Flink 实践教程：入门6-读取 PG 数据写入 ClickHouse

原创

吴云涛

修改于 2021-12-08 16:02:06

1.4K0

修改于 2021-12-08 16:02:06

流计算 Oceanus 简介

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。

本文将向您详细介绍如何获取 PostgreSQL 表数据，并使用字符串函数进行转换，最后将数据输出到 ClickHouse 中。

Flink 实践教程：入门6-读取 PG 数据写入 ClickHouse

前置准备

创建流计算 Oceanus 集群

活动购买链接 1 元购买 Oceanus 集群。

进入 Oceanus 控制台 [1]，点击左侧【集群管理】，点击左上方【创建集群】，具体可参考 Oceanus 官方文档 创建独享集群 [2]。

创建 PostgreSQL 实例

进入 PostgreSQL 控制台 [3]，点击左上角【新建】创建实例，具体参考 创建 PostgreSQL 实例 [4]。

数据准备：

进入实例数据库，创建 test1 表，并手动插入数据。

-- 建表语句
create table public.test1 (
    id INT,
    str_one VARCHAR(50),
    str_two VARCHAR(50),
    str_thr VARCHAR(50),
    PRIMARY key(id)
);

-- 插入语句
INSERT INTO public.test1 VALUES (1, 'hello world', 'b', 'Oceanus-1');
INSERT INTO public.test1 VALUES (2, 'good job', 'c', 'Oceanus-2');
INSERT INTO public.test1 VALUES (3, 'hello oceanus', 'd', 'Oceanus-3');

笔者这里使用 DBeaver 进行外网连接，更多连接方式参考官网文档 连接 PostgreSQL 实例 [5]

创建 ClickHouse 集群

进入 ClickHouse 控制台 [6]，点击左上角【新建集群】，完成 ClickHouse 集群创建，具体可参考 ClickHouse 快速入门 [7]。

创建 ClickHouse 表： 登陆 ClickHouse 集群（登入方式参考 ClickHouse 快速入门 [7]），并建表。

CREATE TABLE default.pg_to_ck on cluster default_cluster (
    id  Int8,
    str_one String,
    str_two String,
    str_thr String,
    Sign Int8 )
ENGINE = ReplicatedCollapsingMergeTree('/clickhouse/tables/{layer}-{shard}/default/pg_to_ck', '{replica}',Sign)
ORDER BY (id);

注：Oceanus 集群、PostgreSQL 实例、ClickHouse 集群需在同一 VPC 下。

流计算 Oceanus 作业

1. 创建 Source

-- PostgreSQL CDC Source。
CREATE TABLE PostgreSourceTable (
  id INT,
  str_one VARCHAR,
  str_two VARCHAR,
  str_thr VARCHAR,
  PRIMARY KEY (id) NOT ENFORCED -- 如果要同步的数据库表定义了主键, 则这里也需要定义
) WITH (
  'connector' = 'postgres-cdc',  -- 必须为 'postgres-cdc'
  'hostname' = '10.0.0.236',     -- 数据库的 IP
  'port' = '5432',               -- 数据库的访问端口
  'username' = 'root',           -- 数据库访问使用的用户名（需要提供 REPLICATION 权限, 日志级别必须大于等于 logical, 且设置后需要重启实例）
  'password' = 'xxxxxxxxxxx',    -- 数据库访问使用的密码
  'database-name' = 'postgres',  -- 需要同步的数据库名
  'schema-name' = 'public',      -- 需要同步的数据库模式 (Schema)
  'table-name' = 'test1'         -- 需要同步的数据表名
);

2. 创建 Sink

-- ClickHouse Sink (不完全支持upsert，详见说明文档)。配合 flink-connector-clickhouse 使用。
CREATE TABLE clickhouse_sink (
  id INT,
  str_one VARCHAR,
  str_two VARCHAR,
  str_thr VARCHAR,
  PRIMARY KEY (id) NOT ENFORCED          -- 如果要同步的数据库表定义了主键, 则这里也需要定义
) WITH (
  'connector' = 'clickhouse',              -- connector 类型为 clickhouse
  'url' = 'clickhouse://10.0.0.178:8123',  -- 指定数据库链接 url
  'database-name' = 'default',             -- 需要写入的 clickhouse 库名
  'table-name' = 'pg_to_ck',               -- 需要写入的 clickhouse 表名
  'table.collapsing.field' = 'Sign'        -- 采用 CollapsingMergeTree 引擎的 clickhouse 表，Collapsing 列字段的名称
);

3. 编写业务 SQL

INSERT INTO clickhouse_sink
SELECT 
  id,
--INITCAP：将 str_one 中的单词转为大写开头，例如 INITCAP('i have a dream') 返回 'I Have A Dream'。
  INITCAP(str_one)    AS str_one,
--TO_BASE64：将 string 表示的字符串编码为 Base64 字符串。
  TO_BASE64(str_two)  AS str_two,
--REPLACE：将 string1 字符串中所有的 string2 替换为 string3。例如 REPLACE('banana', 'a', 'A') 返回 'bAnAnA'。
  REPLACE(str_thr,'Oceanus','Hello Oceanus') AS str_thr 
FROM PostgreSourceTable;

这里我们使用 Flink 1.13 集群，旧版 Flink 集群需选择相应的内置 Connector

总结

使用 Postgres-CDC 连接器：

用于同步的 Postgres 用户至少需要开启 REPLICATION、LOGIN、SCHEMA、DATABASE、SELECT 权限。可以进入 PostgreSQL 数据库进行授权操作。

CREATE ROLE debezium_user REPLICATION LOGIN;
GRANT USAGE ON DATABASE database_name TO debezium_user;
GRANT USAGE ON SCHEMA schema_name TO debezium_user;
GRANT SELECT ON scheam_name.table_name, scheam_name.table_name TO debezium_user;