| 实时数仓：基于 Flink CDC 实现 Oracle 数据实时更新到 Kudu | 您所在的位置：网站首页 › hive同步到kudu › 实时数仓：基于 Flink CDC 实现 Oracle 数据实时更新到 Kudu |
实时数仓：基于 Flink CDC 实现 Oracle 数据实时更新到 Kudu
|
解决方案描述概述 Flink CDC 于 2021 年 11 月 15 日发布了最新版本 2.1，该版本通过引入内置 Debezium 组件，增加了对 Oracle 的支持。本方案主要对 flink-connector-oracle-cdc进行试用。首先在本地对 Oracle CDC 进行调试通过，然后结合腾讯云产品流计算 Oceanus、EMR（Kudu）实现了 Oracle-Oceanus-Kudu 一体化解决方案，其中并无复杂的业务逻辑实现（这里进行最简单的数据转移，用户可根据实际业务情况编写相应代码），并对其中发现的一些问题进行归纳整理与读者分享。 方案架构这里的 Oracle 数据库环境是通过 Docker 建立在 EMR 集群下的某台 CVM 上，通过手动向 Oracle 数据库写入、更新数据，Oceanus 实时捕获变更的数据后存储在 EMR 的 Kudu 组件上。根据以上方案，设计了如下架构图：  方案架构图.png前置准备创建私有网络 VPC私有网络（VPC）是一块在腾讯云上自定义的逻辑隔离网络空间，在构建 Oceanus 集群、Redis 组件等服务时选择的网络建议选择同一个 VPC，网络才能互通。否则需要使用对等连接、NAT 网关、VPN 等方式打通网络。私有网络创建步骤请参考 帮助文档。 创建流计算 Oceanus 集群流计算 Oceanus 是大数据产品生态体系的实时化分析利器，是基于 Apache Flink 构建的具备一站开发、无缝连接、亚秒延时、低廉成本、安全稳定等特点的企业级实时大数据分析平台。流计算 Oceanus 以实现企业数据价值最大化为目标，加速企业实时化数字化的建设进程。 在 Oceanus 控制台的【集群管理】->【新建集群】页面创建集群，选择地域、可用区、VPC、日志、存储，设置初始密码等。VPC 及子网使用刚刚创建好的网络。创建完后 Oceanus 的集群如下：  Oceanus集群.png创建 EMR 集群EMR 是云端托管的弹性开源泛 Hadoop 服务，支持 Kudu、HDFS、Presto、Flink、Druid 等大数据框架，本次示例主要需要使用 Kudu、Zookeeper、HDFS、Yarn、Impala、Knox 组件。 进入 EMR 控制台，单击左上角【创建集群】进行集群的创建，创建过程中注意选择【产品版本】，不同的版本包含的组件不同，笔者这里选择EMR-V3.2.1版本，另外【集群网络】需选择之前创建好的 VPC 及对应的子网。具体过程可参考 创建 EMR 集群。  创建EMR集群.png配置 Oracle 环境1. 安装 Oracle 镜像下载 Docker： 不同 CVM 环境可能不相同，笔者这里采用离线安装模式，安装包官网地址。下载配置完成之后按如下命令启动并运行 Docker 服务。 代码语言：shell复制# 启动 systemctl start docker # 设置开机启动 systemctl enable docker.service # 查看 docker 服务状态 systemctl status docker下载 Oracle 镜像： 代码语言：shell复制# 查找 Oracle 镜像版本 docker search oracle # 下载相对应镜像，这里我们下载 truevoly/oracle-12c 版本 docker pull truevoly/oracle-12c # 运行 Docker 容器 docker run -d -p 1521:1521 --name oracle12c truevoly/oracle-12c # 进入容器 docker exec -it oracle12c /bin/bash2. 配置 Oracle 数据库启用日志归档： 代码语言：sql复制-- 如有必要重新 source 一下 .profile 文件 source /home/oracle/.profile -- 1. 切换到 Oracle 用户 su oracle -- 2. 以 DBA 身份连接数据库 $ORACLE_HOME/bin/sqlplus /nolog conn /as sysdba show user -- 3. 启用日志归档 alter system set db_recovery_file_dest_size = 10G; alter system set db_recovery_file_dest = '/opt/oracle/oradata/recovery_area' scope = spfile; shutdown immediate; startup mount; alter database archivelog; alter database open; -- 4. 检查日志是否归档 archive log list;注意： 1. /opt/oracle/oradata/recovery_area路径需使用root用户提前建立，并赋予读写权限：chmod 777 /opt/oracle/oradata/recovery_area。 2. 启用日志归档需重启数据库。 3. 归档日志会占用大量磁盘空间，需定期清理过期日志。 创建表空间： 代码语言：sql复制CREATE TABLESPACE logminer_tbs DATAFILE '/opt/oracle/oradata/SID/logminer_tbs.dbf' SIZE 25M REUSE AUTOEXTEND ON MAXSIZE UNLIMITED;注意：/opt/oracle/oradata/SID路径需使用root用户提前创建，并赋予读写权限：chmod 777 /opt/oracle/oradata/SID。 创建用户并授权： 代码语言：sql复制CREATE USER flinkuser IDENTIFIED BY flinkpw DEFAULT TABLESPACE LOGMINER_TBS QUOTA UNLIMITED ON LOGMINER_TBS; GRANT CREATE SESSION TO flinkuser; GRANT SET CONTAINER TO flinkuser; GRANT SELECT ON V_$DATABASE to flinkuser; GRANT FLASHBACK ANY TABLE TO flinkuser; GRANT SELECT ANY TABLE TO flinkuser; GRANT SELECT_CATALOG_ROLE TO flinkuser; GRANT EXECUTE_CATALOG_ROLE TO flinkuser; GRANT SELECT ANY TRANSACTION TO flinkuser; GRANT LOGMINING TO flinkuser; GRANT CREATE TABLE TO flinkuser; GRANT LOCK ANY TABLE TO flinkuser; GRANT ALTER ANY TABLE TO flinkuser; GRANT CREATE SEQUENCE TO flinkuser; GRANT EXECUTE ON DBMS_LOGMNR TO flinkuser; GRANT EXECUTE ON DBMS_LOGMNR_D TO flinkuser; GRANT SELECT ON V_$LOG TO flinkuser; GRANT SELECT ON V_$LOG_HISTORY TO flinkuser; GRANT SELECT ON V_$LOGMNR_LOGS TO flinkuser; GRANT SELECT ON V_$LOGMNR_CONTENTS TO flinkuser; GRANT SELECT ON V_$LOGMNR_PARAMETERS TO flinkuser; GRANT SELECT ON V_$LOGFILE TO flinkuser; GRANT SELECT ON V_$ARCHIVED_LOG TO flinkuser; GRANT SELECT ON V_$ARCHIVE_DEST_STATUS TO flinkuser;数据准备： 代码语言：sql复制-- 创建 Oracle 表，用做 Source 端 CREATE TABLE FLINKUSER.TEST1( ID NUMBER(10,0) NOT NULL ENABLE, NAME VARCHAR2(50), PRIMARY KEY(ID) ) TABLESPACE LOGMINER_TBS; -- 手动插入几条数据 INSERT INTO FLINKUSER.TEST1 (ID,NAME) VALUES (1,'1111');启动补充日志记录： 代码语言：sql复制-- 对数据库配置 ALTER DATABASE ADD SUPPLEMENTAL LOG DATA; -- 对表进行配置 ALTER TABLE FLINKUSER.TEST1 ADD SUPPLEMENTAL LOG DATA (ALL) COLUMNS;方案实现本方案对最近上线的 flink-connector-oracle-cdc 功能进行尝试。笔者这里首先在本地机器上使用 Docker 配置安装 Oracle 11g 和 Oracle 12c 两个版本进行本地 Oracle 表的读取测试，对读取到的数据进行 toRetractStream 转换后进行打印输出，对其中发现的一些问题归纳整理后和大家分享一下。随后在 EMR 集群上选择一台 CVM 配置 Oracle 12c 环境，将代码移植到 Oceanus 平台，并将最终的数据落到 Kudu 上，实现 Oracle To Kudu 的一整套解决方案。 本地代码开发1. Maven 依赖代码语言：html复制 com.ververica flink-connector-oracle-cdc 2.2-SNAPSHOT compile 2. 代码编写代码语言：java复制package com.demo; import com.ververica.cdc.connectors.oracle.OracleSource; import com.ververica.cdc.debezium.JsonDebeziumDeserializationSchema; import org.apache.flink.streaming.api.environment.StreamExecutionEnvironment; import org.apache.flink.streaming.api.functions.source.SourceFunction; import org.apache.flink.table.api.EnvironmentSettings; import org.apache.flink.table.api.bridge.java.StreamTableEnvironment; public class OracleToKudu { public static void main(String[] args) throws Exception { EnvironmentSettings settings = EnvironmentSettings .newInstance() .useBlinkPlanner() .inStreamingMode() .build(); StreamExecutionEnvironment sEnv = StreamExecutionEnvironment.getExecutionEnvironment(); StreamTableEnvironment tEnv = StreamTableEnvironment.create(sEnv,settings); // SQL 写法 tEnv.executeSql("CREATE TABLE `oracleSource` (\n" + " ID BIGINT,\n" + " NAME VARCHAR,\n" + " PRIMARY KEY(ID) NOT ENFORCED )\n" + " WITH (\n" + " 'connector' = 'oracle-cdc',\n" + // 请修改成 Oracle 所在的实际 IP 地址 " 'hostname' = 'xx.xx.xx.xx',\n" + " 'port' = '1521',\n" + " 'username' = 'flinkuser',\n" + " 'password' = 'flinkpw',\n" + " 'database-name' = 'xe',\n" + " 'schema-name' = 'flinkuser',\n" + " 'table-name' = 'test1'\n" + ")"); // Stream API 写法 // SourceFunction sourceFunction = OracleSource.builder() // .hostname("xx.xx.xx.xx") // .port(1521) // .database("xe") // .schemaList("flinkuser") // .tableList("flinkuser.test1") // .username("flinkuser") // .password("flinkpw") // .deserializer(new JsonDebeziumDeserializationSchema()) // .build(); // sEnv.addSource(sourceFunction) tEnv.executeSql("CREATE TABLE `kudu_sink_table` (\n" + " `id` BIGINT,\n" + " `name` VARCHAR\n" + ") WITH (\n" + " 'connector.type' = 'kudu',\n" + // 请修改成实际的 master IP 地址 " 'kudu.masters' = 'master-01:7051,master-02:7051,master-03:7051',\n" + " 'kudu.table' = 'JoylyuTest1',\n" + " 'kudu.hash-columns' = 'id',\n" + " 'kudu.primary-key-columns' = 'id'\n" + ")"); // 笔者这里只是进行了最简化的数据转移功能，请根据实际业务情况进行开发 tEnv.executeSql("insert into kudu_sink_table select * from oracleSource"); } }流计算 Oceanus JAR 作业1. 上传依赖在 Oceanus 控制台，点击左侧【依赖管理】，点击左上角【新建】新建依赖，上传本地 Jar 包。 2. 创建作业在 Oceanus 控制台，点击左侧【作业管理】，点击左上角【新建】新建作业，作业类型选择 Jar 作业，点击【开发调试】进入作业编辑页面。 【主程序包】选择刚刚上传的依赖，并选择最新版本，【主类】填入 com.demos.OracleToKudu。 单击【作业参数】，在【内置 Connector】处选择 flink-connector-kudu，单击【保存】。 3. 运行作业点击【发布草稿】即可运行，可通过【日志】面板 TaskManager 或 Flink UI 查看运行信息。 数据查询在 EMR 集群下面选择一台 CVM 进入，查询写入 kudu 的数据。 代码语言：shell复制# 进入 kudu 目录下 cd /usr/local/service/kudu/bin # 查看集群所有表 ./kudu table list master-01,master-02,master-03 # 查询 JoylyuTest1 表的数据 ./kudu table scan master-01,master-02,master-03 JoylyuTest1当然，Kudu 也可以与 Impala 集成，通过 Impala 查询数据，不过需在 Impala 上面建立与 Kudu 表对应的外部表才可以查询。具体可参考 Oceanus Kudu Sink 总结。 代码语言：sql复制CREATE EXTERNAL TABLE ImpalaJoylyuTest1 STORED AS KUDU TBLPROPERTIES ( 'kudu.master_addresses' = 'master-01:7051,master-02:7051,master-03:7051', 'kudu.table_name' = 'JoylyuTest1' );问题整理笔者这里在本地对两种不同的 Oracle 版本：Oracle 11g 和 Oracle 12c Debug 时发现了一些问题，这里进行归纳总结一下。 其一：表名大小写问题 笔者这里首先对 Oracle 11g 进行测试，在配置完如上的步骤之后本地运行，数据打印出来之后立即报错如下： 代码语言：text复制Caused by: io.debezium.DebeziumException: Supplemental logging not configured for table HELOWIN.FLINKUSER.test1. Use command: ALTER TABLE FLINKUSER.test1 ADD SUPPLEMENTAL LOG DATA (ALL) COLUMNS at io.debezium.connector.oracle.logminer.LogMinerHelper.checkSupplementalLogging(LogMinerHelper.java:407) at io.debezium.connector.oracle.logminer.LogMinerStreamingChangeEventSource.execute(LogMinerStreamingChangeEventSource.java:132) ... 7 more通过日志信息可以发现，笔者的表 TEST1自动转换为了小写的表 test1。报错信息出现在 checkSupplementalLogging ，于是根据这个报错信息查看源码发现这里会对 Oracle 里面的 ALL_LOG_GROUPS 表进行一次查询，数据查询不出来导致报错（ALL_LOG_GROUPS表里存储的是大写的表名TEST1）。 代码语言：java复制static String tableSupplementalLoggingCheckQuery(TableId tableId) { return String.format("SELECT 'KEY', LOG_GROUP_TYPE FROM %s WHERE OWNER = '%s' AND TABLE_NAME = '%s'", ALL_LOG_GROUPS, tableId.schema(), tableId.table()); }代码语言：java复制// 将表名转为小写的源代码如下 private TableId toLowerCaseIfNeeded(TableId tableId) { return tableIdCaseInsensitive ? tableId.toLowercase() : tableId; }目前我们可以通过三种方法绕过该问题： 直接修改源码，将上述的 toLowercase 修改为 toUppercase。在创建 Oracle Source Table 时，在 WITH 参数里面添加 'debezium.database.tablename.case.insensitive'='false' 配置，让其失去“大小写不敏感”特性，在table-name中需指定大写表名。切换其他的 Oracle 版本。笔者这里使用 Oracle 12c 版本后正常。其二：数据更新延迟问题 笔者在手动向 Oracle 数据库写数据，通过在 IDEA 控制台打印输出数据时，发现当数据为追加写入（Append）时，数据会有大概 15s 的延时，当为更新写入（Upsert）时，出现的延时更大，有时需要 3-5分钟才能捕捉到数据的变化。对于该问题，Flink CDC FAQ 中给出了明确的解决方案，在创建 Oracle Source Table 时，在 WITH 参数里面添加如下两个配置项： 代码语言：sql复制'debezium.log.mining.strategy'='online_catalog', 'debezium.log.mining.continuous.mine'='true'其三：并行度设置问题 笔者这里在尝试开启用并行度为 2 来进行数据读取时，发现报错如下： 代码语言：java复制Exception in thread "main" java.lang.IllegalArgumentException: The parallelism of non parallel operator must be 1. at org.apache.flink.util.Preconditions.checkArgument(Preconditions.java:138) at org.apache.flink.api.common.operators.util.OperatorValidationUtils.validateParallelism(OperatorValidationUtils.java:35) at org.apache.flink.streaming.api.datastream.DataStreamSource.setParallelism(DataStreamSource.java:114) at com.demo.OracleToKudu.main(OracleToKudu.java:67)经过堆栈信息发现，Oracle CDC 的并行度只能设置为 1，与 Oracle CDC 官方文档 一致。 代码语言：java复制// 报错代码部分 public static void validateParallelism(int parallelism, boolean canBeParallel) { Preconditions.checkArgument(canBeParallel || parallelism == 1, "The parallelism of non parallel operator must be 1."); Preconditions.checkArgument(parallelism > 0 || parallelism == -1, "The parallelism of an operator must be at least 1, or ExecutionConfig.PARALLELISM_DEFAULT (use system default)."); } |
【本文地址】