ApsaraDB for SelectDB：通過Flink匯入資料

功能簡介

Flink Doris Connector是一個用於Apache Flink和Apache Doris之間的連接器，它允許使用者在Flink中讀取Doris資料和寫入資料到Doris，從而為即時資料處理和分析提供了支援。由於SelectDB完全相容Apache Doris，所以Flink Doris Connector也是SelectDB流式匯入資料的常用方式。

Flink的流處理能力，基於Source、Transform和Sink三個組件。各個組件功能如下：

• Source（資料來源）：

  • 作用：Source是Flink資料流的入口，用於從外部系統讀取資料流。這些外部系統可能包括訊息佇列（如Apache Kafka）、資料庫、檔案系統等。

  • 樣本：使用Kafka作為資料來源讀取即時訊息，或者從檔案中讀取資料。

• Transform（資料轉換）：

  • 作用：Transform階段負責對輸入的資料流進行處理和轉換。這些轉換操作可以是過濾、映射、彙總、視窗操作等。

  • 樣本：對輸入資料流進行映射操作，將輸入的資料結構轉換成另一種形式，或對資料進行彙總，計算每分鐘的某個指標等。

• Sink（資料匯）：

  • 作用：Sink是Flink資料流的出口，用於將處理後的資料輸出到外部系統。Sink可以將資料寫入資料庫、檔案、訊息佇列等。

  • 樣本：將處理後的結果寫入MySQL資料庫，或者將資料發送到另一個Kafka主題。

通過Flink Doris Connector將資料匯入至SelectDB，各資料的流向如下圖所示。

前提條件

• 資料來源、Fink與SelectDB網路互連：

  1. 為ApsaraDB for SelectDB執行個體申請公網地址。具體操作，請參見申請和釋放公網地址。

     如果您的Flink與資料來源均為阿里雲產品，或者均部署在阿里雲伺服器上，且阿里雲產品或阿里雲伺服器與ApsaraDB for SelectDB執行個體位於同一VPC下，跳過此步驟。

  2. 將Flink以及資料來源的相關IP添加至ApsaraDB for SelectDB的白名單。具體操作，請參見設定白名單。

• Flink已引入與Flink Doris Connector。

  Flink與Flink Doris Connector版本要求如下：

  Flink版本	Flink Doris Connector版本	下載地址
  阿里雲Realtime ComputeFlink版：大於或等於1.17 開源版：大於或等於1.15	1.5.2及以上版本	Flink Doris Connector

  Flink如何引入Flink Doris Connector，請參見如何引入Flink Doris Connector。

如何引入Flink Doris Connector

根據您的實際情況，引入Flink Doris Connector。

• 如果您的是通過阿里雲Realtime ComputeFlink版匯入資料至SelectDB，您可以通過自訂連接器來上傳、使用和更新Flink Doris Connector。如何使用自訂連接器，請參見管理自訂連接器。

• 如果您的Flink叢集是自建的開源版叢集，您需要下載對應Flink Doris Connector版本的JAR包，並放置在Flink安裝目錄的lib目錄下。JAR包下載地址，請參見JAR包。

• 如果您需要以Maven的方式引入Flink Doris Connector，需在專案的依賴設定檔中添加以下代碼。更多版本，請參見Maven倉庫。

  <!-- flink-doris-connector -->
  <dependency>
    <groupId>org.apache.doris</groupId>
    <artifactId>flink-doris-connector-1.16</artifactId>
    <version>1.5.2</version>
  </dependency>  

使用樣本

環境準備

通過Flink SQL方式匯入資料

1. 啟動Flink SQL Client服務。

   在Flink安裝目錄的bin目錄下，執行以下指令。

   ./sql-client.sh

2. 在Flink SQL Client上提交Flink任務，具體步驟如下。

   1. 建立MySQL源表。

      下述語句中，WITH後面的配置項為MySQL CDC Source的資訊，配置項詳情，請參見MySQL | Apache Flink CDC。

      CREATE TABLE employees_source (
          emp_no INT,
          birth_date DATE,
          first_name STRING,
          last_name STRING,
          gender STRING,
          hire_date DATE,
          PRIMARY KEY (`emp_no`) NOT ENFORCED
      ) WITH (
          'connector' = 'mysql-cdc',
          'hostname' = '127.0.0.1', 
          'port' = '3306',
          'username' = 'root',
          'password' = '****',
          'database-name' = 'test',
          'table-name' = 'employees'
      );

   2. 建立SelectDB結果表。

      下述語句中，WITH後面的配置項為SelectDB的資訊，配置項詳情，請參見Sink配置項。

      CREATE TABLE employees_sink (
          emp_no       INT ,
          birth_date   DATE,
          first_name   STRING,
          last_name    STRING,
          gender       STRING,
          hire_date    DATE
      ) 
      WITH (
        'connector' = 'doris',
        'fenodes' = 'selectdb-cn-****.selectdbfe.rds.aliyuncs.com:8080',
        'table.identifier' = 'test.employees',
        'username' = 'admin',
        'password' = '****'
      );

   3. 同步MySql源表資料至SelectDB結果表。

      INSERT INTO employees_sink SELECT * FROM employees_source;

3. 查看資料匯入結果。

   串連SelectDB，執行以下語句，查看資料匯入結果。

   SELECT * FROM test.employees;

通過Flink CDC方式

以下介紹如何使用Flink CDC將資料庫的資料匯入至SelectDB。

在Flink安裝目錄下，通過flink程式執行Flink CDC，文法如下：

<FLINK_HOME>/bin/flink run \
    -Dexecution.checkpointing.interval=10s \
    -Dparallelism.default=1 \
    -c org.apache.doris.flink.tools.cdc.CdcTools \
    lib/flink-doris-connector-1.16-1.5.2.jar \
    <mysql-sync-database|oracle-sync-database|postgres-sync-database|sqlserver-sync-database> \
    --database <selectdb-database-name> \
    [--job-name <flink-job-name>] \
    [--table-prefix <selectdb-table-prefix>] \
    [--table-suffix <selectdb-table-suffix>] \
    [--including-tables <mysql-table-name|name-regular-expr>] \
    [--excluding-tables <mysql-table-name|name-regular-expr>] \
    --mysql-conf <mysql-cdc-source-conf> [--mysql-conf <mysql-cdc-source-conf> ...] \
    --oracle-conf <oracle-cdc-source-conf> [--oracle-conf <oracle-cdc-source-conf> ...] \
    --sink-conf <doris-sink-conf> [--table-conf <doris-sink-conf> ...] \
    [--table-conf <selectdb-table-conf> [--table-conf <selectdb-table-conf> ...]]

參數說明

Sink配置項

同步樣本

<FLINK_HOME>/bin/flink run \
    -Dexecution.checkpointing.interval=10s \
    -Dparallelism.default=1 \
    -c org.apache.doris.flink.tools.cdc.CdcTools \
    lib/flink-doris-connector-1.16-1.5.2.jar \
    oracle-sync-database \
    --database test_db \
    --oracle-conf hostname=127.0.0.1 \
    --oracle-conf port=1521 \
    --oracle-conf username=admin \
    --oracle-conf password="password" \
    --oracle-conf database-name=XE \
    --oracle-conf schema-name=ADMIN \
    --including-tables "tbl1|test.*" \
    --sink-conf fenodes=selectdb-cn-****.selectdbfe.rds.aliyuncs.com:8080 \
    --sink-conf username=admin \
    --sink-conf password=****

<FLINK_HOME>/bin/flink run \
    -Dexecution.checkpointing.interval=10s \
    -Dparallelism.default=1 \
    -c org.apache.doris.flink.tools.cdc.CdcTools \
    lib/flink-doris-connector-1.16-1.5.2.jar \
    oracle-sync-database \
    --database test_db \
    --oracle-conf hostname=127.0.0.1 \
    --oracle-conf port=1521 \
    --oracle-conf username=admin \
    --oracle-conf password="password" \
    --oracle-conf database-name=XE \
    --oracle-conf schema-name=ADMIN \
    --including-tables "tbl1|test.*" \
    --sink-conf fenodes=selectdb-cn-****.selectdbfe.rds.aliyuncs.com:8080 \
    --sink-conf username=admin \
    --sink-conf password=****

<FLINK_HOME>/bin/flink run \
    -Dexecution.checkpointing.interval=10s \
    -Dparallelism.default=1 \
    -c org.apache.doris.flink.tools.cdc.CdcTools \
    lib/flink-doris-connector-1.16-1.5.2.jar \
    postgres-sync-database \
    --database db1\
    --postgres-conf hostname=127.0.0.1 \
    --postgres-conf port=5432 \
    --postgres-conf username=postgres \
    --postgres-conf password="123456" \
    --postgres-conf database-name=postgres \
    --postgres-conf schema-name=public \
    --postgres-conf slot.name=test \
    --postgres-conf decoding.plugin.name=pgoutput \
    --including-tables "tbl1|test.*" \
    --sink-conf fenodes=selectdb-cn-****.selectdbfe.rds.aliyuncs.com:8080 \
    --sink-conf username=admin \
    --sink-conf password=****

<FLINK_HOME>/bin/flink run \
    -Dexecution.checkpointing.interval=10s \
    -Dparallelism.default=1 \
    -c org.apache.doris.flink.tools.cdc.CdcTools \
    lib/flink-doris-connector-1.16-1.5.2.jar \
    sqlserver-sync-database \
    --database db1\
    --sqlserver-conf hostname=127.0.0.1 \
    --sqlserver-conf port=1433 \
    --sqlserver-conf username=sa \
    --sqlserver-conf password="123456" \
    --sqlserver-conf database-name=CDC_DB \
    --sqlserver-conf schema-name=dbo \
    --including-tables "tbl1|test.*" \
    --sink-conf fenodes=selectdb-cn-****.selectdbfe.rds.aliyuncs.com:8080 \
    --sink-conf username=admin \
    --sink-conf password=****

通過DataStream方式

1. 在Maven專案中，引入相關依賴。

   相關Maven依賴

   <properties>
           <maven.compiler.source>8</maven.compiler.source>
           <maven.compiler.target>8</maven.compiler.target>
           <project.build.sourceEncoding>UTF-8</project.build.sourceEncoding>
           <scala.version>2.12</scala.version>
           <java.version>1.8</java.version>
           <flink.version>1.16.3</flink.version>
           <fastjson.version>1.2.62</fastjson.version>
           <scope.mode>compile</scope.mode>
       </properties>
       <dependencies>
           <!-- https://mvnrepository.com/artifact/com.google.guava/guava -->
           <dependency>
               <groupId>com.google.guava</groupId>
               <artifactId>guava</artifactId>
               <version>28.1-jre</version>
           </dependency>
   
           <dependency>
               <groupId>org.apache.commons</groupId>
               <artifactId>commons-lang3</artifactId>
               <version>3.14.0</version>
           </dependency>
   
           <dependency>
               <groupId>org.apache.doris</groupId>
               <artifactId>flink-doris-connector-1.16</artifactId>
               <version>1.5.2</version>
           </dependency>
   
           <dependency>
               <groupId>org.apache.flink</groupId>
               <artifactId>flink-table-api-scala-bridge_${scala.version}</artifactId>
               <version>${flink.version}</version>
           </dependency>
           <dependency>
               <groupId>org.apache.flink</groupId>
               <artifactId>flink-table-planner_${scala.version}</artifactId>
               <version>${flink.version}</version>
           </dependency>
           <dependency>
               <groupId>org.apache.flink</groupId>
               <artifactId>flink-streaming-scala_${scala.version}</artifactId>
               <version>${flink.version}</version>
           </dependency>
           <dependency>
               <groupId>org.apache.flink</groupId>
               <artifactId>flink-clients</artifactId>
               <version>${flink.version}</version>
           </dependency>
           <dependency>
               <groupId>org.apache.flink</groupId>
               <artifactId>flink-connector-jdbc</artifactId>
               <version>${flink.version}</version>
           </dependency>
           <dependency>
               <groupId>org.apache.flink</groupId>
               <artifactId>flink-connector-kafka</artifactId>
               <version>${flink.version}</version>
           </dependency>
           <dependency>
               <groupId>org.apache.doris</groupId>
               <artifactId>flink-doris-connector-1.16</artifactId>
               <version>1.5.2</version>
           </dependency>
   
           <dependency>
               <groupId>com.ververica</groupId>
               <artifactId>flink-sql-connector-mysql-cdc</artifactId>
               <version>2.4.2</version>
               <exclusions>
                   <exclusion>
                       <artifactId>flink-shaded-guava</artifactId>
                       <groupId>org.apache.flink</groupId>
                   </exclusion>
               </exclusions>
           </dependency>
   
           <dependency>
               <groupId>org.apache.flink</groupId>
               <artifactId>flink-runtime-web</artifactId>
               <version>${flink.version}</version>
           </dependency>
   
       </dependencies>

2. Java核心代碼。

   下述代碼中，MySql源表配置與SelectDB結果表配置的參數，與上述通過Flink SQL方式匯入資料中的配置一一對應，詳情請參見MySQL | Apache Flink CDC與Sink配置項。

   package org.example;
   
   import com.ververica.cdc.connectors.mysql.source.MySqlSource;
   import com.ververica.cdc.connectors.mysql.table.StartupOptions;
   import com.ververica.cdc.connectors.shaded.org.apache.kafka.connect.json.JsonConverterConfig;
   import com.ververica.cdc.debezium.JsonDebeziumDeserializationSchema;
   
   import org.apache.doris.flink.cfg.DorisExecutionOptions;
   import org.apache.doris.flink.cfg.DorisOptions;
   import org.apache.doris.flink.sink.DorisSink;
   import org.apache.doris.flink.sink.writer.serializer.JsonDebeziumSchemaSerializer;
   import org.apache.doris.flink.tools.cdc.mysql.DateToStringConverter;
   import org.apache.flink.api.common.eventtime.WatermarkStrategy;
   import org.apache.flink.streaming.api.datastream.DataStreamSource;
   import org.apache.flink.streaming.api.environment.StreamExecutionEnvironment;
   
   import java.util.HashMap;
   import java.util.Map;
   import java.util.Properties;
   
   public class Main {
       public static void main(String[] args) throws Exception {
           StreamExecutionEnvironment env = StreamExecutionEnvironment.getExecutionEnvironment();
           env.setParallelism(1);
           env.enableCheckpointing(10000);
   
           Map<String, Object> customConverterConfigs = new HashMap<>();
           customConverterConfigs.put(JsonConverterConfig.DECIMAL_FORMAT_CONFIG, "numeric");
           JsonDebeziumDeserializationSchema schema =
                   new JsonDebeziumDeserializationSchema(false, customConverterConfigs);
           
           // MySql源表配置
           MySqlSource<String> mySqlSource = MySqlSource.<String>builder()
                   .hostname("rm-xxx.mysql.rds.aliyuncs***")
                   .port(3306)
                   .startupOptions(StartupOptions.initial())
                   .databaseList("db_test")
                   .tableList("db_test.employees")
                   .username("root")
                   .password("test_123")
                   .debeziumProperties(DateToStringConverter.DEFAULT_PROPS)
                   .deserializer(schema)
                   .serverTimeZone("Asia/Shanghai")
                   .build();
   
           // SelectDB 結果表配置
           DorisSink.Builder<String> sinkBuilder = DorisSink.builder();
           DorisOptions.Builder dorisBuilder = DorisOptions.builder();
           dorisBuilder.setFenodes("selectdb-cn-xxx-public.selectdbfe.rds.aliyunc****:8080")
                   .setTableIdentifier("db_test.employees")
                   .setUsername("admin")
                   .setPassword("test_123");
           DorisOptions dorisOptions = dorisBuilder.build();
   
           // 配置Stream Load相關參數 sink.properties
           Properties properties = new Properties();
           properties.setProperty("format", "json");
           properties.setProperty("read_json_by_line", "true");
           DorisExecutionOptions.Builder executionBuilder = DorisExecutionOptions.builder();
           executionBuilder.setStreamLoadProp(properties);
   
           sinkBuilder.setDorisExecutionOptions(executionBuilder.build())
                   .setSerializer(JsonDebeziumSchemaSerializer.builder().setDorisOptions(dorisOptions).build()) //serialize according to string
                   .setDorisOptions(dorisOptions);
   
           DataStreamSource<String> dataStreamSource = env.fromSource(mySqlSource, WatermarkStrategy.noWatermarks(), "MySQL Source");
           dataStreamSource.sinkTo(sinkBuilder.build());
           env.execute("MySQL to SelectDB");
       }
   }

使用進階

使用Flink SQL更新部分列資料

-- enable checkpoint
SET 'execution.checkpointing.interval' = '10s';

CREATE TABLE cdc_mysql_source (
   id INT
  ,name STRING
  ,bank STRING
  ,age INT
  ,PRIMARY KEY (id) NOT ENFORCED
) WITH (
 'connector' = 'mysql-cdc',
 'hostname' = '127.0.0.1',
 'port' = '3306',
 'username' = 'root',
 'password' = 'password',
 'database-name' = 'database',
 'table-name' = 'table'
);

CREATE TABLE selectdb_sink (
    id INT,
    name STRING,
    bank STRING,
    age INT
) 
WITH (
  'connector' = 'doris',
  'fenodes' = 'selectdb-cn-****.selectdbfe.rds.aliyuncs.com:8080',
  'table.identifier' = 'database.table',
  'username' = 'admin',
  'password' = '****',
  'sink.properties.format' = 'json',
  'sink.properties.read_json_by_line' = 'true',
  'sink.properties.columns' = 'id,name,bank,age',
  'sink.properties.partial.columns' = 'true' -- 開啟部分列更新
);


INSERT INTO selectdb_sink SELECT id,name,bank,age FROM cdc_mysql_source;

使用Flink SQL根據指定列刪除資料

在資料來源為CDC的情境中，Doris Sink會根據RowKind來區分事件的類型，對隱藏列__DORIS_DELETE_SIGN__進行賦值以達到刪除的目的。在資料來源為Kafka訊息的情境中，Doris Sink無法直接使用RowKind來區分操作類型，需要依賴訊息中的特定欄位來標記操作類型，比如{"op_type":"delete",data:{...}}，針對這類資料，希望將op_type=delete的資料刪除掉。此時需要根據商務邏輯判斷，顯式地傳入隱藏列的值。下面以Flink SQL方式為例，介紹如何根據Kafka資料中的特定欄位刪除SelectDB中的資料。

-- 比如資料: {"op_type":"delete",data:{"id":1,"name":"zhangsan"}}
CREATE TABLE KAFKA_SOURCE(
  data STRING,
  op_type STRING
) WITH (
  'connector' = 'kafka',
  ...
);

CREATE TABLE SELECTDB_SINK(
  id INT,
  name STRING,
  __DORIS_DELETE_SIGN__ INT
) WITH (
  'connector' = 'doris',
  'fenodes' = 'selectdb-cn-****.selectdbfe.rds.aliyuncs.com:8080',
  'table.identifier' = 'db.table',
  'username' = 'admin',
  'password' = '****',
  'sink.enable-delete' = 'false',        -- false表示不從RowKind擷取事件類型
  'sink.properties.columns' = 'id, name, __DORIS_DELETE_SIGN__'  -- 顯示指定stream load的匯入列
);

INSERT INTO SELECTDB_SINK
SELECT json_value(data,'$.id') as id,
json_value(data,'$.name') as name, 
if(op_type='delete',1,0) as __DORIS_DELETE_SIGN__ 
FROM KAFKA_SOURCE;

常見問題

• Q：如何寫入Bitmap類型？

  A：樣本如下所示：

  CREATE TABLE bitmap_sink (
    dt INT,
    page STRING,
    user_id INT 
  )
  WITH ( 
    'connector' = 'doris', 
    'fenodes' = 'selectdb-cn-****.selectdbfe.rds.aliyuncs.com:8080',
    'table.identifier' = 'test.bitmap_test', 
    'username' = 'admin', 
    'password' = '****', 
    'sink.label-prefix' = 'selectdb_label', 
    'sink.properties.columns' = 'dt,page,user_id,user_id=to_bitmap(user_id)'
  );

• Q：如何解決報錯：errCode = 2, detailMessage = Label[label_0_1]has already been used, relate to txn[19650]。

  A：Exactly-Once情境下，Flink Job重啟時必須從最新的Checkpoint或Savepoint啟動，否則會報如上錯誤。不要求Exactly-Once時，也可通過關閉兩階段交易認可（2PC）sink.enable-2pc=false 或更換不同的sink.label-prefix解決。

• Q：如何解決報錯：errCode = 2, detailMessage = transaction[19650]not found。

  A：此報錯發生在提交（Commit）階段，Checkpoint裡面記錄的事務ID，在SelectDB側已經到期，此時再次提交（Commit）就會出現上述錯誤。 此時無法從Checkpoint啟動，後續可通過修改SelectDB的參數streaming_label_keep_max_second配置來延長到期時間，預設為12小時。

• Q：如何解決報錯：errCode = 2, detailMessage = current running txns on db 10006 is 100, larger than limit 100。

  A：此報錯是因為同一個庫並發匯入超過了100，可以通過調整SelectDB的參數max_running_txn_num_per_db來解決，詳情請參見max_running_txn_num_per_db。

  同時，一個任務頻繁修改label重啟，也可能會導致這個錯誤。兩階段交易認可（2PC）情境下（Duplicate/Aggregate模型），每個任務的label需要唯一，並且從Checkpoint重啟時，Flink任務才會主動中止（abort）之前啟動的但未完成（即已precommit但未Commit的）事務（txn）。如果頻繁修改label重啟，會導致大量precommit成功的事務（txn）無法被中止（abort），佔用事務。在Unique模型下也可關閉兩階段交易認可（2PC），通過設計Sink來實現等冪寫入。

• Q：Flink寫入Unique模型時，如何保證一批資料的有序性？

  A：可以添加sequence列配置來保證，更多詳情，請參見sequence。

• Q：為什麼Flink任務沒報錯，但是無法同步資料？

  A：Connector 1.1.0版本以前，是攢批寫入的，寫入均是由資料驅動，需要判斷上遊是否有資料寫入。1.1.0之後，依賴Checkpoint，必須開啟Checkpoint才能寫入。

• Q：如何解決報錯：tablet writer write failed, tablet_id=190958, txn_id=3505530, err=-235。

  A：此報錯通常發生在Connector 1.1.0版本之前，是由於寫入頻率過快，導致版本過多。可以通過設定sink.buffer-flush.max-bytes和sink.buffer-flush.interval參數來降低Stream Load的頻率。

• Q：Flink匯入時有髒資料，如何跳過？

  A：Flink在資料匯入時，如果有髒資料，比如欄位格式、長度等問題，會導致Stream Load報錯，此時Flink會不斷地重試。如果需要跳過，可以通過禁用Stream Load的strict 模式（strict_mode=false,max_filter_ratio=1）或者在Sink運算元之前對資料做過濾。

• Q：源表和SelectDB表應如何對應？

  A：使用Flink Doris Connector匯入資料時，要注意兩個方面，一是源表的列和類型要跟Flink SQL中的列和類型對應；二是Flink SQL中的列和類型要跟SelectDB表的列和類型對應。

• Q：如何解決報錯：TApplicationException: get_next failed: out of sequence response: expected 4 but got 3。

  A：此報錯是由於Thrift架構存在並發bug導致的，建議您使用儘可能新的Connector以及與之相容的Flink版本。

• Q：如何解決報錯：DorisRuntimeException: Fail to abort transaction 26153 with urlhttp://192.168.XX.XX。

  A：你可以在TaskManager中搜尋日誌abort transaction response，根據HTTP返回碼確定是用戶端（Client）的問題還是伺服器（Server）的問題。