博客 技术干货|如何利用 ChunJun 实现数据离线同步?

技术干货|如何利用 ChunJun 实现数据离线同步?

   数栈君   发表于 2023-05-19 10:08  309  0

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


● 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


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


● 在 Yarn 上⾯启动 Flink Session

# 启动 Flink Sessionbash $FLINK_HOME/bin/yarn-session.sh -t $CHUNJUN_DIST -d


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


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。

http://dtstack-static.oss-cn-hangzhou.aliyuncs.com/2021bbs/files_user1/article/f02c6b69a099d269168ca638e05ea986..jpg


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),       ('ORD124'21021),       ('ORD125', 3, 103, 3),         ('ORD126', 1, 104, 1),       ('ORD127', 2, 105, 5);       select * from chunjun.orders;       


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


● 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;
-- 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


● 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 } } }}


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 } } }}


● 提交任务

bash chunjun/bin/chunjun-yarn-session.sh -job mysql_hdfs.json -confProp{\"yarn.application.id\":\"application_1683599622970_0270\"}


● 查看任务

http://dtstack-static.oss-cn-hangzhou.aliyuncs.com/2021bbs/files_user1/article/baeddf27f7326bc45e71b5ac0700005a..jpg
http://dtstack-static.oss-cn-hangzhou.aliyuncs.com/2021bbs/files_user1/article/2107089a96fd1c721d42884832f597fa..jpg


任务同步完成, 可以看⼀下 HDFS 上⾯的数据。

http://dtstack-static.oss-cn-hangzhou.aliyuncs.com/2021bbs/files_user1/article/7c58f6008b7c8f0113aa119205c8481b..jpg


查看⼀下 Hive 表的数据。

http://dtstack-static.oss-cn-hangzhou.aliyuncs.com/2021bbs/files_user1/article/5aa3b100b7a7ae21054fdf75ed031667..jpg


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;



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}
// 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); }}


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。

http://dtstack-static.oss-cn-hangzhou.aliyuncs.com/2021bbs/files_user1/article/91c85b9d3386d3ee12be8efaedbb1b9d..jpg

· 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/4w2atu

《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=bbs

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群」,交流最新开源技术信息,群号码:30537511,项目地址:
https://github.com/DTStack

0条评论
社区公告
  • 大数据领域最专业的产品&技术交流社区,专注于探讨与分享大数据领域有趣又火热的信息,专业又专注的数据人园地

最新活动更多
微信扫码获取数字化转型资料
钉钉扫码加入技术交流群