实时数仓：基于流计算 Oceanus 实现 MySQL 和 HBase 维表到 ClickHouse 的实时分析

吴云涛

修改于 2021-12-21 16:38:24

2.1K0

修改于 2021-12-21 16:38:24

实时即未来，最近在腾讯云流计算 Oceanus（Flink) 进行实时计算服务分享给大家~

项目背景

本文介绍了结合 MySQL 数据库、流计算 Oceanus（Flink)、HBase 以及云数据仓库 ClickHouse 来构建实时数仓，并通过流计算 Oceanus 读取 MySQL 数据、关联 HBase 中的维表，最终将数据存入云数据仓库 ClickHouse 进行指标分析，实现完整实时数仓的全流程操作指导。

1. 环境搭建

1.1 创建流计算 Oceanus 集群

在流计算 Oceanus 产品活动页面 1 元购买 Oceanus 集群。

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。

若之前未使用过VPC，日志，存储这些组件，需要先进行创建。VPC 需要和下面的 MySQL、ES 集群使用同一个，否则需要手动打通（如对等连接）。

创建完后的集群如下：

1.2 创建私有网络 VPC

私有网络是一块您在腾讯云上自定义的逻辑隔离网络空间，在构建 MySQL、EMR，ClickHouse 集群等服务时选择的网络必须保持一致，网络才能互通。否则需要使用对等连接、VPN 等方式打通网络。页面地址：https://console.cloud.tencent.com/vpc/vpc?rid=8

1.3 创建云数据库 MySQL 服务

云数据库 MySQL 是腾讯云基于开源数据库 MySQL 专业打造的高性能分布式数据存储服务，让用户能够在云中更轻松地设置、操作和扩展关系数据库。页面地址：https://console.cloud.tencent.com/cdb

新建 MySQL 服务的页面需要注意选择的网络是之前创建好的。

创建完 MySQL 服务后，需要修改 binlog_row_image参数，如图修改为 FULL（默认值为MINIMAL）。

修改完参数后，登陆 MySQL 创建示例所需要的数据库和数据库表。

1）创建数据库 mysqltestdb

打开 SQL 窗口或者点击可视化页面创建数据库及表。

新建数据库命令：

create database mysqltestdb;

在新建库的基础上新建表student：

create table `student` (
  `id` int(11) not null auto_increment comment '主键id',
  `name` varchar(10) collate utf8mb4_bin default '' comment '名字',
  `age` int(11) default null comment '年龄',
  `create_time` timestamp null default current_timestamp comment '数据创建时间',
  primary key (`id`)
) engine=innodb auto_increment=4 default charset=utf8mb4 collate=utf8mb4_bin row_format=compact comment='学生表'

Student表中插入数据：

 insert into mysqltestdb.student(id,name,age) values(1,“xiaomin”,20);

1.4 创建EMR集群

EMR是云端托管的弹性开源泛 Hadoop 服务，支持 Spark、HBase、Presto、Flink、Druid 等大数据框架，本次示例主要需要使用 HBase 组件。页面地址https://console.cloud.tencent.com/emr

在 EMR 集群中安装 HBase 组件。

如果生产环境，服务器配置可根据实际情况选择，示例中选择了低配服务器，网络需要选择之前创建好的VPC网络，始终保持服务组件在同一 VPC 下。

进入 HBase Master 节点

点击登录进入服务器

输入命令：

# 进入HBase命令

root@172~# hbase shell

进入hbase shell，并新建表：

# 建表语句
  create 'dim_hbase', 'cf'

# 插入数据
  put 'dim_hbase','1','cf:name','MingDeSchool'

1.5 创建云数据仓库 ClickHouse

页面地址：https://console.cloud.tencent.com/cdwch

新建集群

选择网络选择之前新建的 VPC 网络（依然保证各服务在同一网络）

在之前新建的 EMR 选择一台云主机点击登录,最好选择带有外网 IP 的节点。

在此机器上安装 ClickHouse 客户端,clickhouse-client 安装教程：https://cloud.tencent.com/document/product/1299/49824

登陆客户端

命令示例：

clickhouse-client -h用户自己的ClickHouse服务IP --port 9000

新建数据库

create database testdb on cluster default_cluster;

新建表

CREATE TABLE testdb.student_school on cluster default_cluster (
`id` Int32,
`name` Nullable(String),
`school_name` Nullable(String),
`Sign` Int8
) ENGINE = ReplicatedCollapsingMergeTree('/clickhouse/tables/{layer}-{shard}/testdb/ student_school, '{replica}', Sign) ORDER BY id;

2. 数据清洗和运算加工

2.1 数据准备

2.1.1 MySQL-CDC 数据和 HBase 维表数据

按照上面操作中创建表，并向MySQL和HBase表中插入数据。

2.2 创建 Flink SQL作业

在 Oceanus 控制台创建 SQL 作业。

2.2.1 Source 端

MySQL-CDC Source:

--学生信息作为cdc源表
CREATE TABLE `student` (
  `id` INT NOT NULL,
  `name` varchar,
  `age` INT,
  proc_time AS PROCTIME(),
  PRIMARY KEY (`id`) NOT ENFORCED
) WITH (
  'connector' = 'mysql-cdc',
  'hostname' = 'YoursIp', 
  'port' = '3306',
  'username' = '用户名',
  -- 数据库访问的用户名（需要提供 SHOW DATABASES, REPLICATION SLAVE, REPLICATION CLIENT, SELECT, RELOAD 权限）
  'password' = 'YoursPassword,
  'database-name' = 'mysqltestdb',
  'table-name' = 'student' 
);

HBase 维表

--示例使用school学校信息作为维表
CREATE TABLE dim_hbase (
  rowkey STRING,
  cf ROW <school_name STRING>,  -- 如果有多个列簇，写法 cf Row<age INT,name String>
  PRIMARY KEY (rowkey) NOT ENFORCED
) WITH (
  'connector' = 'hbase-1.4',
  'table-name' = 'dim_hbase',
  'zookeeper.quorum' = '用户自己的hbase服务器zookeeper地址，多个用逗号隔开'
);

2.2.2 Sink 端

创建到ClickHouse的创建表语句

--关联后存入clickhouse表
CREATE TABLE `student_school` (
  stu_id INT,
  stu_name STRING,
  school_name STRING,
  PRIMARY KEY (`id`) NOT ENFORCED
) WITH (
  'connector' = 'clickhouse',
  'url' = 'clickhouse://yourIP:8123',
  -- 如果ClickHouse集群未配置账号密码可以不指定
  --'username' = 'root',
  --'password' = 'root',
  'database-name' = 'testdb',
  'table-name' = ' student_school ',
  'table.collapsing.field' = 'Sign'
);

2.2.3 进行逻辑运算

此例子中，只进行了简单的Join没有进行复杂的运算。详细运算逻辑可参考：

流计算 Oceanus 运算符和内置函数或者Flink官网Flink SQL开发章节

INSERT INTO
  student_school
SELECT
  student.id as stu_id,
  student.name as stu_name,
  dim_hbase.cf.school_name
FROM
  student
  JOIN dim_hbas for SYSTEM_TIME as of student.proc_time
  ON CAST(student.school_id AS STRING) = dim_hbase.rowkey;