ChunJun 是⼀款稳定、易⽤、⾼效、批流⼀体的数据集成框架，基于计算引擎 Flink 实现多种异构数据源之间的数据同步与计算。ChunJun 可以把不同来源、格式、特点性质的数据在逻辑上或物理上有机地集中，从⽽为企业提供全⾯的数据共享，目前已在上千家公司部署且稳定运⾏。
在之前，我们曾经为大家介绍过如何利用 ChunJun 实现数据实时同步（点击看正文），本篇将为大家介绍姊妹篇，如何利⽤ ChunJun 实现数据的离线同步。
ChunJun 离线同步案例
离线同步是 ChunJun 的⼀个重要特性，下⾯以最通⽤的 mysql -> hive 的同步任务来介绍离线同步。
配置环境
找⼀个空⽬录，接下来要配置 Flink 和 ChunJun 的环境，下⾯以 /root/chunjun_demo/ 为例⼦。
● 配置 Flink
#下载 Flinkwget "http://archive.apache.org/dist/flink/flink-1.12.7/flink-1.12.7-bin-scala_2.12.tgz"tar -zxvf chunjun-dist.tar.gz
复制代码
● 配置 ChunJun
#下载 chunjun, 内部依赖 flink 1.12.7wget https://github.com/DTStack/chunjun/releases/download/v1.12.8/chunjun-dist-1.12-SNAPSHOT.tar.gz#新创建⼀个⽬录mkdir chunjun && cd chunjun#解压到指定⽬录tar -zxvf chunjun-dist-1.12-SNAPSHOT.tar.gz
复制代码
解压好的 ChunJun 有如下⽬录：binchunjun-distchunjun-exampleslib
● 配置环境变量
#配置 Flink 环境变量echo "FLINK_HOME=/root/chunjun_demo/flink-1.12.7" >> /etc/profile.d/sh.local#配置 Chunjun 的环境变量echo "CHUNJUN_DIST=/root/chunjun_demo/chunjun/chunjun-dist" >> /etc/profile.d/sh.local#刷新换新变量. /etc/profile.d/sh.local
复制代码
● 在 Yarn 上⾯启动 Flink Session
#启动 Flink Sessionbash $FLINK_HOME/bin/yarn-session.sh -t $CHUNJUN_DIST -d
复制代码
输出如下：
echo "stop" | $FLINK_HOME/bin/yarn-session.sh -id application_1683599622970_0270If this should not be possible, then you can also kill Flink via YARN's web interface or via:yarn application -kill application_1683599622970_0270
复制代码
下⾯提交任务会⽤到 Flink Session 这个 Yarn Application Id (application_1683599622970_0270)。
● 其他配置
如果⽤ parquet 格式，需要把 flink-parquet_2.12-1.12.7.jar 放⼊到 flink/lib 下⾯, 在上⾯的例⼦中，需要放到 $FLINK_HOME/lib ⾥⾯。
提交任务
● 在 MySQL 准备数据
-- 创建⼀个名为ecommerce_db的数据库，⽤于存储电商⽹站的数据CREATE DATABASE IF NOT EXISTS chunjun;USE chunjun;-- 创建⼀个名为orders的表，⽤于存储订单信息CREATE TABLE IF NOT EXISTS orders ( id INT AUTO_INCREMENT PRIMARY KEY, -- ⾃增主键 order_id VARCHAR(50) NOT NULL, -- 订单编号，不能为空 user_id INT NOT NULL, -- ⽤户ID，不能为空 product_id INT NOT NULL, -- 产品ID，不能为空 quantity INT NOT NULL, -- 订购数量，不能为空 order_date TIMESTAMP NOT NULL DEFAULT CURRENT_TIMESTAMP-- 订单⽇期，默认值为当前时间戳，不能为空);-- 插⼊⼀些测试数据到orders表INSERT INTO orders (order_id, user_id, product_id, quantity)VALUES ('ORD123', 1, 101, 2), ('ORD124', 2, 102, 1), ('ORD125', 3, 103, 3), ('ORD126', 1, 104, 1), ('ORD127', 2, 105, 5);
select * from chunjun.orders;
复制代码
如果没有 MySQL 的话，可以⽤ docker 快速创建⼀个。
docker pull mysql:8.0.12docker run --name mysql -p 3306:3306 -e MYSQL_ROOT_PASSWORD=123456 -d mysql:8.0.12
复制代码
● 创建 Hive 表
CREATE DATABASE IF NOT EXISTS chunjun;USE chunjun;-- 创建⼀个名为orders的表，⽤于存储订单信息CREATE TABLE IF NOT EXISTS chunjun.orders ( id INT, order_id VARCHAR(50), user_id INT, product_id INT, quantity INT, order_date TIMESTAMP) STORED AS PARQUET;
复制代码
-- 查看 hive 表，底层的 HDFS ⽂件位置，下⾯的 SQL 结果⾥⾯ Location 字段，就是 HDFS ⽂件的位置。desc formatted chunjun.orders;-- Location: hdfs://ns1/dtInsight/hive/warehouse/chunjun.db/orders-- ⼀会配置同步任务的时候会⽤到 hdfs://ns1/dtInsight/hive/warehouse/chunjun.db/orders
复制代码
● 在当前⽬录( /root/chunjun_demo/ ) 配置⼀个任务 mysql_hdfs.json
vim mysql_hdfs.json 输⼊如下内容：
{"job": {"content": [ {"reader": {"parameter": {"connection": [ {"schema": "chunjun","jdbcUrl": [ "jdbc:mysql://172.16.85.200:3306/chunjun" ],"table": [ "orders" ] } ],"username": "root","password": "123456","column": [ { "name": "id", "type": "INT" }, { "name": "order_id", "type": "VARCHAR" }, { "name": "user_id", "type": "INT" }, { "name": "product_id", "type": "INT" }, { "name": "quantity", "type": "INT" }, { "name": "order_date", "type": "TIMESTAMP" } ] },"name": "mysqlreader" },"writer": {"parameter": {"path": "hdfs://ns1/dtInsight/hive/warehouse/chunjun.db/orders","defaultFS": "hdfs://ns1","hadoopConfig": {"dfs.nameservices": "ns1","dfs.ha.namenodes.ns1": "nn1,nn2","dfs.namenode.rpc-address.ns1.nn1": "172.16.85.194:9000","dfs.namenode.rpc-address.ns1.nn2": "172.16.85.200:9000","dfs.client.failover.proxy.provider.ns1":"org.apache.hadoop.hdfs.server.namenode.ha.ConfiguredFailoverProxyProvider" },"column": [ { "name": "id", "type": "INT" }, { "name": "order_id", "type": "VARCHAR" }, { "name": "user_id", "type": "INT" }, { "name": "product_id", "type": "INT" }, { "name": "quantity", "type": "INT" }, { "name": "order_date", "type": "TIMESTAMP" } ],"writeMode": "overwrite","encoding": "utf-8","fileType": "parquet","fullColumnName": [ "id", "order_id", "user_id", "product_id", "quantity", "order_date"],"fullColumnType": [ "INT", "VARCHAR", "INT", "INT", "INT", "TIMESTAMP" ] },"name": "hdfswriter" } } ],"setting": {"errorLimit": {"record": 0 },"speed": {"bytes": 0,"channel": 1 } } }}
复制代码
因为我们要将 MySQL 同步到 Hive ⾥⾯，但是如果直接同步 Hive 的话，内部会⽤ jdbc，⽽ jdbc 的效率不⾼，因此我们可以直接把数据同步到 Hive 底层的 HDFS 上⾯，所以 writer ⽤到了 hdfswriter。脚本解析如下：
{"job": {"content": [ {"reader": {"parameter": {"connectionComment": "数据库链接, 数据库, 表, 账号, 密码","connection": [ {"schema": "chunjun","jdbcUrl": [ "jdbc:mysql://172.16.85.200:3306/chunjun" ],"table": [ "orders" ] } ],"username": "root","password": "123456","columnComment": "要同步的列选择, 可以选择部分列","column": [ { "name": "id", "type": "INT" }, { "name": "order_id", "type": "VARCHAR" }, { "name": "user_id", "type": "INT" }, { "name": "product_id", "type": "INT" }, { "name": "quantity", "type": "INT" }, { "name": "order_date", "type": "TIMESTAMP" } ] },"nameComment" : "source 是 mysql","name": "mysqlreader" },"writer": {"parameter": {"pathComment": "HDFS 上⾯的路径, 通过 hive 语句的 desc formatted 查看","path": "hdfs://ns1/dtInsight/hive/warehouse/chunjun.db/orders","defaultFS": "hdfs://ns1","hadoopConfigComment": "是 hdfs ⾼可⽤最基本的配置, 在 Hadoop 配置⽂件 hdfs-site.xml 可以找到","hadoopConfig": {"dfs.nameservices": "ns1","dfs.ha.namenodes.ns1": "nn1,nn2","dfs.namenode.rpc-address.ns1.nn1": "172.16.85.194:9000","dfs.namenode.rpc-address.ns1.nn2": "172.16.85.200:9000","dfs.client.failover.proxy.provider.ns1":"org.apache.hadoop.hdfs.server.namenode.ha.ConfiguredFailoverProxyProvider" },"columnComment": "要同步的列选择, 可以选择部分列","column": [ { "name": "id", "type": "INT" }, { "name": "order_id", "type": "VARCHAR" }, { "name": "user_id", "type": "INT" }, { "name": "product_id", "type": "INT" }, { "name": "quantity", "type": "INT" }, { "name": "order_date", "type": "TIMESTAMP" } ],"writeModeComment": "覆盖写⼊到 hdfs 上⾯的⽂件, 可选 overwrite, append(默认模式)","writeMode": "overwrite","encoding": "utf-8","fileTypeComment": "可选 orc, parquet, text","fileType": "parquet","fullColumnNameComment": "全部字段，有时候 column ⾥⾯同步部分字段，但是⼜需要有全部字段的格式，例如 fileType : text ","fullColumnName": [ "id", "order_id", "user_id", "product_id", "quantity", "order_date"], "fullColumnTypeComment": "全部字段的类型","fullColumnType": [ "INT", "VARCHAR", "INT", "INT", "INT", "TIMESTAMP" ] },"nameComment" : "sink 是 hdfs","name": "hdfswriter" } } ],"setting": {"errorLimit": {"record": 0 },"speed": {"bytes": 0,"channel": 1 } } }}
复制代码
● 提交任务
bash chunjun/bin/chunjun-yarn-session.sh -job mysql_hdfs.json -confProp{\"yarn.application.id\":\"application_1683599622970_0270\"}
复制代码
● 查看任务
任务同步完成, 可以看⼀下 HDFS 上⾯的数据。
查看⼀下 Hive 表的数据。
注意, 如果是分区的 Hive 表，需要⼿动刷新⼀下 Hive 的元数据, 使⽤ MSCK 命令。（MSCK 是 Hive 中的⼀个命令，⽤于检查表中的分区，并将其添加到 Hive 元数据中）
MSCK REPAIR TABLE my_table;
复制代码
ChunJun 离线同步原理解析
HDFS 文件同步原理
· 对于⽂件系统，同步的时候会先把⽂件写⼊到 path + [filename] ⽬录⾥⾯的 .data 的⽂件⾥⾯，如果任务失败，那么 .data ⾥⾯的⽂件不会⽣效。
· 在 TaskManager 上⾯所有 task 任务结束的时候，会在 JobManager 执⾏ FinalizeOnMaster 的 finalizeGlobal ⽅法, 最终会调⽤到 moveAllTmpDataFileToDir , 把 .data ⾥⾯的⽂件移除到 .data 的上⼀层。
public interface FinalizeOnMaster {
/**The method is invoked on the master (JobManager) after all (parallel) instances of an OutputFormat finished.Params:parallelism – The parallelism with which the format or functions was run.Throws:IOException – The finalization may throw exceptions, which may cause the job to abort.*/void finalizeGlobal(int parallelism) throws IOException; }
复制代码
// 在 JobManager 执⾏@Overrideprotected void moveAllTmpDataFileToDir() {if (fs == null) {openSource(); }String currentFilePath = "";try {Path dir = new Path(outputFilePath);Path tmpDir = new Path(tmpPath);
FileStatus[] dataFiles = fs.listStatus(tmpDir);for (FileStatus dataFile : dataFiles) {currentFilePath = dataFile.getPath().getName();fs.rename(dataFile.getPath(), dir);LOG.info("move temp file:{} to dir:{}", dataFile.getPath(), dir); }fs.delete(tmpDir, true); } catch (IOException e) {throw new ChunJunRuntimeException(String.format("can't move file:[%s] to dir:[%s]", currentFilePath, outputFilePath),e); }}
复制代码
增量同步
增量同步主要针对某些只有 Insert 操作的表，随着业务增⻓，表内数据越来越多。如果每次都同步整表的话，消耗的时间和资源会⽐较多。因此需要⼀个增量同步的功能，每次只读取增加部分的数据。
● 实现原理
其实现原理实际上就是配合增量键在查询的 sql 语句中拼接过滤条件，⽐如 where id > ? ，将之前已经读取过的数据过滤出去。
增量同步是针对于两个及以上的同步作业来说的。对于初次执⾏增量同步的作业⽽⾔，实际上是整表同步，不同于其他作业的在于增量同步作业会在作业执⾏完成后记录⼀个 endLocation 指标，并将这个指标上传到 prometheus 以供后续使⽤。
除第⼀次作业外，后续的所有增量同步作业都会取上⼀次作业的 endLocation 做为本次作业的过滤依据（startLocation）。⽐如第⼀次作业执⾏完后，endLocation 为 10，那么下⼀个作业就会构建出例如 SELECT id,name,age from table where id > 10 的 SQL 语句，达到增量读取的⽬的。
● 使用限制
· 只有 RDB 的 Reader 插件可以使⽤
· 通过构建 SQL 过滤语句实现，因此只能⽤于 RDB 插件
· 增量同步只关⼼读，不关⼼写，因此只与 Reader 插件有关
· 增量字段只能为数值类型和时间类型
· 指标需要上传到 prometheus，⽽ prometheus 不⽀持字符串类型，因此只⽀持数据类型和时间类型，时间类型会转换成时间戳后上传
· 增量键的值可以重复，但必须递增
· 由于使⽤ '>' 的缘故，要求字段必须递增
断点续传
断点续传是为了在离线同步的时候，针对⻓时间同步任务如超过 1 天，如果在同步过程中由于某些原因导致任务失败，从头再来的话成本⾮常⼤，因此需要⼀个断点续传的功能从任务失败的地⽅继续。
● 实现原理
· 基于 Flink 的 checkpoint，在 checkpoint 的时候 会存储 source 端最后⼀条数据的某个字段值，sink 端插件执⾏事务提交。
· 在任务失败，后续通过 checkpoint 重新运⾏时，source 端在⽣成 select 语句的时候将 state ⾥的值作为条件拼接进⾏数据的过滤，达到从上次失败位点进⾏恢复。
· jdbcInputFormat 在拼接读取 SQL 时，如果从 checkpoint 恢复的 state 不为空且 restoreColumn 不为空，则此时会将 checkpoint ⾥的 state 作为起点开始读取数据。
● 适用场景
通过上述原理我们可以知道 source 端必须是 RDB 类型插件，因为是通过 select 语句拼接 where 条件进⾏数据过滤达到断点续传的，同时断点续传需要指定⼀个字段作为过滤条件，且此字段要求是递增的。
· 任务需要开启 checkpoint
· reader 为 RDB 的插件均⽀持且 writer ⽀持事务的插件(如 rdb filesystem 等)，如果下游是幂等性则 writer 插件也不需要⽀持事务
· 作为断点续传的字段在源表⾥的数据是递增的，因为过滤条件是 >
《数据治理行业实践白皮书》下载地址：https://fs80.cn/380a4b
《数栈 V6.0 产品白皮书》下载地址：https://fs80.cn/cw0iw1
想了解或咨询更多有关袋鼠云大数据产品、行业解决方案、客户案例的朋友，浏览袋鼠云官网：https://www.dtstack.com/?src=szinfoq
同时，欢迎对大数据开源项目有兴趣的同学加入「袋鼠云开源框架钉钉技术 qun」，交流最新开源技术信息，qun 号码：30537511，项目地址：https://github.com/DTStack
评论