全部產品
Search
文件中心

Data Lake Formation:Flink VVP+DLF資料入湖與分析實踐

更新時間:Oct 25, 2024

資料湖構建(DLF)可以結合阿里雲Realtime ComputeFlink版(Flink VVP),以及Flink CDC相關技術,實現靈活定製化的資料入湖。並利用DLF統一中繼資料管理、許可權管理等能力,實現資料湖多引擎分析、資料湖管理等功能。本文為您介紹Flink+DLF資料湖方案具體步驟。

背景資訊

阿里雲Realtime ComputeFlink版是一套基於Apache Flink構建的即時巨量資料分析平台,支援多種資料來源和結果表類型。Flink任務可以利用資料湖統一儲存的優勢,使用Hudi結果表或Iceberg結果表,將作業的結果輸出到資料湖中,實現資料湖分析。在寫入資料湖的過程中,Flink可以通過設定DLF Catalog,將表的中繼資料同步到資料湖構建(DLF)中。依託資料湖構建產品(DLF)提供的企業級統一中繼資料能力,Flink+DLF方案可以實現寫入的資料湖表無縫對接阿里雲上的計算引擎,如EMR、MaxCompute、Hologres等。也可以通過DLF提供的豐富的資料湖管理能力,實現資料湖生命週期管理和湖格式的最佳化。

前提條件

  • 已開通Realtime ComputeFlink版,建立Flink全託管工作空間。

  • 已開通阿里雲資料湖構建(DLF)服務。如果您沒有開通,則可以在DLF產品首頁,單擊開通

  • 本文以MySQL資料來源為例,需要建立RDS MySQL,詳情請參見建立RDS MySQL執行個體。如果使用其他資料來源入湖可忽略。

重要

建立的RDS MySQL需要和Realtime ComputeFlink版在同一個地區同一個VPC內,RDS MySQL須為5.7及以上版本。

操作流程

步驟一:準備MySQL資料

  1. 登入準備好的MySQL執行個體,詳情請參見通過DMS登入RDS MySQL

  2. 執行如下命令,建立一張表,並插入若干測試資料。

    CREATE DATABASE testdb;
    CREATE TABLE testdb.student (
      `id` bigint(20) NOT NULL,
      `name` varchar(256) DEFAULT NULL,
      `age` bigint(20) DEFAULT NULL,
      PRIMARY KEY (`id`)
    );
    
    INSERT INTO testdb.student VALUES (1,'name1',10);
    INSERT INTO testdb.student VALUES (2,'name2',20);

步驟二:Flink建立DLF Catalog

  1. 登入Realtime Compute管理主控台

  2. 進入建立Catalog頁面。

    1. Flink全託管頁簽,單擊目標工作空間操作列下的控制台

    2. 在左側導覽列,單擊中繼資料管理

    3. 單擊建立Catalog

  3. 建立DLF Catalog。

    1. 建立Catalog頁面,選擇DLF,單擊下一步

    2. 填寫以下參數配置資訊,單擊確定。詳情請參見管理DLF Catalog

    image

    當您成功建立DLF之後,可在中繼資料管理中看到新增的dlf資料目錄,預設連結的是DLF的default資料目錄。

    image

步驟三:建立Flink入湖作業

  1. 登入Realtime Compute管理主控台

  2. Flink全託管頁簽,單擊目標工作空間操作列下的控制台

  3. 建立資料來源表和目標表。

    1. 在左側導覽列,單擊資料開發 > 資料查詢

    2. 在SQL編輯地區,輸入以下代碼,單擊運行

      -- 建立資料來源表
      CREATE TABLE IF NOT EXISTS student_source (
        id INT,
        name VARCHAR (256),
        age INT,
        PRIMARY KEY (id) NOT ENFORCED
      )
      WITH (
        'connector' = 'mysql-cdc',
        -- hostname替換為RDS的串連地址
        'hostname' = 'rm-xxxxxxxx.mysql.rds.aliyuncs.com',
        'port' = '3306',
        'username' = '<RDS user name>',
        'password' = '<RDS password>',
        'database-name' = '<RDS database>',
        -- table-name為資料來源表,本例中填步驟二建立的student表
        'table-name' = 'student'
      );
      
      -- catalog名為步驟二建立的dlf catalog name,本例中填dlf
      CREATE DATABASE IF NOT EXISTS dlf.dlf_testdb;
      
      -- 建立目標表
      CREATE TABLE IF NOT EXISTS dlf.dlf_testdb.student_hudi (
        id    BIGINT PRIMARY KEY NOT ENFORCED,
        name  STRING,
        age    BIGINT
      ) WITH(
        'connector' = 'hudi'
      );

      建立成功後,可在中繼資料管理中看到新增的資料來源表和目標表。

      image

  4. 建立Flink SQL入湖作業。

    1. 在左側導覽列,單擊資料開發 > ETL

    2. 單擊建立後,在新增作業草稿對話方塊,選擇空白的流作業草稿,單擊下一步

    3. 填寫作業資訊,單擊建立

    4. SQL編輯地區,輸入以下代碼,建立一個Flink SQL作業。

      -- 建立流SQL作業
      INSERT INTO dlf.dlf_testdb.student_hudi SELECT * FROM student_source  /*+ OPTIONS('server-id'='123456') */;
      說明
    5. 在SQL編輯地區右上方,單擊部署部署新版本對話方塊,可根據需要填寫或選中相關內容,單擊確定

  5. 啟動作業。

    1. 在左側導覽列,單擊營運中心 > 作業營運

    2. 單擊目標作業名稱操作列中的啟動

      選擇無狀態啟動後,單擊啟動。當您看到作業狀態變為運行中,則代表作業運行正常。作業啟動參數配置,詳情請參見作業啟動

步驟四:使用DLF資料湖分析

  1. 在左側導覽列,單擊資料開發 > 資料查詢

  2. 在SQL編輯地區,輸入以下代碼,單擊運行

    SELECT * FROM dlf.dlf_testdb.student_hudi;

    查詢結果如下圖所示,可以直接對Flink寫入資料湖的資料進行查詢和分析

    image

說明

如果您購買了EMR叢集,並且開啟了資料湖DLF中繼資料,也可以直接通過EMR叢集對Flink入湖結果進行資料湖分析,參考Hudi與Spark SQL整合

相關資料

如果您想要通過EMR DataFlow叢集的Flink讀寫DLF,請參考文章通過資料湖中繼資料DLF讀寫Hudi