title, msg_ctx, msg_time from mysql_source /*+ OPTIONS('server-id'='5401') */ where msg_time is not null;
[INFO] Submitting SQL update statement to the cluster...
[INFO] SQL update statement has been successfully submitted to the cluster:
Job ID: afa575f5451af65d1ee7d225d77888ac


Flink SQL>

• 注意：这里如果where条件如果添加了"msg_time > timestamp ‘2021-04-14 09:49:00’"，任务会一直卡在write_stream这一步，write_stream的状态一直是bush(max): 100%，并且checkpoint也会一直卡住，查看HDFS上的表是没有数据
• 默认查询的并行度是1。如果并行度大于1，需要为每个slot设置server-id，4个slot的设置方法为：'server-id'='5401-5404'。这样Mysql server就能正确维护network connection和binlog position