Dinky 扩展 iceberg 的实践分享

文末丶

发布于 2022-09-02 18:34:43

1.7K1

发布于 2022-09-02 18:34:43

文章被收录于专栏：DataLink数据中台

摘要：本文介绍了 Dinky 实时计算平台扩展 iceberg 的实践分享。内容包括：

背景
部署
案例
总结

GitHub 地址

https://github.com/DataLinkDC/dlink

https://gitee.com/DataLinkDC/Dinky

欢迎大家关注 Dinky 的发展~

一、背景

Iceberg 是一个面向海量数据分析场景的开放表格式 (Table Format)。定义中所说的表格式 (Table Format)，可以理解为元数据以及数据文件的一种组织方式，处于计算框架 (Flink, Spark...) 之下，数据文件之上。

Iceberg 数据湖是一个集中式存储库，可存储任意规模结构化和非结构化数据，支持大数据和 AI 计算。数据湖构建服务（Data Lake Formation, DLF）作为云原生数据湖架构核心组成部分，帮助用户简单快速地构建云原生数据湖解决方案。数据湖构建提供湖上元数据统一管理、企业级权限控制，并无缝对接多种计算引擎，打破数据孤岛，洞察业务价值，面向海量数据处理，历史数据状态更新，查询响应快。

本文将带来基于 Dinky 来实现 Flink 流式入湖 iceberg 的实践分享。

二、部署

下载 Iceberg 相关依赖 Jar 包放入 Flink/lib 文件里 (注: dlink/plugins 目录里面也要有，HDFS 上 flink/lib 目录下面也要有，因为 Dinky 依赖于这些 jar 包构建数据湖)

iceberg-flink-runtime-1.12-0.13.1
iceberg-hive-runtime-0.13.1 用于集成hive数仓（iceberg (hive_catalog) 与hive元数据互通）
iceberg-mr-0.13.1 用于集成hive数仓 (iceberg (hadoop_catalog) 与hive元数据互通)

三、案例

本案例为 FlinkCDC -> Kafka -> iceberg。

1.依赖准备

需要相关依赖jar包，数据打通 Mysql，Kafka，Hive

https://repo.maven.apache.org/maven2/ 根据自己相应组件版本下载

flink-sql-connector-mysql-cdc-2.2.1.jar 连接 Mysql，创建 flinkcdcmysql 表不报错
flink-format-changelog-json-2.1.1.jar 用于 binlog 数据状态更新(增删改)
flink-shaded-hadoop-3-uber-3.1.1.7.2.9.0-173-9.0.jar 用于 kafka 写入数据到 iceberg，如果没有这 jar 包数据写入不了，因为iceberg 元数据/数据是存储在 hdfs 上
flink-sql-connector-hive-3.1.2_2.12-1.13.6.jar 用于 flink 打通 hive
flink-sql-connector-kafka_2.12-1.13.5.jar ,kafka-clients-3.1.0.jar,kafka_2.12-3.1.0.jar 用于 flink 打通 kafka

2.创建 FlinkCDC_Kafka_Env FlinkSQLEnv

在 Dinky 上创建 FlinkCDC_Kafka_Env 环境文件（FlinkSqlEnv文件）

USE CATALOG default_catalog;

use default_database;

CREATE TABLE test_table(
BILLID varchar,
CARDID varchar,
PRIMARY KEY (BILLID) NOT ENFORCED
) WITH (
    'connector' = 'mysql-cdc',/*连接类型*/
    'hostname' = '192.168.50.20',/*地址*/
    'port' = '3307',/*端口*/
    'username' = 'root',/*用户*/
    'password' = 123456,/*密码*/
    'database-name' = 'test',/*库名*/
    'table-name' = 'test_table',/*表名*/
    'connect.timeout' = '60s', /*连接超时时间*/
    'debezium.skipped.operations'='d', /*跳过binglog删除操作*/
    'server-id'='5401-5416',/*服务器 id*/
    'server-time-zone' = 'Asia/Shanghai', /*时区调整*/
    'scan.startup.mode'='initial',/*initial全量，latest-offset最新binglog读取及更新*/
    'scan.incremental.snapshot.enabled'='true'/*增量快照*/
);

CREATE TABLE test_kfk(
BILLID varchar,
CARDID varchar,
PRIMARY KEY (BILLID) NOT ENFORCED
) WITH (
      'connector' = 'kafka' /*kafka连接类型*/
    , 'topic' = 'test_table/*topic名称*/
    , 'scan.startup.mode' = 'earliest-offset'/*消费策略*/
    , 'properties.bootstrap.servers' = '192.168.50.20:9092,192.168.50.21:9092,192.168.50.22:9092'/*连接地址*/
    , 'properties.group.id' = 'source'/*消费者组*/
    , 'value.format' = 'changelog-json'/*数据json格式解析*/
    , 'sink.parallelism'='1'/*并行度设置*/
);

3.指定 Mysql 表和 Kafka 表

4.创建 FlinkCDC_Kafka_Sql 作业

在 Dinky 上创建 FlinkCDC_Kafka_Sql 文件（ FlinkSQL 类型文件）

set  jobmanager.memory.process.size= 1024m;
set  taskmanager.memory.process.size= 2048m;

set execution.checkpointing.interval = 60s;
set execution.checkpointing.timeout= 15000000;
set execution.checkpointing.max-concurrent-checkpoints= 500;
set execution.checkpointing.min-pause= 500;

-- 开启状态后端类型为rocksdb，开启增量快照，开启checkpoints，记录数据状态，如果不开启checkpoints接下来查询kafka数据是查不到的
set state.backend = rocksdb;
set state.backend.incremental=true;
set state.backend.rocksdb.metrics.block-cache-usage=true;
set state.backend.rocksdb.block.cache-size= 128mb;
set state.backend.rocksdb.block.blocksize= 64kb;
set taskmanager.numberOfTaskSlots= 3;
set table.exec.resource.default-parallelism = 3;

set table.exec.iceberg.infer-source-parallelism=true;
set table.exec.iceberg.infer-source-parallelism.max=3;

-- Mysql数据插入到kafka
insert into default_catalog.default_database.test_kafka select * from default_catalog.default_database.test_table

然后运行，去 Flink 页面看任务，看 jobmanager 日志，Mysql 先是切割数据成块，之前为什么要选定状态后端类型为 rocksdb，如果mysql 是一个亿数据，数据量很大，数据在切块的时候会报错在 rocksdb (磁盘里)，而不是内存里(jm)，查看 kafka 数据，数据是否进入，然后去创建 FlinkSQL 文件去查 kafka 数据，验证数据状态是否更新(增，删( mysqlcdc 参数里面有跳过删除 binlog 日志)，改)

5.创建 Kafka_Iceberg_Env FlinkSQLEnv

基于 Hadoop_catalog 模式

USE CATALOG default_catalog;

use default_database;

-- 创建kafka表
CREATE TABLE test_kafka(
BILLID varchar,
CARDID varchar
PRIMARY KEY (BILLID) NOT ENFORCED
) WITH (
      'connector' = 'kafka' /*kafka连接类型*/
    , 'topic' = 'test_table/*topic名称*/
    , 'scan.startup.mode' = 'earliest-offset'/*消费策略*/
    , 'properties.bootstrap.servers' = '192.168.50.20:9092,192.168.50.21:9092,192.168.50.22:9092'/*连接地址*/
    , 'properties.group.id' = '2wbsink'/*消费者组*/
    , 'value.format' = 'changelog-json'/*数据json格式解析*/
);

/*创建目录在Hadoop上构建数据湖*/
CREATE CATALOG hadoop_catalog WITH (
  'type'='iceberg',/*类型是iceberg*/
  'catalog-type'='hadoop',/*目录存储类型在hadoop*/
  'property-version'='1',/*版本*/
  'warehouse'='hdfs://ns/warehouse/hadoop_catalog'/*目录创建地址*/
);
--查看hadoop上是否有hadoop_Catalog目录
use catalog hadoop_catalog;
--在hadoop_Catalog下创建数据库
Create database ods_iceberg_yarn;  --创建完看hadoop上是否有目录，然后注释掉语句，要不然报数据库已存在
use ods_iceberg_yarn;

--创建iceberg表在hadoop_catalog.ods_iceberg_yarn，创建完注释掉表
-- CREATE TABLE iceberg_table(
-- BILLID varchar,
-- CARDID varchar,
-- PRIMARY KEY (BILLID) NOT ENFORCED
-- ) WITH 
-- ( 
-- 'write.format.default'='orc',  --数据压缩格式orc
-- 'write.upsert.enabled' = 'true', --支持数据更新
-- 'engine.hive.enabled'='true', --与hive元数据互通
-- 'format-version'='2'/*可以更新删除数据*/
-- );


--分区表结构，分区字段必须包含在主键里面,分区字段字段长度，类型字符串类型，数据量上亿数据，数据入湖会出现资源溢出问题
-- CREATE TABLE iceberg_table(
-- BILLID varchar,
-- CARDID varchar,
-- PRIMARY KEY (BILLID,USERID) NOT ENFORCED
-- ) PARTITIONED BY (
--  USERID
--)WITH 
-- ( 
-- 'write.format.default'='orc',  --数据压缩格式orc
-- 'write.upsert.enabled' = 'true', --支持数据更新
-- 'engine.hive.enabled'='true', --与hive元数据互通
-- 'format-version'='2'/*可以更新删除数据*/
-- );

基于 Hive_catalog 模式

USE CATALOG default_catalog;

use default_database;

CREATE TABLE test_kafka(
BILLID varchar,
CARDID varchar
PRIMARY KEY (BILLID) NOT ENFORCED
) WITH (
      'connector' = 'kafka' /*kafka连接类型*/
    , 'topic' = 'test_table/*topic名称*/
    , 'scan.startup.mode' = 'earliest-offset'/*消费策略*/
    , 'properties.bootstrap.servers' = '192.168.50.20:9092,192.168.50.21:9092,192.168.50.22:9092'/*连接地址*/
    , 'properties.group.id' = '2wbsink'/*消费者组*/
    , 'value.format' = 'changelog-json'/*数据json格式解析*/
);

CREATE CATALOG hive_catalog WITH (
  'type'='iceberg',
  'catalog-type'='hive',
  'uri'='thrift://192.168.50.20:9083',
  'clients'='5',
  'property-version'='2',
  'warehouse'='hdfs://ns/user/hive/warehouse'
);

use catalog hive_catalog;

-- create database ods;

use  ods;

-- CREATE TABLE iceberg(
-- BILLID varchar ,
-- CARDID varchar
-- PRIMARY KEY (BILLID) NOT ENFORCED
-- ) WITH 
-- ( 
-- 'write.format.default'='orc',  --数据压缩格式orc
-- 'write.upsert.enabled' = 'true', --支持数据更新
-- 'engine.hive.enabled'='true', --与hive元数据互通
-- 'format-version'='2'/*可以更新删除数据*/
-- );

5.创建 Kafka_Iceberg_SQL 作业

在Dlink上创建Kafka_Iceberg_SQL文件

set  jobmanager.memory.process.size= 2048m;
set  taskmanager.memory.process.size= 2048m;

set execution.checkpointing.interval = 60s;
set execution.checkpointing.timeout= 15000000;
set execution.checkpointing.max-concurrent-checkpoints= 500;
set execution.checkpointing.min-pause= 500;
-- 开启状态后端类型为rocksdb，开启增量快照，开启checkpoints，记录数据状态，如果不开启checkpoints接下来查询kafka数据是查不到的
set state.backend = rocksdb;
set state.backend.incremental=true;
set state.backend.rocksdb.metrics.block-cache-usage=true;
set state.backend.rocksdb.block.cache-size= 128mb;
set state.backend.rocksdb.block.blocksize= 64kb;
set taskmanager.numberOfTaskSlots= 3;
set table.exec.resource.default-parallelism = 3;

set table.exec.iceberg.infer-source-parallelism=true;
set table.exec.iceberg.infer-source-parallelism.max=3;
-- 开启flink动态参数
SET table.dynamic-table-options.enabled=true;

/*+OPTIONS('equality-field-columns'='BILLID')*/  这里是根据主键id更新数据
insert into hive_catalog.ods.ods_iceberg_salebilltable2bw5 /*+OPTIONS('equality-field-columns'='BILLID')*/ select * from default_catalog.default_database.salebilltable1q_kfk_sink

Hadoop_catalog 和 Hive_catalog 注意 iceberg 库，目录指定hadoop_catalog.database.iceberg_table,hive_catalog.database.iceberg_table

运行任务，查看hadoop目录下hadoop_catalog下iceberg表，data目录生成就代表数据入湖了，只用dbeaver查看hive表数据是否落仓。

6.基于iceberg Hadoop_catalog 模式映射 Hive

https://wenku.baidu.com/view/53e456eba2c7aa00b52acfc789eb172ded6399ee.html

(1) .查询iceberg数据

set  jobmanager.memory.process.size= 1024m;
set  taskmanager.memory.process.size= 1024m;

set execution.checkpointing.interval = 3s;
set execution.checkpointing.timeout= 15000000;
set execution.checkpointing.max-concurrent-checkpoints= 500;
set execution.checkpointing.min-pause= 500;

set state.backend = rocksdb;
set state.backend.incremental=true;
set state.backend.rocksdb.metrics.block-cache-usage=true;
set state.backend.rocksdb.block.cache-size= 128mb;
set state.backend.rocksdb.block.blocksize= 64kb;
set taskmanager.numberOfTaskSlots= 1;
set table.exec.resource.default-parallelism = 2;

/*创建目录在Hadoop上构建数据湖*/
CREATE CATALOG hadoop_catalog WITH (
  'type'='iceberg',/*类型是iceberg*/
  'catalog-type'='hadoop',/*目录存储类型在hadoop*/
  'property-version'='1',/*版本*/
  'iceberg.engine.hive.enabled'='true',
  'warehouse'='hdfs://ns/warehouse/hadoop_catalog'/*目录创建地址*/
);

use catalog hadoop_catalog;

-- CREATE CATALOG hive_catalog WITH (
--   'type'='iceberg',
--   'catalog-type'='hive',
--   'uri'='thrift://192.168.88.50:9083',
--   'clients'='5',
--   'property-version'='2',
--   'warehouse'='hdfs://ns/user/hive/warehouse/hive_catalog'
-- );

-- use catalog hive_catalog;

use ods_iceberg_yarn;

select BILLID,CASH,C_BANK from ods_iceberg_yarn.ods_iceberg_salebilltable2bw4 where BILLID='A110801000032'

-- select billid,c_bank,cash from ods_iceberg_yarn.ods_iceberg_salebilltable2bw4 where billid='A110801000027'

四、总结

本文章是 Dinky 集成 iceberg 打通案例，但我觉得还是多去 iceberg 官网看看原理，创表参数，读写参数，分区兼容 Flink 问题，之后 iceberg 新版本隐藏分区会支持 flink。

对于使用 Dinky 的感受，我觉得最好的还是省了写 flinkapi 代码了，方便管理任务，不同模式的提交，也不用去命令行写命令提交，还有checkpoint任务恢复，功能挺强大的。

本文参与腾讯云自媒体同步曝光计划，分享自微信公众号。

原始发表：2022-05-23，如有侵权请联系 cloudcommunity@tencent.com 删除

大数据