flink教程-详解flink 1.11 中的CDC (Change Data Capture)

2020-09-15 14:20:05 浏览数 (1)
  • CDC简介
  • Canal
  • CanalJson反序列化源码解析

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。这些变更可以包括INSERT,DELETE,UPDATE等，

用户可以在以下的场景下使用CDC：

  • 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。
  • 可以在源数据库上实时的物化一个聚合视图
  • 因为只是增量同步，所以可以实时的低延迟的同步数据
  • 使用EventTime join 一个temporal表以便可以获取准确的结果

flink 1.11 将这些changelog提取并转化为table apa和sql，目前支持两种格式：Debezium和Canal，这就意味着源表不仅仅是append操作，而且还有upsert、delete操作。

image

Canal

接下来我们使用canal为例简单介绍下CDC的使用

canal 格式：

代码语言：javascript复制
{
  "data": [
    {
      "id": "13",
      "username": "13",
      "password": "6BB4837EB74329105EE4568DDA7DC67ED2CA2AD9",
      "name": "Canal Manager V2"
    }
  ],
  "old": [
    {
      "id": "13",
      "username": "13",
      "password": "6BB4837EB74329105EE4568DDA7DC67ED2CA2AD9",
      "name": "Canal Manager"
    }
  ],
  "database": "canal_manager",
  "es": 1568972368000,
  "id": 11,
  "isDdl": false,
  "mysqlType": {...},
  "pkNames": [
    "id"
  ],
  "sql": "",
  "sqlType": {...},
  "table": "canal_user",
  "ts": 1568972369005,
  "type": "UPDATE"
}

简单讲下几个核心的字段:

  • type : 描述操作的类型，包括‘UPDATE’, 'INSERT', 'DELETE'。
  • data : 代表操作的数据。如果为'INSERT'，则表示行的内容；如果为'UPDATE'，则表示行的更新后的状态；如果为'DELETE'，则表示删除前的状态。
  • old ：可选字段，如果存在，则表示更新之前的内容，如果不是update操作，则为 null。

完整的语义如下;

代码语言：javascript复制
    private String                    destination;                            // 对应canal的实例或者MQ的topic
    private String                    groupId;                                // 对应mq的group id
    private String                    database;                               // 数据库或schema
    private String                    table;                                  // 表名
    private List<String>              pkNames;
    private Boolean                   isDdl;
    private String                    type;                                   // 类型: INSERT UPDATE DELETE
    // binlog executeTime
    private Long                      es;                                     // 执行耗时
    // dml build timeStamp
    private Long                      ts;                                     // 同步时间
    private String                    sql;                                    // 执行的sql, dml sql为空
    private List<Map<String, Object>> data;                                   // 数据列表
    private List<Map<String, Object>> old;                                    // 旧数据列表, 用于update, size和data的size一一对应
代码语言：javascript复制
-- 定义的字段和data 里面的数据想匹配 
CREATE TABLE my_table (
  id BIGINT,
  name STRING,
  description STRING,
  weight DECIMAL(10, 2)
) WITH (
 'connector' = 'kafka',
 'topic' = 'products_binlog',
 'properties.bootstrap.servers' = 'localhost:9092',
 'properties.group.id' = 'testGroup',
 'canal-json.ignore-parse-errors'='true' -- 忽略解析错误，缺省值false
);

CanalJson反序列化源码解析

canal 格式也是作为一种flink的格式，而且是source，所以也就是涉及到读取数据的时候进行反序列化，我们接下来就简单看看CanalJson的反序列化的实现。具体的实现类是CanalJsonDeserializationSchema。

我们看下这个最核心的反序列化方法：

代码语言：javascript复制
 @Override
 public void deserialize(byte[] message, Collector<RowData> out) throws IOException {
  try {
      //使用json反序列化器将message反序列化成RowData
   RowData row = jsonDeserializer.deserialize(message);
   
   //获取type字段，用于下面的判断
   String type = row.getString(2).toString();
   if (OP_INSERT.equals(type)) {
    // 如果操作类型是insert，则data数组表示的是要插入的数据，则循环遍历data，然后添加一个标识INSERT，构造RowData对象，发送下游。
    ArrayData data = row.getArray(0);
    for (int i = 0; i < data.size(); i  ) {
     RowData insert = data.getRow(i, fieldCount);
     insert.setRowKind(RowKind.INSERT);
     out.collect(insert);
    }
   } else if (OP_UPDATE.equals(type)) {
    // 如果是update操作，从data字段里获取更新后的数据、
    ArrayData data = row.getArray(0);
    // old字段获取更新之前的数据
    ArrayData old = row.getArray(1);
    for (int i = 0; i < data.size(); i  ) {
     // the underlying JSON deserialization schema always produce GenericRowData.
     GenericRowData after = (GenericRowData) data.getRow(i, fieldCount);
     GenericRowData before = (GenericRowData) old.getRow(i, fieldCount);
     for (int f = 0; f < fieldCount; f  ) {
      if (before.isNullAt(f)) {
       //如果old字段非空，则说明进行了数据的更新，如果old字段是null，则说明更新前后数据一样，这个时候把before的数据也设置成after的，也就是发送给下游的before和after数据一样。
       before.setField(f, after.getField(f));
      }
     }
     before.setRowKind(RowKind.UPDATE_BEFORE);
     after.setRowKind(RowKind.UPDATE_AFTER);
     //把更新前后的数据都发送下游
     out.collect(before);
     out.collect(after);
    }
   } else if (OP_DELETE.equals(type)) {
    // 如果是删除操作，data字段里包含将要被删除的数据，把这些数据组织起来发送给下游
    ArrayData data = row.getArray(0);
    for (int i = 0; i < data.size(); i  ) {
     RowData insert = data.getRow(i, fieldCount);
     insert.setRowKind(RowKind.DELETE);
     out.collect(insert);
    }
   } else {
    if (!ignoreParseErrors) {
     throw new IOException(format(
      "Unknown "type" value "%s". The Canal JSON message is '%s'", type, new String(message)));
    }
   }
  } catch (Throwable t) {
   // a big try catch to protect the processing.
   if (!ignoreParseErrors) {
    throw new IOException(format(
     "Corrupt Canal JSON message '%s'.", new String(message)), t);
   }
  }
 }

参考资料： [1].https://cwiki.apache.org/confluence/pages/viewpage.action?pageId=147427289 [2].https://flink.apache.org/news/2020/07/06/release-1.11.0.html#table-apisql-support-for-change-data-capture-cdc

文件存储 flink 大数据 sql 数据库

0 人点赞