flink-cdc解析

(资料图片仅供参考)

要想深入学习，先去哥的GitHub上去下载源码：https://github.com/BaronND/flink-cdc-connectors

起源背景

数据库的更改对于客户端来说是没有感知的，你需要开启线程去查询，才知道数据有没有更新，但是就算是查询，如果是直接select * from ....,这样获取的结果还要和上次获取的结果对比，才知道数据有没有发生变化，耗时大。要想实时监控mysql数据，要用到mysql binlog日志处理流程，binlog里保存了mysql的DDL和DML，而且是追加模式的，很适合流失数据的处理。我们知道每个taskmanager都有两个网关：输入和输出。他们之间通过netty进行通讯，有了一个buffer数据就可以下发。Source机制其实就是类似，是append模式，是一条一条的追加，不是批处理那样一次全部加载后交给下游，所以他能支持的数据源就不多，而mysql的binglog刚好合适这样的一个模式。

例如canal监听binlog把日志写入到kafka中。Apache Flink实时消费Kakfa的数据实现mysql数据的同步或其他内容等。整体的处理链路较长，需要用到的组件也比较多。虽然kafka是能够用来解耦了，但是也会造成磁盘资源和时间的消耗。Apache Flink CDC可以直接从数据库获取到binlog供下游进行业务计算分析。简单来说链路会变成这样。也就是说数据不再通过canal与kafka进行同步，而flink直接进行处理mysql的数据。节省了canal与kafka的过程。

Flink 1.11中实现了mysql-cdc与postgre-CDC，也就是说在Flink 1.11中我们可以直接通过Flink来直接消费mysql,postgresql的数据进行业务的处理。替代了之前的canal+kafka节点.直接通过sql的方式来实现对mysql数据的同步。

CDC介绍CDC简介

CDC(Change Data Capture)变更数据获取的简称，使用CDC我们可以从数据库中获取已提交的更改并将这些更改发送到下游，供下游使用。它是一个比较广义的概念，只要能捕获变更的数据，我们都可以称为 CDC 。业界主要有基于查询的 CDC 和基于日志的 CDC ，目前flink支持两种内置的connector，PostgreSQL和mysql。应用场景有如下。

1.使用flink sql进行数据同步，可以将数据从一个数据同步到其他的地方，比如mysql、elasticsearch等。

2.可以在源数据库上实时的物化一个聚合视图

3.因为只是增量同步，所以可以实时的低延迟的同步数据

4.维表join

解决方案

业务系统经常会遇到需要更新数据到多个存储的需求。例如：一个订单系统刚刚开始只需要写入数据库即可完成业务使用。某天 BI 团队期望对数据库做全文索引，于是我们同时要写多一份数据到 ES 中，改造后一段时间，又有需求需要写入到 Redis 缓存中。

很明显这种模式是不可持续发展的，这种双写到各个数据存储系统中可能导致不可维护和扩展，数据一致性问题等，需要引入分布式事务，成本和复杂度也随之增加。我们可以通过 CDC（Change Data Capture）工具进行解除耦合，同步到下游需要同步的存储系统。通过这种方式提高系统的稳健性，也方便后续的维护。

Mysql案例分析

为了设置MySQL CDC连接器，下表提供了使用构建自动化工具（例如Maven或SBT）和带有SQL JAR捆绑包的SQL Client的两个项目的依赖项信息。

1、Maven依赖

com.alibaba.ververica

flink-connector-mysql-cdc

1.1.0

2、SQL客户端JAR

下载flink-sql-connector-mysql-cdc-1.1.0.jar并将其放在下/lib/。

创建MySQL用户

必须定义一个对Debezium MySQL连接器监视的所有数据库具有适当权限的MySQL用户。

mysql> CREATE USER "user"@"localhost" IDENTIFIED BY "password";

2、向用户授予所需的权限

mysql> GRANT SELECT, RELOAD, SHOW DATABASES, REPLICATION SLAVE, REPLICATION CLIENT ON *.* TO "user" IDENTIFIED BY "password";

3、最终确定用户的权限

mysql> FLUSH PRIVILEGES;

源码解析

其实最主要的就是用MySQLSource类build一个DebeziumSourceFunction出来，也就是MysqlSource就是一个Builder，包括table模块中的MysqlTableSource也会调用MysqlSource来build一个DebeziumSourceFunction，所以今天的主角就是DebeziumSourceFunction。因为上一篇博客flink connector源码分析分析过sourcefunction，所以我们就直接看open和run的逻辑，就不细节讲open和run是如何以及何时调用的，总结上一篇博客来说就是先回调用open初始化sourcefunction一些属性，run就是把数据拉取过来然后emit出去。

1、步骤分析

DebeziumSourceFunction中的open:可以看到open这里就是创建一个线程池，非常简单。接下来看看run:这些属性当然是为了给debenium使用。在他的run方法里创建了一个DebeziumChangeConsumer，以及用properties和DebeziumChangeConsumer创建了DebeziumEngine，最后用线程池来执行DebeziumEngine，但是看看DebeziumChangeConsumer和DebeziumEngine两个类，就知道这个sourcefunction很简单。DebeziumChangeConsumer类的实现接口只有一个方法handleBatch，可以看到这个逻辑非常简单，就是先把debenium获取到的cdc数据先反序列化一波，直接emit到下游了，那问题来了，handleBatch中的参数数据是如何获取的呢，既然是debenium获取的，而且只有一个DebeziumEngine（这个是个runnable）。那咱们就先看看DebeziumEngine，因为DebeziumEngine是debezium的组件跟flink没关系，刚才咱们知道DebeziumEngine是个Runnable（其实也是个接口，默认实现为EmbeddedEngine）。既然是runnable那就主要看看他的run方法。DebeziumEngine的run方法里首先会创建一个task，然后启动他，明显是启动task去获取任务。接下启动任务之后就会在循环里面poll数据，说明task里面肯定有一个组赛队列，接着handler会处理获取的数据，还记得刚才咱们说的DebeziumChangeConsumer吗，他就是咱们的handler呀，正好刚才咱们还愁着handleBatch中的参数从哪里来，现在看到了吧，就是从这里来。现在咱们知道原来数据是从task的阻塞队列里面的，那么，task启动之后肯定是把数据方法阻塞队列中了，基于这样的猜想咱们来看看task。这里咱们主要看看task的start做了啥task.start里第一个start不用看，第二个start是MySqlConnectorTask实现的，看类名明显知道这是处理mysql的，其实在start里面会创建好多Reader（BinlogReader用于增量获取，SnapshotReader用于第一次全量拉取），然后放到ChainedReader中。

2、核心逻辑总结

MySqlConnectorTask的ChainedReader包含多个Reader，这些reader就是用来获取全量数据和增量数据，这些数据会放进抽象类AbstractReader中的BlockingQueue中在Debezium的run方法中会从task中poll数据task会从Reader中的blockingQueue拿数据数据拿到之后会交给DebezinumConsumer，DebezinumConsumer会先反序列化数据，然后emit给下游MySQL CDC表的创建

1、Sql的方式：

-- register a MySQL table "orders" in Flink SQLCREATE TABLE orders (  order_id INT,  order_date TIMESTAMP(0),  customer_name STRING,  price DECIMAL(10, 5),  product_id INT,  order_status BOOLEAN) WITH (  "connector" = "mysql-cdc",  "hostname" = "localhost",  "port" = "3306",  "username" = "root",  "password" = "123456",  "database-name" = "mydb",  "table-name" = "orders");-- read snapshot and binlogs from orders tableSELECT * FROM orders;

2、Stream API：

import org.apache.flink.streaming.api.environment.StreamExecutionEnvironment;import org.apache.flink.streaming.api.functions.source.SourceFunction;import com.alibaba.ververica.cdc.debezium.StringDebeziumDeserializationSchema;import com.alibaba.ververica.cdc.connectors.mysql.MySQLSource;public class MySqlBinlogSourceExample {  public static void main(String[] args) throws Exception {    SourceFunctionsourceFunction = MySQLSource.builder()      .hostname("localhost")      .port(3306)      .databaseList("inventory") // monitor all tables under inventory database      .username("flinkuser")      .password("flinkpw")      .deserializer(new StringDebeziumDeserializationSchema()) // SourceRecord to String      .build();StreamExecutionEnvironment env = StreamExecutionEnvironment.getExecutionEnvironment();    env.addSource(sourceFunction) .print().setParallelism(1);    env.execute();  }}

特征和常见问题

1.特征：

1、Exactly-Once Processing 一次处理 MySQL CDC连接器是Flink Source连接器，它将首先读取数据库快照，然后即使发生故障，也将以完全一次的处理继续读取二进制日志。请阅读连接器如何执行数据库快照。

2、Single Thread Reading 单线程阅读 MySQL CDC源无法并行读取，因为只有一个任务可以接收Binlog事件。

2.常见问题：

1、如何跳过快照并仅从binlog中读取？可以通过选项进行控制debezium.snapshot.mode，您可以将其设置为：

never：指定连接永远不要使用快照，并且在第一次使用逻辑服务器名称启动时，连接器应该从binlog的开头读取；请谨慎使用，因为只有在binlog保证包含数据库的整个历史记录时才有效。

schema_only：如果自连接器启动以来不需要数据的连续快照，而只需要它们进行更改，则可以使用该schema_only选项，其中连接器仅对模式（而不是数据）进行快照。

2、如何读取包含多个表（例如user_00，user_01，...，user99）的共享数据库？该table-name选项支持正则表达式以监视多个与正则表达式匹配的表。因此，您可以设置table-name为user.*监视所有user_前缀表。database-name选项相同。请注意，共享表应该在相同的架构中。

3、ConnectException：收到用于处理的DML"..."，binlog可能包含使用语句或基于混合的复制格式生成的事件 如果有上述异常，请检查是否binlog_format为ROW，您可以通过show variables like "%binlog_format%"在MySQL客户端中运行来进行检查。请注意，即使binlog_format您的数据库配置为ROW，也可以通过其他会话更改此配置，例如SET SESSION binlog_format="MIXED"; SET SESSION tx_isolation="REPEATABLE-READ"; COMMIT;。还请确保没有其他会话正在更改此配置

代码demo

package com.flink.java.cdc.mysql;import com.alibaba.ververica.cdc.connectors.mysql.MySQLSource;import com.alibaba.ververica.cdc.debezium.StringDebeziumDeserializationSchema;import org.apache.flink.streaming.api.environment.StreamExecutionEnvironment;import org.apache.flink.streaming.api.functions.source.SourceFunction;public class MySqlBinlogDemo {    public static void main(String[] args) {        SourceFunctionsourceFunction = MySQLSource.builder()                .hostname("192.168.100.1")                .port(3306)                // 监视库存数据库下的所有表//                .databaseList("test")                .tableList("test.user_test")                .username("root")                .password("123456")                // 将SourceRecord转换为String                .deserializer(new StringDebeziumDeserializationSchema())                .build();        StreamExecutionEnvironment env = StreamExecutionEnvironment.getExecutionEnvironment();//        StreamExecutionEnvironment env = StreamExecutionEnvironment.createLocalEnvironmentWithWebUI(new Configuration());        // 对接收器使用并行性1以保持消息顺序        env.addSource(sourceFunction).print().setParallelism(1);        try {            env.execute();        } catch (Exception e) {            e.printStackTrace();        }    }}

2.mysql

package com.flink.java.cdc.mysql;import com.alibaba.ververica.cdc.connectors.mysql.MySQLSource;import org.apache.flink.connector.jdbc.JdbcOutputFormat;import org.apache.flink.connector.jdbc.internal.GenericJdbcSinkFunction;import org.apache.flink.streaming.api.datastream.DataStreamSource;import org.apache.flink.streaming.api.environment.StreamExecutionEnvironment;import org.apache.flink.streaming.api.functions.sink.SinkFunction;import org.apache.flink.streaming.api.functions.source.SourceFunction;import org.apache.flink.types.Row;import java.sql.Types;public class Mysql2Mysql {    public static void main(String[] args) {        StreamExecutionEnvironment env = StreamExecutionEnvironment.getExecutionEnvironment();        env.setParallelism(1);        SourceFunctionsourceFunction = MySQLSource.builder()                .hostname("192.168.100.1")                .port(3306)                .tableList("test.user_test2")                .username("root")                .password("123456")                // 将SourceRecord转换为Row                .deserializer(new DebeziumDeserialization())                .build();        DataStreamSourcestreamSource = env.addSource(sourceFunction);//        String query = "INSERT INTO test.user_test(id,name) VALUES (?,?) on duplicate key update id=VALUES(id);";        String query = "INSERT INTO test.user_test(id,name) VALUES (?,?) on duplicate key update id=VALUES(id);";        JdbcOutputFormat jdbcOutputFormat = JdbcOutputFormat.buildJdbcOutputFormat()                .setDrivername("com.mysql.cj.jdbc.Driver")                .setDBUrl("jdbc:mysql://192.168.100.1:3306/test?useUnicode=true&characterEncoding=utf8&useSSL=false")                .setUsername("root")                .setPassword("123456")                .setQuery(query)                .setSqlTypes(new int[]{Types.VARCHAR, Types.VARCHAR})                .setBatchSize(1)                .finish();        streamSource.print();        SinkFunctionjdbcSinkFunction = new GenericJdbcSinkFunction<>(jdbcOutputFormat);        streamSource.addSink(jdbcSinkFunction);        try {            env.execute();        } catch (Exception e) {            e.printStackTrace();        }    }}

package com.flink.java.cdc.mysql;import com.alibaba.ververica.cdc.debezium.DebeziumDeserializationSchema;import org.apache.flink.api.common.typeinfo.BasicTypeInfo;import org.apache.flink.api.common.typeinfo.TypeInformation;import org.apache.flink.types.Row;import org.apache.flink.util.Collector;import org.apache.kafka.connect.data.Schema;import org.apache.kafka.connect.data.Struct;import org.apache.kafka.connect.header.Headers;import org.apache.kafka.connect.source.SourceRecord;import java.util.Map;public class DebeziumDeserialization implements DebeziumDeserializationSchema{    private static final long serialVersionUID = -3168848963265670603L;    @Override    public void deserialize(SourceRecord record, Collectorout) throws Exception {        //SourceRecord        MapsourcePartition = record.sourcePartition();        MapsourceOffset = record.sourceOffset();        //ConnectRecord        Object value = record.value();        Row row = new Row(2);        Struct struct = (Struct) value;        struct = struct.getStruct("after");        //id,name        String id = struct.getString("id");        String name = struct.getString("name");        row.setField(0, id);        row.setField(1, name);        out.collect(row);    }    @Override    public TypeInformationgetProducedType() {        return BasicTypeInfo.of(Row.class);    }}

需要额外加入的依赖

mysqlmysql-connector-java8.0.22        org.apache.flinkflink-avro-confluent-registry1.11.1com.alibaba.ververicaflink-connector-mysql-cdc1.1.0