技术干货｜如何利用 ChunJun 实现数据离线同步？

ChunJun 是⼀款稳定、易⽤、⾼效、批流⼀体的数据集成框架，基于计算引擎 Flink 实现多种异构数据源之间的数据同步与计算。ChunJun 可以把不同来源、格式、特点性质的数据在逻辑上或物理上有机地集中，从⽽为企业提供全⾯的数据共享，目前已在上千家公司部署且稳定运⾏。

在之前，我们曾经为大家介绍过如何利用 ChunJun 实现数据实时同步（点击看正文），本篇将为大家介绍姊妹篇，如何利⽤ ChunJun 实现数据的离线同步。

ChunJun 离线同步案例

离线同步是 ChunJun 的⼀个重要特性，下⾯以最通⽤的 mysql -> hive 的同步任务来介绍离线同步。

配置环境

找⼀个空⽬录，接下来要配置 Flink 和 ChunJun 的环境，下⾯以 /root/chunjun_demo/ 为例⼦。

● 配置 Flink

#下载 Flink wget "http://archive.apache.org/dist/flink/flink-1.12.7/flink-1.12.7-bin-scala_2.12.tgz" tar -zxvf chunjun-dist.tar.gz

● 配置 ChunJun

#下载 chunjun, 内部依赖 flink 1.12.7 wget https://github.com/DTStack/chunjun/releases/download/v1.12.8/chunjun-dist-1.12-SNAPSHOT.tar.gz #新创建⼀个⽬录 mkdir chunjun && cd chunjun #解压到指定⽬录 tar -zxvf chunjun-dist-1.12-SNAPSHOT.tar.gz

解压好的 ChunJun 有如下⽬录： bin chunjun-dist chunjun-examples lib

● 配置环境变量

#配置 Flink 环境变量 echo "FLINK_HOME=/root/chunjun_demo/flink-1.12.7" >> /etc/profile.d/sh.local #配置 Chunjun 的环境变量 echo "CHUNJUN_DIST=/root/chunjun_demo/chunjun/chunjun-dist" >> /etc/profile.d/sh.local #刷新换新变量 . /etc/profile.d/sh.local

● 在 Yarn 上⾯启动 Flink Session

#启动 Flink Session bash $FLINK_HOME/bin/yarn-session.sh -t $CHUNJUN_DIST -d

输出如下：

echo "stop" | $FLINK_HOME/bin/yarn-session.sh -id application_1683599622970_0270 If this should not be possible, then you can also kill Flink via YARN's web interface or via: yarn application -kill application_1683599622970_0270

下⾯提交任务会⽤到 Flink Session 这个 Yarn Application Id (application_1683599622970_0270)。

● 其他配置

如果⽤ parquet 格式，需要把 flink-parquet_2.12-1.12.7.jar 放⼊到 flink/lib 下⾯, 在上⾯的例⼦中，需要放到 $FLINK_HOME/lib ⾥⾯。

提交任务

● 在 MySQL 准备数据

-- 创建⼀个名为ecommerce_db的数据库，⽤于存储电商⽹站的数据 CREATE DATABASE IF NOT EXISTS chunjun; USE chunjun; -- 创建⼀个名为orders的表，⽤于存储订单信息 CREATE TABLE IF NOT EXISTS orders ( id INT AUTO_INCREMENT PRIMARY KEY, -- ⾃增主键 order_id VARCHAR(50) NOT NULL, -- 订单编号，不能为空 user_id INT NOT NULL, -- ⽤户ID，不能为空 product_id INT NOT NULL, -- 产品ID，不能为空 quantity INT NOT NULL, -- 订购数量，不能为空 order_date TIMESTAMP NOT NULL DEFAULT CURRENT_TIMESTAMP -- 订单⽇期，默认值为当前时间戳，不能为空 ); -- 插⼊⼀些测试数据到orders表 INSERT INTO orders (order_id, user_id, product_id, quantity) VALUES ('ORD123', 1, 101, 2), ('ORD124', 2, 102, 1), ('ORD125', 3, 103, 3), ('ORD126', 1, 104, 1), ('ORD127', 2, 105, 5); select * from chunjun.orders;

如果没有 MySQL 的话，可以⽤ docker 快速创建⼀个。

docker pull mysql:8.0.12 docker run --name mysql -p 3306:3306 -e MYSQL_ROOT_PASSWORD=123456 -d mysql:8.0.12

● 创建 Hive 表

CREATE DATABASE IF NOT EXISTS chunjun; USE chunjun; -- 创建⼀个名为orders的表，⽤于存储订单信息 CREATE TABLE IF NOT EXISTS chunjun.orders ( id INT, order_id VARCHAR(50), user_id INT, product_id INT, quantity INT, order_date TIMESTAMP ) STORED AS PARQUET;-- 查看 hive 表，底层的 HDFS ⽂件位置，下⾯的 SQL 结果⾥⾯ Location 字段，就是 HDFS ⽂件的位置。 desc formatted chunjun.orders; -- Location: hdfs://ns1/dtInsight/hive/warehouse/chunjun.db/orders -- ⼀会配置同步任务的时候会⽤到 hdfs://ns1/dtInsight/hive/warehouse/chunjun.db/orders

● 在当前⽬录( /root/chunjun_demo/ ) 配置⼀个任务 mysql_hdfs.json

vim mysql_hdfs.json 输⼊如下内容：

{ "job": { "content": [ { "reader": { "parameter": { "connection": [ { "schema": "chunjun", "jdbcUrl": [ "jdbc:mysql://172.16.85.200:3306/chunjun" ], "table": [ "orders" ] } ], "username": "root", "password": "123456", "column": [ { "name": "id", "type": "INT" }, { "name": "order_id", "type": "VARCHAR" }, { "name": "user_id", "type": "INT" }, { "name": "product_id", "type": "INT" }, { "name": "quantity", "type": "INT" }, { "name": "order_date", "type": "TIMESTAMP" } ] }, "name": "mysqlreader" }, "writer": { "parameter": { "path": "hdfs://ns1/dtInsight/hive/warehouse/chunjun.db/orders", "defaultFS": "hdfs://ns1", "hadoopConfig": { "dfs.nameservices": "ns1", "dfs.ha.namenodes.ns1": "nn1,nn2", "dfs.namenode.rpc-address.ns1.nn1": "172.16.85.194:9000", "dfs.namenode.rpc-address.ns1.nn2": "172.16.85.200:9000", "dfs.client.failover.proxy.provider.ns1": "org.apache.hadoop.hdfs.server.namenode.ha.ConfiguredFailoverProxyProvider" }, "column": [ { "name": "id", "type": "INT" }, { "name": "order_id", "type": "VARCHAR" }, { "name": "user_id", "type": "INT" }, { "name": "product_id", "type": "INT" }, { "name": "quantity", "type": "INT" }, { "name": "order_date", "type": "TIMESTAMP" } ], "writeMode": "overwrite", "encoding": "utf-8", "fileType": "parquet", "fullColumnName": [ "id", "order_id", "user_id", "product_id", "quantity", "order_date"], "fullColumnType": [ "INT", "VARCHAR", "INT", "INT", "INT", "TIMESTAMP" ] }, "name": "hdfswriter" } } ], "setting": { "errorLimit": { "record": 0 }, "speed": { "bytes": 0, "channel": 1 } } } }

因为我们要将 MySQL 同步到 Hive ⾥⾯，但是如果直接同步 Hive 的话，内部会⽤ jdbc，⽽ jdbc 的效率不⾼，因此我们可以直接把数据同步到 Hive 底层的 HDFS 上⾯，所以 writer ⽤到了 hdfswriter。脚本解析如下：

{ "job": { "content": [ { "reader": { "parameter": { "connectionComment": "数据库链接, 数据库, 表, 账号, 密码", "connection": [ { "schema": "chunjun", "jdbcUrl": [ "jdbc:mysql://172.16.85.200:3306/chunjun" ], "table": [ "orders" ] } ], "username": "root", "password": "123456", "columnComment": "要同步的列选择, 可以选择部分列", "column": [ { "name": "id", "type": "INT" }, { "name": "order_id", "type": "VARCHAR" }, { "name": "user_id", "type": "INT" }, { "name": "product_id", "type": "INT" }, { "name": "quantity", "type": "INT" }, { "name": "order_date", "type": "TIMESTAMP" } ] }, "nameComment" : "source 是 mysql", "name": "mysqlreader" }, "writer": { "parameter": { "pathComment": "HDFS 上⾯的路径, 通过 hive 语句的 desc formatted 查看", "path": "hdfs://ns1/dtInsight/hive/warehouse/chunjun.db/orders", "defaultFS": "hdfs://ns1", "hadoopConfigComment": "是 hdfs ⾼可⽤最基本的配置, 在 Hadoop 配置⽂件 hdfs-site.xml 可以找到", "hadoopConfig": { "dfs.nameservices": "ns1", "dfs.ha.namenodes.ns1": "nn1,nn2", "dfs.namenode.rpc-address.ns1.nn1": "172.16.85.194:9000", "dfs.namenode.rpc-address.ns1.nn2": "172.16.85.200:9000", "dfs.client.failover.proxy.provider.ns1": "org.apache.hadoop.hdfs.server.namenode.ha.ConfiguredFailoverProxyProvider" }, "columnComment": "要同步的列选择, 可以选择部分列", "column": [ { "name": "id", "type": "INT" }, { "name": "order_id", "type": "VARCHAR" }, { "name": "user_id", "type": "INT" }, { "name": "product_id", "type": "INT" }, { "name": "quantity", "type": "INT" }, { "name": "order_date", "type": "TIMESTAMP" } ], "writeModeComment": "覆盖写⼊到 hdfs 上⾯的⽂件, 可选 overwrite, append(默认模式)", "writeMode": "overwrite", "encoding": "utf-8", "fileTypeComment": "可选 orc, parquet, text", "fileType": "parquet", "fullColumnNameComment": "全部字段，有时候 column ⾥⾯同步部分字段，但是⼜需要有全部字段的格式，例如 fileType : text ", "fullColumnName": [ "id", "order_id", "user_id", "product_id", "quantity", "order_date"], "fullColumnTypeComment": "全部字段的类型", "fullColumnType": [ "INT", "VARCHAR", "INT", "INT", "INT", "TIMESTAMP" ] }, "nameComment" : "sink 是 hdfs", "name": "hdfswriter" } } ], "setting": { "errorLimit": { "record": 0 }, "speed": { "bytes": 0, "channel": 1 } } } }

● 提交任务

bash chunjun/bin/chunjun-yarn-session.sh -job mysql_hdfs.json -confProp {\"yarn.application.id\":\"application_1683599622970_0270\"}

● 查看任务

任务同步完成, 可以看⼀下 HDFS 上⾯的数据。

查看⼀下 Hive 表的数据。

注意, 如果是分区的 Hive 表，需要⼿动刷新⼀下 Hive 的元数据, 使⽤ MSCK 命令。（MSCK 是 Hive 中的⼀个命令，⽤于检查表中的分区，并将其添加到 Hive 元数据中）

MSCK REPAIR TABLE my_table;

ChunJun 离线同步原理解析

HDFS 文件同步原理

· 对于⽂件系统，同步的时候会先把⽂件写⼊到 path + [filename] ⽬录⾥⾯的 .data 的⽂件⾥⾯，如果任务失败，那么 .data ⾥⾯的⽂件不会⽣效。

· 在 TaskManager 上⾯所有 task 任务结束的时候，会在 JobManager 执⾏ FinalizeOnMaster 的 finalizeGlobal ⽅法, 最终会调⽤到 moveAllTmpDataFileToDir , 把 .data ⾥⾯的⽂件移除到 .data 的上⼀层。

public interface FinalizeOnMaster {

/** The method is invoked on the master (JobManager) after all (parallel) instances of an OutputFormat finished. Params:parallelism – The parallelism with which the format or functions was run. Throws:IOException – The finalization may throw exceptions, which may cause the job to abort. */ void finalizeGlobal(int parallelism) throws IOException; }// 在 JobManager 执⾏ @Override protected void moveAllTmpDataFileToDir() { if (fs == null) { openSource(); } String currentFilePath = ""; try { Path dir = new Path(outputFilePath); Path tmpDir = new Path(tmpPath); FileStatus[] dataFiles = fs.listStatus(tmpDir); for (FileStatus dataFile : dataFiles) { currentFilePath = dataFile.getPath().getName(); fs.rename(dataFile.getPath(), dir); LOG.info("move temp file:{} to dir:{}", dataFile.getPath(), dir); } fs.delete(tmpDir, true); } catch (IOException e) { throw new ChunJunRuntimeException( String.format( "can't move file:[%s] to dir:[%s]", currentFilePath, outputFilePath), e); } }

增量同步

增量同步主要针对某些只有 Insert 操作的表，随着业务增⻓，表内数据越来越多。如果每次都同步整表的话，消耗的时间和资源会⽐较多。因此需要⼀个增量同步的功能，每次只读取增加部分的数据。

● 实现原理

其实现原理实际上就是配合增量键在查询的 sql 语句中拼接过滤条件，⽐如 where id > ? ，将之前已经读取过的数据过滤出去。

增量同步是针对于两个及以上的同步作业来说的。对于初次执⾏增量同步的作业⽽⾔，实际上是整表同步，不同于其他作业的在于增量同步作业会在作业执⾏完成后记录⼀个 endLocation 指标，并将这个指标上传到 prometheus 以供后续使⽤。

除第⼀次作业外，后续的所有增量同步作业都会取上⼀次作业的 endLocation 做为本次作业的过滤依据（startLocation）。⽐如第⼀次作业执⾏完后，endLocation 为10，那么下⼀个作业就会构建出例如 SELECT id,name,age from table where id > 10 的 SQL 语句，达到增量读取的⽬的。

● 使用限制

· 只有 RDB 的 Reader 插件可以使⽤

· 通过构建SQL过滤语句实现，因此只能⽤于RDB插件

· 增量同步只关⼼读，不关⼼写，因此只与Reader插件有关

· 增量字段只能为数值类型和时间类型

· 指标需要上传到 prometheus，⽽ prometheus 不⽀持字符串类型，因此只⽀持数据类型和时间类型，时间类型会转换成时间戳后上传

· 增量键的值可以重复，但必须递增

· 由于使⽤ '>' 的缘故，要求字段必须递增

断点续传

断点续传是为了在离线同步的时候，针对⻓时间同步任务如超过1天，如果在同步过程中由于某些原因导致任务失败，从头再来的话成本⾮常⼤，因此需要⼀个断点续传的功能从任务失败的地⽅继续。

● 实现原理

· 基于 Flink 的 checkpoint，在 checkpoint 的时候 会存储 source 端最后⼀条数据的某个字段值，sink 端插件执⾏事务提交。

· 在任务失败，后续通过 checkpoint 重新运⾏时，source 端在⽣成 select 语句的时候将 state ⾥的值作为条件拼接进⾏数据的过滤，达到从上次失败位点进⾏恢复。

● 适用场景

通过上述原理我们可以知道 source 端必须是 RDB 类型插件，因为是通过 select 语句拼接 where 条件进⾏数据过滤达到断点续传的，同时断点续传需要指定⼀个字段作为过滤条件，且此字段要求是递增的。

· 任务需要开启 checkpoint

· reader 为 RDB 的插件均⽀持且 writer ⽀持事务的插件(如 rdb filesystem 等)，如果下游是幂等性则 writer 插件也不需要⽀持事务

· 作为断点续传的字段在源表⾥的数据是递增的，因为过滤条件是 >

项目地址：https://github.com/DTStack