实时数仓：基于 Flink CDC 实现 Oracle 数据实时更新到 Kudu

作者：于乐，腾讯 CSIG 工程师

解决方案描述

概述

Flink CDC 于 2021 年 11 月 15 日发布了最新版本 2.1，该版本通过引入内置 Debezium 组件，增加了对 Oracle 的支持。本方案主要对 flink-connector-oracle-cdc进行试用。首先在本地对 Oracle CDC 进行调试通过，然后结合腾讯云产品流计算 Oceanus、EMR（Kudu）实现了 Oracle-Oceanus-Kudu 一体化解决方案，其中并无复杂的业务逻辑实现（这里进行最简单的数据转移，用户可根据实际业务情况编写相应代码），并对其中发现的一些问题进行归纳整理与读者分享。

方案架构

这里的 Oracle 数据库环境是通过 Docker 建立在 EMR 集群下的某台 CVM 上，通过手动向 Oracle 数据库写入、更新数据，Oceanus 实时捕获变更的数据后存储在 EMR 的 Kudu 组件上。根据以上方案，设计了如下架构图：

前置准备

创建私有网络 VPC

私有网络（VPC）是一块在腾讯云上自定义的逻辑隔离网络空间，在构建 Oceanus 集群、Redis 组件等服务时选择的网络建议选择同一个 VPC，网络才能互通。否则需要使用对等连接、NAT 网关、VPN 等方式打通网络。私有网络创建步骤请参考 帮助文档 [1]。

创建流计算 Oceanus 集群

流计算 Oceanus 是大数据产品生态体系的实时化分析利器，是基于 Apache Flink 构建的具备一站开发、无缝连接、亚秒延时、低廉成本、安全稳定等特点的企业级实时大数据分析平台。流计算 Oceanus 以实现企业数据价值最大化为目标，加速企业实时化数字化的建设进程。

在 Oceanus 控制台的【集群管理】->【新建集群】页面创建集群，选择地域、可用区、VPC、日志、存储，设置初始密码等。VPC 及子网使用刚刚创建好的网络。创建完后 Oceanus 的集群如下：

创建 EMR 集群

EMR 是云端托管的弹性开源泛 Hadoop 服务，支持 Kudu、HDFS、Presto、Flink、Druid 等大数据框架，本次示例主要需要使用 Kudu、Zookeeper、HDFS、Yarn、Impala、Knox 组件。

进入 EMR 控制台 [2]，单击左上角【创建集群】进行集群的创建，创建过程中注意选择【产品版本】，不同的版本包含的组件不同，笔者这里选择EMR-V3.2.1版本，另外【集群网络】需选择之前创建好的 VPC 及对应的子网。具体过程可参考 创建 EMR 集群 [3]。

配置 Oracle 环境

1. 安装 Oracle 镜像

下载 Docker：  不同 CVM 环境可能不相同，笔者这里采用离线安装模式，安装包官网地址 [4]。下载配置完成之后按如下命令启动并运行 Docker 服务。

# 启动
systemctl start docker


# 设置开机启动
systemctl enable docker.service


# 查看 docker 服务状态
systemctl status docker

下载 Oracle 镜像：

# 查找 Oracle 镜像版本
docker search oracle


# 下载相对应镜像，这里我们下载 truevoly/oracle-12c 版本
docker pull truevoly/oracle-12c


# 运行 Docker 容器
docker run -d -p 1521:1521 --name oracle12c truevoly/oracle-12c


# 进入容器
docker exec -it oracle12c /bin/bash

2. 配置 Oracle 数据库

启用日志归档：

-- 如有必要重新 source 一下 .profile 文件
source /home/oracle/.profile


-- 1. 切换到 Oracle 用户
su oracle


-- 2. 以 DBA 身份连接数据库
$ORACLE_HOME/bin/sqlplus /nolog
conn /as sysdba
show user


-- 3. 启用日志归档
alter system set db_recovery_file_dest_size = 10G;
alter system set db_recovery_file_dest = '/opt/oracle/oradata/recovery_area' scope = spfile;
shutdown immediate;
startup mount;
alter database archivelog;
alter database open;


-- 4. 检查日志是否归档
archive log list;

注意：

1. /opt/oracle/oradata/recovery_area路径需使用root用户提前建立，并赋予读写权限：chmod 777 /opt/oracle/oradata/recovery_area。

2. 启用日志归档需重启数据库。

3. 归档日志会占用大量磁盘空间，需定期清理过期日志。

创建表空间：

CREATE TABLESPACE logminer_tbs DATAFILE '/opt/oracle/oradata/SID/logminer_tbs.dbf' SIZE 25M REUSE AUTOEXTEND ON MAXSIZE UNLIMITED;

注意：/opt/oracle/oradata/SID路径需使用root用户提前创建，并赋予读写权限：chmod 777 /opt/oracle/oradata/SID。

创建用户并授权：

CREATE USER flinkuser IDENTIFIED BY flinkpw DEFAULT TABLESPACE LOGMINER_TBS QUOTA UNLIMITED ON LOGMINER_TBS;
GRANT CREATE SESSION TO flinkuser;
GRANT SET CONTAINER TO flinkuser;
GRANT SELECT ON V_$DATABASE to flinkuser;
GRANT FLASHBACK ANY TABLE TO flinkuser;
GRANT SELECT ANY TABLE TO flinkuser;
GRANT SELECT_CATALOG_ROLE TO flinkuser;
GRANT EXECUTE_CATALOG_ROLE TO flinkuser;
GRANT SELECT ANY TRANSACTION TO flinkuser;
GRANT LOGMINING TO flinkuser;
GRANT CREATE TABLE TO flinkuser;
GRANT LOCK ANY TABLE TO flinkuser;
GRANT ALTER ANY TABLE TO flinkuser;
GRANT CREATE SEQUENCE TO flinkuser;
GRANT EXECUTE ON DBMS_LOGMNR TO flinkuser;
GRANT EXECUTE ON DBMS_LOGMNR_D TO flinkuser;
GRANT SELECT ON V_$LOG TO flinkuser;
GRANT SELECT ON V_$LOG_HISTORY TO flinkuser;
GRANT SELECT ON V_$LOGMNR_LOGS TO flinkuser;
GRANT SELECT ON V_$LOGMNR_CONTENTS TO flinkuser;
GRANT SELECT ON V_$LOGMNR_PARAMETERS TO flinkuser;
GRANT SELECT ON V_$LOGFILE TO flinkuser;
GRANT SELECT ON V_$ARCHIVED_LOG TO flinkuser;
GRANT SELECT ON V_$ARCHIVE_DEST_STATUS TO flinkuser;

数据准备：

-- 创建 Oracle 表，用做 Source 端
CREATE TABLE FLINKUSER.TEST1(
  ID   NUMBER(10,0) NOT NULL ENABLE,  
  NAME VARCHAR2(50),
   PRIMARY KEY(ID)
  ) TABLESPACE LOGMINER_TBS;
-- 手动插入几条数据
INSERT INTO FLINKUSER.TEST1 (ID,NAME) VALUES (1,'1111');

启动补充日志记录：

-- 对数据库配置
ALTER DATABASE ADD SUPPLEMENTAL LOG DATA;
-- 对表进行配置
ALTER TABLE FLINKUSER.TEST1 ADD SUPPLEMENTAL LOG DATA (ALL) COLUMNS;

方案实现

本方案对最近上线的 flink-connector-oracle-cdc 功能进行尝试。笔者这里首先在本地机器上使用 Docker 配置安装 Oracle 11g 和 Oracle 12c 两个版本进行本地 Oracle 表的读取测试，对读取到的数据进行 toRetractStream 转换后进行打印输出，对其中发现的一些问题归纳整理后和大家分享一下。随后在 EMR 集群上选择一台 CVM 配置 Oracle 12c 环境，将代码移植到 Oceanus 平台，并将最终的数据落到 Kudu 上，实现 Oracle To Kudu 的一整套解决方案。

本地代码开发

1. Maven 依赖

   com.ververica
   flink-connector-oracle-cdc
   2.2-SNAPSHOT
   
   compile

2. 代码编写

package com.demo;


import com.ververica.cdc.connectors.oracle.OracleSource;
import com.ververica.cdc.debezium.JsonDebeziumDeserializationSchema;
import org.apache.flink.streaming.api.environment.StreamExecutionEnvironment;
import org.apache.flink.streaming.api.functions.source.SourceFunction;
import org.apache.flink.table.api.EnvironmentSettings;
import org.apache.flink.table.api.bridge.java.StreamTableEnvironment;


public class OracleToKudu {
    public static void main(String[] args) throws Exception {
        EnvironmentSettings settings = EnvironmentSettings
                .newInstance()
                .useBlinkPlanner()
                .inStreamingMode()
                .build();


        StreamExecutionEnvironment sEnv = StreamExecutionEnvironment.getExecutionEnvironment();
        StreamTableEnvironment tEnv = StreamTableEnvironment.create(sEnv,settings);


        // SQL 写法
        tEnv.executeSql("CREATE TABLE `oracleSource` (\n" +
                " ID      BIGINT,\n" +
                " NAME    VARCHAR,\n" +
                " PRIMARY KEY(ID) NOT ENFORCED )\n" +
                " WITH (\n" +
                "  'connector' = 'oracle-cdc',\n" +
                // 请修改成 Oracle 所在的实际 IP 地址
                "  'hostname' = 'xx.xx.xx.xx',\n" +
                "  'port' = '1521',\n" +
                "  'username' = 'flinkuser',\n" +
                "  'password' = 'flinkpw',\n" +
                "  'database-name' = 'xe',\n" +
                "  'schema-name' = 'flinkuser',\n" +
                "  'table-name' = 'test1'\n" +
                ")");


        // Stream API 写法
        // SourceFunction sourceFunction = OracleSource.builder()
        //         .hostname("xx.xx.xx.xx")
        //         .port(1521)
        //         .database("xe")
        //         .schemaList("flinkuser")
        //         .tableList("flinkuser.test1")
        //         .username("flinkuser")
        //         .password("flinkpw")
        //         .deserializer(new JsonDebeziumDeserializationSchema())
        //         .build();
        // sEnv.addSource(sourceFunction)




        tEnv.executeSql("CREATE TABLE `kudu_sink_table` (\n" +
                " `id`    BIGINT,\n" +
                " `name`  VARCHAR\n" +
                ") WITH (\n" +
                " 'connector.type' = 'kudu',\n" +
                // 请修改成实际的 master IP 地址
                " 'kudu.masters' = 'master-01:7051,master-02:7051,master-03:7051',\n" +
                " 'kudu.table' = 'JoylyuTest1',\n" +
                " 'kudu.hash-columns' = 'id',\n" +
                " 'kudu.primary-key-columns' = 'id'\n" +
                ")");


        // 笔者这里只是进行了最简化的数据转移功能，请根据实际业务情况进行开发
        tEnv.executeSql("insert into kudu_sink_table select * from oracleSource");


    }
}

流计算 Oceanus JAR 作业

1. 上传依赖

在 Oceanus 控制台，点击左侧【依赖管理】，点击左上角【新建】新建依赖，上传本地 Jar 包。

2. 创建作业

在 Oceanus 控制台，点击左侧【作业管理】，点击左上角【新建】新建作业，作业类型选择 Jar 作业，点击【开发调试】进入作业编辑页面。

【主程序包】选择刚刚上传的依赖，并选择最新版本，【主类】填入 com.demos.OracleToKudu。

单击【作业参数】，在【内置 Connector】处选择 flink-connector-kudu，单击【保存】。

3. 运行作业

点击【发布草稿】即可运行，可通过【日志】面板 TaskManager 或 Flink UI 查看运行信息。

数据查询

在 EMR 集群下面选择一台 CVM 进入，查询写入 kudu 的数据。

# 进入 kudu 目录下
cd /usr/local/service/kudu/bin


# 查看集群所有表
./kudu table list master-01,master-02,master-03


# 查询 JoylyuTest1 表的数据
./kudu table scan master-01,master-02,master-03 JoylyuTest1

当然，Kudu 也可以与 Impala 集成，通过 Impala 查询数据，不过需在 Impala 上面建立与 Kudu 表对应的外部表才可以查询。具体可参考 Oceanus Kudu Sink 总结 [5]。

CREATE EXTERNAL TABLE ImpalaJoylyuTest1
STORED AS KUDU
TBLPROPERTIES (
  'kudu.master_addresses' = 'master-01:7051,master-02:7051,master-03:7051', 
  'kudu.table_name' = 'JoylyuTest1'
);

问题整理

笔者这里在本地对两种不同的 Oracle 版本：Oracle 11g 和 Oracle 12c Debug 时发现了一些问题，这里进行归纳总结一下。 

其一：表名大小写问题  

笔者这里首先对 Oracle 11g 进行测试，在配置完如上的步骤之后本地运行，数据打印出来之后立即报错如下：

Caused by: io.debezium.DebeziumException: Supplemental logging not configured for table HELOWIN.FLINKUSER.test1.  Use command: ALTER TABLE FLINKUSER.test1 ADD SUPPLEMENTAL LOG DATA (ALL) COLUMNS
  at io.debezium.connector.oracle.logminer.LogMinerHelper.checkSupplementalLogging(LogMinerHelper.java:407)
  at io.debezium.connector.oracle.logminer.LogMinerStreamingChangeEventSource.execute(LogMinerStreamingChangeEventSource.java:132)
  ... 7 more

通过日志信息可以发现，笔者的表 TEST1自动转换为了小写的表 test1。报错信息出现在 checkSupplementalLogging ，于是根据这个报错信息查看源码发现这里会对 Oracle 里面的 ALL_LOG_GROUPS 表进行一次查询，数据查询不出来导致报错（ALL_LOG_GROUPS表里存储的是大写的表名TEST1）。

static String tableSupplementalLoggingCheckQuery(TableId tableId) {
        return String.format("SELECT 'KEY', LOG_GROUP_TYPE FROM %s WHERE OWNER = '%s' AND TABLE_NAME = '%s'", ALL_LOG_GROUPS, tableId.schema(), tableId.table());
    }

// 将表名转为小写的源代码如下
private TableId toLowerCaseIfNeeded(TableId tableId) {
    return tableIdCaseInsensitive ? tableId.toLowercase() : tableId;
}

目前我们可以通过三种方法绕过该问题：

• 直接修改源码，将上述的 toLowercase 修改为 toUppercase。

• 在创建 Oracle Source Table 时，在 WITH 参数里面添加 'debezium.database.tablename.case.insensitive'='false' 配置，让其失去“大小写不敏感”特性，在table-name中需指定大写表名。

• 切换其他的 Oracle 版本。笔者这里使用 Oracle 12c 版本后正常。

其二：数据更新延迟问题  

笔者在手动向 Oracle 数据库写数据，通过在 IDEA 控制台打印输出数据时，发现当数据为追加写入（Append）时，数据会有大概 15s 的延时，当为更新写入（Upsert）时，出现的延时更大，有时需要 3-5分钟才能捕捉到数据的变化。对于该问题，Flink CDC FAQ 中给出了明确的解决方案，在创建 Oracle Source Table 时，在 WITH 参数里面添加如下两个配置项：

'debezium.log.mining.strategy'='online_catalog',
'debezium.log.mining.continuous.mine'='true'

其三：并行度设置问题  

笔者这里在尝试开启用并行度为 2 来进行数据读取时，发现报错如下：

Exception in thread "main" java.lang.IllegalArgumentException: The parallelism of non parallel operator must be 1.
  at org.apache.flink.util.Preconditions.checkArgument(Preconditions.java:138)
  at org.apache.flink.api.common.operators.util.OperatorValidationUtils.validateParallelism(OperatorValidationUtils.java:35)
  at org.apache.flink.streaming.api.datastream.DataStreamSource.setParallelism(DataStreamSource.java:114)
  at com.demo.OracleToKudu.main(OracleToKudu.java:67)

经过堆栈信息发现，Oracle CDC 的并行度只能设置为 1，与 Oracle CDC 官方文档 [6]一致。

// 报错代码部分
public static void validateParallelism(int parallelism, boolean canBeParallel) {
    Preconditions.checkArgument(canBeParallel || parallelism == 1, "The parallelism of non parallel operator must be 1.");
    Preconditions.checkArgument(parallelism > 0 || parallelism == -1, "The parallelism of an operator must be at least 1, or ExecutionConfig.PARALLELISM_DEFAULT (use system default).");
}

参考链接

1. VPC 帮助文档：https://cloud.tencent.com/document/product/215/36515  

2. EMR 控制台：https://console.cloud.tencent.com/emr/  

3. 创建 EMR 集群：https://cloud.tencent.com/document/product/589/10981  

4. Docker 安装包地址：https://download.docker.com/linux/static/stable/x86_64/

5. Oceanus Sink Kudu 总结：https://cloud.tencent.com/developer/article/1845785  

6. Oracle CDC 官方文档：https://ververica.github.io/flink-cdc-connectors/master/content/connectors/oracle-cdc.html  

流计算 Oceanus 限量秒杀专享活动火爆进行中