Apache Flink CDC 3.1.0版本知识学习

news2024/9/20 3:36:37

Apache Flink CDC 3.1.0版本知识学习

一、Flink CDC 3.1 快速预览
二、Transformation 支持
三、分库分表合并支持
四、使用 Kafka Pipeline Sink 高效写入 Canal/Debezium 格式数据
五、更高效地实时入湖 Paimon
六、其他改进
七、Flink CDC 3.1 版本兼容性

一、Flink CDC 3.1 快速预览

作为 Flink CDC 成为 Apache Flink 子项目之后的首个版本，3.1 带来了许多新功能与稳定性提升。主要亮点包括：

Transformation 支持：通过 YAML 管道定义中的 transform 部分，用户可以对数据变化事件进行投影、计算和添加常量列等转化，使用类似 SQL 的语法，提升数据集成管道的灵活性。
分库分表合并支持：可以通过在 YAML 管道定义中配置路由将多个表合并到一个目标表，自动处理业务数据在不同表或数据库的分区及源表的 schema 变化。
新连接器：引入了新的 Apache Kafka 和 Apache Paimon 的 Pipeline Sink，增强了生态系统的扩展性，其中Kafka Sink 使得用户可以发送原始Debeizum/ Canal Json 格式的CDC数据到消息队列，Paimon Sink 则是让用户可以简单高效地完成MySQL实时入湖。
连接器改进：如 MySQL 增加了 tables.exclude 选项和 MysqlDebeziumTimeConverter，OceanBase 支持 DebeziumDeserializationSchema，Db2 迁移到统一增量快照框架等。

二、Transformation 支持

Flink CDC 3.1.0 引入了在 CDC pipeline 中进行数据变换（transformation）的功能。通过在 YAML pipeline 定义中加入 transform 部分，用户现在可以轻松地对来源的数据变更事件应用各种变换，包括投影、计算和添加常量列，从而提高数据集成管道的效率。新特性利用类似 SQL 的语法定义这些转换，确保用户可以快速适应并使用它。例如，只需编写如下 YAML 语句块：

transform:
  - source-table: db.tbl1
    projection: id, age, weight, height, weight / (height * height) as bmi
    filter: age > 18 AND name IS NOT NULL

即可对传递的数据流应用投影操作（仅保留原表中的部分列）、计算操作（根据原列数据计算新列并追加到数据记录中）和过滤操作（从结果中清除符合条件的数据行）。可以书写多条 Transform 规则，它们会同时生效。

三、分库分表合并支持

Flink CDC 3.1.0 现在通过在 YAML pipeline 定义中配置 route，在分库分表场景下将多表合并为一个。由于业务数据量庞大，业务数据经常会被分别存放在多个表甚至数据库中。通过配置route，用户可以将多张源表映射至同一个目标表，在同步时，数据变更事件（DataChangeEvent）和 Schema 变更事件都将被合并到指定的目标表中。例如，只需编写如下 YAML 语句块：

route:
  - source-table: db.tbl\.*
    sink-table: db.unified
  - source-table: db.tbl_log\.*
    sink-table: db.log

即可将源库中所有匹配 tbl.*和 tbl_log.*正则表达式的分片表合并，并分别同步到下游的 db.unified和 db.log汇表中。（.用于分隔数据库名称和表名称，因此作为正则表达式关键字时需要使用 \进行转义。）可以书写多条 Route 规则，它们会同时生效。

四、使用 Kafka Pipeline Sink 高效写入 Canal/Debezium 格式数据

source:
   type: mysql
   # ...

sink:
  type: kafka
  properties.bootstrap.servers: PLAINTEXT://localhost:62510
  value.format: canal-json

该作业将来自 MySQL 上游的变化数据编码为 Canal JSON 格式，并写入到指定的 Kafka 服务器中；相比于 Flink SQL Changelog 格式，Flink CDC 不会将数据更新事件拆分为 BEFORE 和 AFTER 两条记录，能够更高效地处理分区表场景，并支持将事件序列化为 Debezium 和 Canal JSON 格式。

在这里插入图片描述
Flink 支持将上述格式解析为标准变更消息处理，因此您可以简单地使用以下 Flink SQL 将其摄入流式处理框架，整个过程无需额外部署 Canal 或 Debezium 集群，直接复用已有 Flink 集群即可：

CREATE TABLE topic_products (
  -- 上游的 Schema 结构
) WITH (
 'connector' = 'kafka',
  -- ...
 'properties.bootstrap.servers' = 'localhost:9092',
 'format' = 'canal-json'  -- 从 Kafka 摄取 Canal JSON 格式数据
)

完整的数据流示意图如下所示：
在这里插入图片描述

五、更高效地实时入湖 Paimon

Flink CDC 3.1.0 引入了新的 Apache Paimon Pipeline Sink（基于 Paimon 0.7.0 版本）。现在，您可以编写如下所示的 YAML 语句块来定义一个从 MySQL 捕获变化数据并写入下游 Paimon Sink 的 Pipeline 作业：

source:
  type: mysql
  # ...

sink:
  type: paimon
  catalog.properties.metastore: filesystem
  catalog.properties.warehouse: /path/warehouse

可选择的下游元数据存储支持 FileSystem 和 Hive。在启用 Schema Evolution 选项时，Flink CDC 会同时捕获数据变更和表结构变更、在应用 Transform 和 Route 规则后将数据发送到下游，并将结构变更应用到 Catalog 中。完整的数据流示意图如下所示：

在这里插入图片描述
相比于使用 Flink SQL 和 Paimon CDC Action 的同步方案，Flink CDC Pipeline 作业支持将上游表结构变更动态应用至下游，且进一步支持了对上游表进行列投影和行过滤，提供细粒度的数据路由规则，追加计算列的逻辑配置更加简单。例如，以下 Paimon Action 变换语句：

flink run paimon-action.jar
    --metadata_column "table_name"
    --computed_column "name=UPPER(name)"
    --computed_column "nameage=CONCAT(name, age)"

可以使用 Flink CDC YAML 等效地表述为：

projection: \*, __table_name__, UPPER(name) as newage, CONCAT(name, age) as nam

六、其他改进

（1）MySQL Pipeline 连接器
在此版本中，MySQL pipeline source 引入了一个新的选项 tables.exclude，用户可以更简单地使用正则表达式排除不必要的表。

（2）MySQL Source 连接器
MySQL CDC source 同时新增了一个自定义转换器 MysqlDebeziumTimeConverter，用于将时间类型列转换为更易于读取和序列化的字符串。

（3）OceanBase Source 连接器
OceanBase CDC source 现在支持指定通用的 DebeziumDeserializationSchema，以重用现有的 Debezium 反序列化器。

（4）Db2 Source 连接器
Db2 CDC source 已经迁移至统一的增量快照框架。

（5）SinkFunction 支持
尽管 SinkFunction 在 Flink 中已被标记为弃用，但考虑到一些 Flink connector 仍在使用该 API，我们也为 CDC pipeline sink 支持 SinkFunction API 以帮助扩展 Flink CDC 的生态系统。

（6）CLI 支持从 savepoint 恢复
Flink CDC pipeline 提交 CLI 现在支持通过命令行参数 --from-savepoint 从特定的 savepoint 文件恢复 Flink 作业。