网上学习资料一大堆,但如果学到的知识不成体系,遇到问题时只是浅尝辄止,不再深入研究,那么很难做到真正的技术提升。
一个人可以走的很快,但一群人才能走的更远!不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人,都欢迎加入我们的的圈子(技术交流、学习资源、职场吐槽、大厂内推、面试辅导),让我们一起学习成长!
执行代码。
然后复制一份`FlinkSQLReadFromPaimon`代码到`tabletype`包下面。
修改`FlinkSQLReadFromPaimon`里面读取的表名,改为`user2`。
//读取Paimon表中的数据,并且打印输出结果
tEnv.executeSql(
“”"
|SELECT * FROM paimon_catalog
.default
.user2
|“”".stripMargin)
.print()
>
> 注意:此时表名需要使用`user2`,而不是`paimon_external_user2`!!!
>
>
>
因为`paimon_external_user2`这个表名是存储在Flink SQL中`默认的基于内存的catalog`中,当任务执行结束之后,`paimon_external_user2`这个表名就不存在了。
最终`Paimon`中存储的表名是`user2`,这个表名来源于path路径中的名称。
执行修改后的代码`FlinkSQLReadFromPaimon`,可以看到如下结果:
±—±-------------------------------±------------+
| op | name | age |
±—±-------------------------------±------------+
| +I | jack | 18 |
注意:此时我们是以内部表的形式读取的数据。
#### 3.1.3 分区表
Paimon中的分区表和Hive中的分区表的功能类似,主要也是为了提高查询效率。
分区表中的分区字段可以支持`1个`或者`多个`。
>
> 注意:如果表中定义了主键,分区字段则必须是主键的子集。
>
>
>
Paimon分区表的建表语句是这样的:
CREATE TABLE Partition_Table (
id INT,
name STRING,
dt STRING,
hh STRING,
PRIMARY KEY (id, dt, hh) NOT ENFORCED
) PARTITIONED BY (dt, hh) WITH(
…
)
核心语法是`PARTITIONED BY (....)`
下面我们来通过具体的案例来演示一下Paimon分区表的使用。
首先来看一下如何在Flink SQL中向Paimon分区表中写入数据。
创建object:`FlinkSQLWritePaimonPartitionTable`
代码如下:
package tech.xuwei.paimon.tabletype
import org.apache.flink.api.common.RuntimeExecutionMode
import org.apache.flink.streaming.api.scala.StreamExecutionEnvironment
import org.apache.flink.table.api.bridge.scala.StreamTableEnvironment
/**
-
使用FlinkSQL向Paimon分区表中写入数据
-
Created by xuwei
*/
object FlinkSQLWritePaimonPartitionTable {
def main(args: Array[String]): Unit = {
//获取执行环境
val env = StreamExecutionEnvironment.getExecutionEnvironment
env.setRuntimeMode(RuntimeExecutionMode.STREAMING)
val tEnv = StreamTableEnvironment.create(env)//创建Paimon类型的Catalog
tEnv.executeSql(
“”"
|CREATE CATALOG paimon_catalog WITH (
| ‘type’=‘paimon’,
| ‘warehouse’=‘hdfs://bigdata01:9000/paimon’
|)
|“”".stripMargin)
tEnv.executeSql(“USE CATALOG paimon_catalog”)//创建Paimon分区表
tEnv.executeSql(
“”"
|CREATE TABLE IF NOT EXISTS user_par (
| id INT,
| name STRING,
| dt STRING,
| hh STRING,
| PRIMARY KEY (id, dt, hh) NOT ENFORCED
|) PARTITIONED BY (dt, hh)
|“”".stripMargin)//向Paimon分区表中写入数据
tEnv.executeSql(
“”"
|INSERT INTO user_par(id,name,dt,hh)
|VALUES (1,‘jack’,‘20230101’,‘10’),(2,‘tom’,‘20230101’,‘11’)
|“”".stripMargin)
}
}
执行代码。
此时到hdfs中可以看到这个表的底层数据是按照分区字段作为目录名称来存储的。
[root@bigdata04 ~]# hdfs dfs -ls /paimon/default.db/user_par/dt=20230101
Found 4 items
drwxr-xr-x - yehua supergroup 0 2028-11-28 17:08 /paimon/default.db/user_par/dt=20230101/hh=10
drwxr-xr-x - yehua supergroup 0 2028-11-28 17:08 /paimon/default.db/user_par/dt=20230101/hh=11
接下来我们来看一下如何在Flink SQL中从Paimon分区表中读取数据。
其实读取数据这一块是没什么特殊之处的,不管是内部表、外部表还是分区表。
只是针对分区表,如果想要提高查询效率,则需要在where子句中指定分区字段。
创建object:`FlinkSQLReadPaimonPartitionTable`
代码如下:
package tech.xuwei.paimon.tabletype
import org.apache.flink.api.common.RuntimeExecutionMode
import org.apache.flink.streaming.api.scala.StreamExecutionEnvironment
import org.apache.flink.table.api.bridge.scala.StreamTableEnvironment
/**
-
使用FlinkSQL从Paimon分区表中读取数据
-
Created by xuwei
*/
object FlinkSQLReadPaimonPartitionTable {
def main(args: Array[String]): Unit = {
//获取执行环境
val env = StreamExecutionEnvironment.getExecutionEnvironment
env.setRuntimeMode(RuntimeExecutionMode.STREAMING)
val tEnv = StreamTableEnvironment.create(env)//创建Paimon类型的Catalog
tEnv.executeSql(
“”"
|CREATE CATALOG paimon_catalog WITH (
| ‘type’=‘paimon’,
| ‘warehouse’=‘hdfs://bigdata01:9000/paimon’
|)
|“”".stripMargin)
tEnv.executeSql(“USE CATALOG paimon_catalog”)//执行查询,并且打印输出结果
tEnv.executeSql(
“”"
|SELECT
| *
|FROMpaimon_catalog
.default
.user_par
|WHERE dt = ‘20230101’ AND hh in (‘10’,‘11’)
|“”".stripMargin)
.print()
}
}
执行代码,可以看到如下结果:
±—±------------±-------------------------------±-------------------------------±-------------------------------+
| op | id | name | dt | hh |
±—±------------±-------------------------------±-------------------------------±-------------------------------+
| +I | 1 | jack | 20230101 | 10 |
| +I | 2 | tom | 20230101 | 11 |
这就是Paimon分区表的使用了。
#### 3.1.4 临时表
最后我们来看一下临时表,前面我们已经用过临时表了。
临时表是由`Paimon Catalog`临时进行记录,但是不由它管理。删除临时表时也不会删除表中的数据文件。
也就是说这个临时表的元数据信息只会临时存储在`Paimon Catalog`里面,当Flink SQL任务执行结束之后,这个临时表的元数据信息就会被删除了。
>
> 注意:其实这个临时表的特性是Flink SQL提供的,所以目前只能在Flink SQL中使用临时表。
>
>
>
临时表的典型应用场景是这样的,就是我们想要在`Paimon Catalog`里面使用`其他类型`的表。
因为在Paimon Catalog里面定义表的时候是不允许指定connector属性的,所以说如果我们想要通过connector指定kafka或者其他类型的数据存储系统,就需要定义临时表了。
下面我们来看一个例子,加深我们对临时表应用场景的理解:
首先我们创建了Paimon Catalog,并且进入了这个Catalog里面。
CREATE CATALOG paimon_catalog WITH (
‘type’ = ‘paimon’,
‘warehouse’ = ‘hdfs:///path/to/warehouse’
);
USE CATALOG paimon_catalog;
然后我们在Paimon Catalog里面创建了两个表:`t1`和`t2`。
CREATE TABLE t1(…) WITH (…);
CREATE TEMPORARY TABLE t2(
id INT,
name STRING
) WITH (
‘connector’ = ‘filesystem’,
‘path’ = ‘hdfs://…/data.json’,
‘format’ = ‘json’
);
注意:t1是Paimon类型的表。t2是临时表。
t2表中的数据来源于hdfs中的json数据文件,所以此时我们在Paimon Catalog里面创建t2表的时候就需要使用临时表了,因为我们需要通过connector指定数据的存储位置为filesystem。
如果不使用临时表,在Paimon Catalog里面创建t2的时候就不能使用connector属性了。
最后就可以在Paimon Catalog里面直接操作这两个表了。
SELECT t1.id,t2.name,t1.age FROM t1 JOIN t2 ON t1.id = t2.id;
如果我不想使用临时表,但是还想实现这个需求,应该怎么做呢?
其实也很简单,我们只需要在默认的`default catalog`里面创建表`t2`即可。
但是需要注意,后续我们在同时使用表`t1`和`t2`的时候,就需要指定表的完整名称了。
类似于`FlinkSQLWriteToPaimon`这个案例。
//向目的地表中写入数据
tEnv.executeSql(
“”"
|INSERT INTO paimon_catalog
.default
.wc_sink_sql
|SELECT
| word,
| COUNT(*) as cnt
|FROM default_catalog
.default_database
.word_source
|GROUP BY word
|“”".stripMargin).print()
* 如果是在paimon catalog里面执行这个SQL,则需要给`word_source`这个表指定完整名称。
* 如果是在的default catalog里面执行这个SQL,则需要给`wc_sink_sql`这个表指定完整名称。
这就是临时表的典型应用场景。
### 3.2 存储维度
从存储维度来看,Paimon中的表可以分为两种:
* `Primary Key`表,也可以称之为主键表。
* `Append Only`表,也可以称之为仅追加表。
这两种表其实很好区分,如果表中定义的有主键字段,则是主键表;如果表中没有定义主键字段,则是仅追加表。
下面我们来详细分析一下。
#### 3.2.1 Primary Key表(主键表)
主键表中包含主键字段,可以支持新增、更新和删除表中的数据。
>
> 注意:主键可以由一个或者多个字段组成。
>
>
>
主键表其实我们前面已经使用过了,就是在建表语句中通过`PRIMARY KEY`来指定主键字段。
主键表中还包含了多个高级特性:
* Bucket
* Changelog Producers
* Merge Engines
* Sequence Field
下面我们来具体看一下这些高级特性。
##### 3.2.1.1 Bucket
Bucket:可以翻译为桶。
Bucket是表中数据读写的最小存储单元,所以Bucket的数量限制了读写的并行度,最终会影响读写性能,每个Bucket目录内部会包含一棵LSM树。
>
> 注意:LSM树是一种数据结构,Paimon采用了LSM树作为其文件存储的数据结构。
>
>
>
主键表目前支持两种`Bucket mode`(模式):
* 1:`Fixed Bucket mode`:属于固定Bucket数量模式,也就是需要我们手工指定Bucket的数量。我们在建表时默认使用的就是这种模式,Bucket参数的值默认为1。我们只需要给Bucket设置一个大于0的数值即可。但是需要注意:Bucket数量过大会导致小文件过多,影响读取性能;Bucket数量过小会影响写入性能。一般情况下,每个Bucket中的数据量推荐为1G左右。
* 2:`Dynamic Bucket mode`:属于动态Bucket数量模式,也就是说Bucket的数量是动态变化的。此时我们需要在建表时指定`'bucket' = '-1'`,此时会由Paimon动态维护索引,将每个Bucket中的数据条数控制在2000000(2百万)以下,这个数值是由`dynamic-bucket.target-row-num`这个参数控制的。但是需要注意,目前这种模式属于实验性质,暂时不建议在生产环境下使用。
下面我们通过一个案例来具体感受一下Bucket。
创建package:`tech.xuwei.paimon.bucket`
创建object:`BucketDemo`
代码如下:
package tech.xuwei.paimon.bucket
import org.apache.flink.api.common.RuntimeExecutionMode
import org.apache.flink.streaming.api.scala.StreamExecutionEnvironment
import org.apache.flink.table.api.bridge.scala.StreamTableEnvironment
/**
-
验证Bucket特性
-
Created by xuwei
*/
object BucketDemo {
def main(args: Array[String]): Unit = {
//创建执行环境
val env = StreamExecutionEnvironment.getExecutionEnvironment
env.setRuntimeMode(RuntimeExecutionMode.STREAMING)
val tEnv = StreamTableEnvironment.create(env)//创建Paimon类型的Catalog
tEnv.executeSql(
“”"
|CREATE CATALOG paimon_catalog WITH (
| ‘type’=‘paimon’,
| ‘warehouse’=‘hdfs://bigdata01:9000/paimon’
|)
|“”".stripMargin)
tEnv.executeSql(“USE CATALOG paimon_catalog”)//创建Paimon表
tEnv.executeSql(
“”"
|CREATE TABLE IF NOT EXISTS bucket_test (
| word STRING,
| cnt BIGINT,
| PRIMARY KEY (word) NOT ENFORCED
|)WITH(
| ‘bucket’ = ‘2’ – 手工指定bucket的值,默认为1
|)
|“”".stripMargin)//查看最完整的建表语句
tEnv.executeSql(“SHOW CREATE TABLE bucket_test”).print()//向表中添加数据
tEnv.executeSql(
“”"
|INSERT INTO bucket_test(word,cnt)
|VALUES(‘a’,1) , (‘b’,2) , (‘c’,1) , (‘d’,3)
|“”".stripMargin)
}
}
执行代码,可以看到输出的完整建表语句信息:
CREATE TABLE paimon_catalog
.default
.bucket_test
(
word
VARCHAR(2147483647) NOT NULL,
cnt
BIGINT,
CONSTRAINT 53dc473d-3e56-4e13-ac8b-a4f3c9abb72b
PRIMARY KEY (word
) NOT ENFORCED
) WITH (
‘bucket’ = ‘2’,
‘path’ = ‘hdfs://bigdata01:9000/paimon/default.db/bucket_test’
)
接下来我们到hdfs中查看一个这个表的Bucket信息:
[root@bigdata04 ~]# hdfs dfs -ls /paimon/default.db/bucket_test
Found 5 items
drwxr-xr-x - yehua supergroup 0 2028-11-29 17:54 /paimon/default.db/bucket_test/bucket-0
drwxr-xr-x - yehua supergroup 0 2028-11-29 17:54 /paimon/default.db/bucket_test/bucket-1
drwxr-xr-x - yehua supergroup 0 2028-11-29 17:54 /paimon/default.db/bucket_test/manifest
drwxr-xr-x - yehua supergroup 0 2028-11-29 17:54 /paimon/default.db/bucket_test/schema
drwxr-xr-x - yehua supergroup 0 2028-11-29 17:54 /paimon/default.db/bucket_test/snapshot
此时可以看到,这个表中包含2个bucket目录,这两个bucket目录中存储的就是这个表中的所有数据。
bucket目录内部都是一些data数据文件,里面就是真实的数据内容了:
[root@bigdata04 ~]# hdfs dfs -ls /paimon/default.db/bucket_test/bucket-0
Found 1 items
-rw-r–r-- 3 yehua supergroup 545 2028-11-29 17:54 /paimon/default.db/bucket_test/bucket-0/data-8475e141-1725-489f-bd09-13606fd2302f-0.orc
咱们之前创建的表没有手工指定bucket,那么bucket默认为1,可以到表wc\_sink\_sql里面看一下,这个表里面存储了多条数据,但是只有1个bucket:
[root@bigdata04 ~]# hdfs dfs -ls /paimon/default.db/wc_sink_sql
Found 4 items
drwxr-xr-x - yehua supergroup 0 2028-11-29 11:53 /paimon/default.db/wc_sink_sql/bucket-0
drwxr-xr-x - yehua supergroup 0 2028-11-29 11:53 /paimon/default.db/wc_sink_sql/manifest
drwxr-xr-x - yehua supergroup 0 2028-11-29 11:44 /paimon/default.db/wc_sink_sql/schema
drwxr-xr-x - yehua supergroup 0 2028-11-29 11:53 /paimon/default.db/wc_sink_sql/snapshot
所以在实际工作中,设置合适的bucket数量就是非常重要的了。
但是在不同的时期,bucket的数量大概率是需要调整的,因为合适的bucket数量不可能是一成不变的,随着数据量的增加,bucket的数量也需要增大。
官方支持后期手工调整表中的bucket数量,但是想要对bucket中的数据进行重新分布,则只能通过离线流程来完成,也就是说需要跑一个离线任务来重新对bucket中的数据进行分布。
##### 3.2.1.2 Changelog Producers
Changelog Producers:可以翻译为变更日志生产者。
Paimon表中存储数据的时候,除了存储数据本身,还可以选择存储数据的变更日志,也就是Changelog。
Changelog 主要应用在流读场景,在构建实时数据仓库的过程中,我们需要通过流读取上游的数据写入到下游,完成数仓各层之间的数据同步,让整个数仓的数据实时地流动起来。
如果上游数据来源于MySQL的 Binlog 日志,这样是可以直接提供完整的 Changelog 以供流来读取的。
但是针对湖仓一体架构,数仓分层是在Paimon里面实现的,数据会以表格的形式存储在文件系统中。
如果下游的Flink任务要通过流读取Paimon表中的数据,则需要Paimon的存储系统帮助生成 Changelog,以便下游流读。
此时就需要我们在建表时指定参数`changelog-producer`来决定在何时以何种方式生成Changelog。
如果不指定Changelog Producer则不会向Paimon表中写入数据的时候生成 Changelog,那么下游任务需要在流读时生成一个Changelog Normalize物化节点来产生Changelog。
这种方式的成本相对比较高,并且官方也不建议这样使用,因为下游任务会在状态中维护一份全量的数据,也就是说每条数据都需要保存在状态中便于任务在执行时生成Changelog。
>
> 可能大家在这会有一个疑问,为什么一定需要Changelog呢?
>
>
>
因为通过Changelog可以记录数据的中间变化,针对某些计算逻辑,我们需要知道数据之前的历史值是什么,这样才能得到正确的结果。
例如:我们接收到的数据中包含了相同主键的多条 INSERT 数据,这样会导致下游的流聚合任务有问题,因为相同主键的多条数据应该被认为是更新,而不是重复累加计算。
Paimon 支持的 `Changelog Produers`主要包括这几种:`None、Input、Lookup和Full Compaction`。
下面我们来详细分析一下:
###### (1)None
如果不指定`changelog-producer`,默认就是 `none`,此时存储数据的时候不会存储数据的Changelog,后期读取数据时会动态生成Changelog,成本较高,不建议使用。
![在这里插入图片描述](https://img-blog.csdnimg.cn/5d013c4235fd46849ddcd367821b3fa9.png#pic_center)
看这个图,此时这个数据源可以是任意类型的数据源,假设数据源依次产生了`+I,+U,-D`类型的数据,其实这里面缺少了`-U`类型的数据,我们通过Paimon 的SinkWriter组件将这些数据写入到了Paimon表中。
注意:此时这个Paimon表中配置的`changelog-producer`参数的值为`none`。
此时在向Paimon表中写入数据的时候,这个表只会存储数据本身,不会存储数据的Changelog。
当我们再通过一个任务从这个Paimon表中读取数据的时候,这个任务只能读取到`+I、+U和-D`类型的数据,但是这个任务会产生一个`Changelog Normalize`物化节点来自己生成数据的Changelog,但是这个操作是非常昂贵的,因为它需要在状态中维护数据的所有历史变化情况来生成数据的Changelog。最终是可以获取到完整的`+I、-U、+U、-D`类型的数据的。
下面我们来通过一个案例具体演示一下建表语句中指定`changelog-producer=none`时的效果。
创建package:`tech.xuwei.paimon.changelogproducer.none`
创建object:`FlinkDataStreamWriteToPaimonForNone`
这个Object负责向Paimon表中模拟写入数据。
代码如下:
package tech.xuwei.paimon.changelogproducer.none
import org.apache.flink.api.common.RuntimeExecutionMode
import org.apache.flink.api.common.typeinfo.Types
import org.apache.flink.streaming.api.scala.StreamExecutionEnvironment
import org.apache.flink.table.api.bridge.scala.StreamTableEnvironment
import org.apache.flink.table.api.{DataTypes, Schema}
import org.apache.flink.table.connector.ChangelogMode
import org.apache.flink.types.{Row, RowKind}
/**
-
使用Flink DataStream API向Paimon表中写入数据
-
Created by xuwei
*/
object FlinkDataStreamWriteToPaimonForNone {
def main(args: Array[String]): Unit = {
//获取执行环境
val env = StreamExecutionEnvironment.getExecutionEnvironment
env.setRuntimeMode(RuntimeExecutionMode.STREAMING)
val tEnv = StreamTableEnvironment.create(env)//手工构造一个Changelog DataStream 数据流
val dataStream = env.fromElements(
Row.ofKind(RowKind.INSERT, “jack”, Int.box(10))//+I
//Row.ofKind(RowKind.UPDATE_AFTER, “jack”, Int.box(11))//+U
//Row.ofKind(RowKind.DELETE, “jack”, Int.box(11))//-D
)(Types.ROW_NAMED(Array(“name”, “age”),Types.STRING,Types.INT))//将DataStream转换为Table
val schema = Schema.newBuilder()
.column(“name”, DataTypes.STRING().notNull())//主键非空
.column(“age”, DataTypes.INT())
.primaryKey(“name”)//指定主键
.build()
val table = tEnv.fromChangelogStream(dataStream,schema,ChangelogMode.all())//创建Paimon类型的Catalog
tEnv.executeSql(
“”"
|CREATE CATALOG paimon_catalog WITH (
| ‘type’=‘paimon’,
| ‘warehouse’=‘hdfs://bigdata01:9000/paimon’
|)
|“”".stripMargin)
tEnv.executeSql(“USE CATALOG paimon_catalog”)//注册临时表
tEnv.createTemporaryView(“t1”,table)//创建Paimon类型的表
tEnv.executeSql(
“”"
|-- 注意:这里的表名使用反引号进行转义,否则会导致SQL DDL语句解析失败。
|CREATE TABLE IF NOT EXISTSchangelog_none
(
| name STRING,
| age INT,
| PRIMARY KEY (name) NOT ENFORCED
|) WITH (
| ‘changelog-producer’ = ‘none’ – 注意:值为none时这一行配置可以省略不写
|)
|“”".stripMargin)//向Paimon表中写入数据
tEnv.executeSql(
“”"
|INSERT INTOchangelog_none
|SELECT name,age FROM t1
|“”".stripMargin)
}
}
注意:在执行代码的时候通过修改`env.fromElements(...)`中的注释来实现实时产生多种类型数据的效果。
接下来创建Object:`FlinkDataStreamReadFromPaimonForNone`
这个Object负责从Paimon表中实时读取数据。
注意:为了便于在本地观察Flink读取数据任务中自动生成的`Changelog Normalize`物化节点,所以我们需要在代码中开启本地WebUI功能。
先在`pom.xml`中引入相关的依赖:
org.apache.flink flink-runtime-web 1.15.0
代码如下:
package tech.xuwei.paimon.changelogproducer.none
import java.time.ZoneId
import org.apache.flink.api.common.RuntimeExecutionMode
import org.apache.flink.configuration.{Configuration, RestOptions}
import org.apache.flink.streaming.api.scala.StreamExecutionEnvironment
import org.apache.flink.table.api.bridge.scala.StreamTableEnvironment
/**
-
使用Flink DataStream API从Paimon表中读取数据
-
Created by xuwei
*/
object FlinkDataStreamReadFromPaimonForNone {
def main(args: Array[String]): Unit = {
val conf = new Configuration()
//指定WebUI界面的访问端口,默认就是8081
conf.setString(RestOptions.BIND_PORT,“8081”)
//为了便于在本地通过页面观察任务执行情况,所以开启本地WebUI功能
val env = StreamExecutionEnvironment.createLocalEnvironmentWithWebUI(conf)
env.setRuntimeMode(RuntimeExecutionMode.STREAMING)//禁用Chain,把多个算子拆分开单独执行,便于在开发和测试阶段观察,正式执行时不需要禁用Chain
env.disableOperatorChaining()val tEnv = StreamTableEnvironment.create(env)
//创建Paimon类型的Catalog
tEnv.executeSql(
“”"
|CREATE CATALOG paimon_catalog WITH (
| ‘type’=‘paimon’,
| ‘warehouse’=‘hdfs://bigdata01:9000/paimon’
|)
|“”".stripMargin)
tEnv.executeSql(“USE CATALOG paimon_catalog”)//执行SQL查询,打印输出结果
val execSql =
“”"
|SELECT * FROMchangelog_none
– 此时默认只能查到数据的最新值
|-- /*+ OPTIONS(‘scan.mode’=‘from-snapshot’,‘scan.snapshot-id’ = ‘1’) */ – 通过动态表选项来指定数据读取(扫描)模式,以及从哪里开始读取
|“”".stripMargin
val table = tEnv.sqlQuery(execSql)
table.execute().print()
}
}
接下来先运行`FlinkDataStreamWriteToPaimonForNone`向Paimon表中写入`+I`类型的数据。
再运行`FlinkDataStreamReadFromPaimonForNone`负责读取数据。
此时可以看到控制台输出如下结果:
±—±-------------------------------±------------+
| op | name | age |
±—±-------------------------------±------------+
| +I | jack | 10 |
修改`FlinkDataStreamWriteToPaimonForNone`中的代码,继续执行,向Paimon表中写入`+U`类型的数据。
//手工构造一个Changelog DataStream 数据流
val dataStream = env.fromElements(
//Row.ofKind(RowKind.INSERT, “jack”, Int.box(10))//+I
Row.ofKind(RowKind.UPDATE_AFTER, “jack”, Int.box(11))//+U
//Row.ofKind(RowKind.DELETE, “jack”, Int.box(11))//-D
)(Types.ROW_NAMED(Array(“name”, “age”),Types.STRING,Types.INT))
此时可以在`FlinkDataStreamReadFromPaimonForNone`的控制台看到如下结果:
| -U | jack | 10 |
| +U | jack | 11 |
注意:虽然我们向Paimon表中只写入了`+U`类型的数据,但是此时从Paimon表中读取数据的时候是可以产生`-U类`型的数据的。
为什么会这样呢?
此时这个Paimon表中设置的`'changelog-producer' = 'none'`,我们在向这个表中写入数据的时候,他只会存储数据本身,不会存储changelog数据,可以到这个表对应的hdfs 数据目录中确认一下:
[root@bigdata04 ~]# hdfs dfs -ls /paimon/default.db/changelog_none/bucket-0
Found 2 items
-rw-r–r-- 3 yehua supergroup 582 2028-12-10 17:19 /paimon/default.db/changelog_none/bucket-0/data-2449a680-5a0b-4496-970a-5a0fdac78cfc-0.orc
-rw-r–r-- 3 yehua supergroup 566 2028-12-10 17:16 /paimon/default.db/changelog_none/bucket-0/data-c3e8ff17-6c86-4c0b-95d7-82a1f2091a5e-0.orc
注意:此时只能看到两个data开头的数据文件,没有changelog开头的数据文件,这说明我们的配置生效了。
咱们之前在创建user表的时候指定了`'changelog-producer' = 'input'`,这种情况下是会在数据目录中保存changelog数据文件的,可以到user表的hdfs目录中看一下:
[root@bigdata04 ~]# hdfs dfs -ls /paimon/default.db/user/bucket-0 Found 2 items
-rw-r–r-- 3 yehua supergroup 617 2028-11-28 17:50 /paimon/default.db/user/bucket-0/changelog-eb48583e-f8c9-424f-9000-05a2bbce7a2b-0.orc
-rw-r–r-- 3 yehua supergroup 581 2028-11-28 17:50 /paimon/default.db/user/bucket-0/data-eb48583e-f8c9-424f-9000-05a2bbce7a2b-1.orc
注意:这里面有一个changelog开头的文件,所以这里面存储的就是changelog数据。
那我们现在创建的`changelog_none`这个表设置的是`'changelog-producer' = 'none'`,所以它不会存储changelog数据,那为什么在读取数据的时候也可以读取到changelog数据呢?
咱们前面解释过,如果`changelog-producer`设置为none或者不设置,那么下游任务会在流读时生成一个`Changelog Normalize`物化节点来产生Changelog。
其实这个`Changelog Normalize`物化节点我们也可以到Flink任务的Web UI界面中查看验证一下:
![在这里插入图片描述](https://img-blog.csdnimg.cn/fcd551d0e04c47deb85d5a5c18e704da.png#pic_center)
在这可以看到,Flink任务中确实会产生一个`Changelog Normalize`物化节点,所以此时我们看到的`-U`类型的Changelog变更数据就是这个物化节点产生的。
他具体是如何实现这种效果的呢?
其实也很简单,他只需要在状态中维护接收到的每一条历史数据即可,如果接收到了相同主键的多条数据,那么它就知道是发生了数据更新这种行为,对应的就会补全`-U和+U`这种形式的数据。但是我们前面说了,这种方式成本较高,不建议使用,因为它需要在状态中维护数据的所有历史值。
接下来我们继续运行`FlinkDataStreamWriteToPaimonForNone`向Paimon表中写入`-D`类型的数据。
val dataStream = env.fromElements(
//Row.ofKind(RowKind.INSERT, “jack”, Int.box(10))//+I
//Row.ofKind(RowKind.UPDATE_AFTER, “jack”, Int.box(11))//+U
Row.ofKind(RowKind.DELETE, “jack”, Int.box(11))//-D
)(Types.ROW_NAMED(Array(“name”, “age”),Types.STRING,Types.INT))
此时可以在`FlinkDataStreamReadFromPaimonForNone`的控制台看到如下结果:
| -D | jack | 11 |
到目前为止,我们向这个Paimon表中写入了3条数据,`+I,+U和-D`。
下面我们停止`FlinkDataStreamReadFromPaimonForNone`这个实时读取任务。
停止了之后,再重新运行`FlinkDataStreamReadFromPaimonForNone`这个实时读取任务,可以看到如下结果:
空
结果什么也没有看到,为什么呢?
因为此时我们执行的SQL查询语句默认只能查到数据的最新值,但是数据最新的情况是被删除了,所以什么也没有查到,这是正常的,也是正确的。
如果想要从头查看,需要指定`scan`相关的参数:
val execSql =
“”"
|SELECT * FROM changelog_none
– 此时默认只能查到数据的最新值
|/*+ OPTIONS(‘scan.mode’=‘from-snapshot’,‘scan.snapshot-id’ = ‘1’) */ – 通过动态表选项来指定数据读取(扫描)模式,以及从哪里开始读取
|“”".stripMargin
重新运行`FlinkDataStreamReadFromPaimonForNone`这个实时读取任务,此时可以看到如下结果:
±—±-------------------------------±------------+
| op | name | age |
±—±-------------------------------±------------+
| +I | jack | 10 |
| -U | jack | 10 |
| +U | jack | 11 |
| -D | jack | 11 |
因为是从头读取的数据,所以借助于`Changelog Normalize`物化节点,在状态中维护历史接收到的数据,这样就可以获取到完整的Changelog数据了。
###### (2)Input
如果将`changelog-producer`指定为input,表示在向Paimon表中存储数据的时候会将数据源中的Changelog也存储到Paimon表中的Changelog文件中。
典型应用场景是这样的:数据源是MySQL的binlog日志,此时数据源中具有完整的Changelog,所以可以完全依赖数据源中的Changelog,并且后续可以将这份Changelog提供给下游任务读取时使用。这样下游任务读取数据时就不需要产生`Changelog Normalize`物化节点了。
注意:如果我们把MySQL的binlog日志实时写入到了Kafka中,那么Kafka中存储的数据也相当于具有了完整的Changelog,此时在从Kafka这个数据源中读取数据的时候也是可以将`changelog-producer`设置为input的。
![在这里插入图片描述](https://img-blog.csdnimg.cn/bb5112c4f837442985d76a4c429da44c.png#pic_center)
看这个图,当我们通过Flink CDC去采集数据库中的数据的时候,是可以获取到数据库中的所有Changelog变更日志数据的,所以里面会包含完整的`+I、-U、+U、-D`这些类型的数据。
此时在Paimon中创建表的时候,就可以指定`changelog-producer=input`,这样在存储数据的时候就会单独存储一份Changelog File。
下游任务在从Paimon表中读取数据的时候就不需要再产生`Changelog Normalize`物化节点生成Changelog了,直接从Paimon表中读取Changelog File即可获取到完整的Changelog数据。
下面我们来具体演示一下建表语句中指定`changelog-producer=input`时的效果
创建package:`tech.xuwei.paimon.changelogproducer.input`
创建object:`FlinkDataStreamWriteToPaimonForInput`
这个Object负责向Paimon表中模拟写入数据。
代码如下:
package tech.xuwei.paimon.changelogproducer.input
import org.apache.flink.api.common.RuntimeExecutionMode
import org.apache.flink.api.common.typeinfo.Types
import org.apache.flink.streaming.api.scala.StreamExecutionEnvironment
import org.apache.flink.table.api.bridge.scala.StreamTableEnvironment
import org.apache.flink.table.api.{DataTypes, Schema}
import org.apache.flink.table.connector.ChangelogMode
import org.apache.flink.types.{Row, RowKind}
/**
-
使用Flink DataStream API向Paimon表中写入数据
-
Created by xuwei
*/
object FlinkDataStreamWriteToPaimonForInput {
def main(args: Array[String]): Unit = {
//获取执行环境
val env = StreamExecutionEnvironment.getExecutionEnvironment
env.setRuntimeMode(RuntimeExecutionMode.STREAMING)
val tEnv = StreamTableEnvironment.create(env)//手工构造一个Changelog DataStream 数据流
val dataStream = env.fromElements(
Row.ofKind(RowKind.INSERT, “jack”, Int.box(10))//+I
//Row.ofKind(RowKind.UPDATE_BEFORE, “jack”, Int.box(10))//-U
//Row.ofKind(RowKind.UPDATE_AFTER, “jack”, Int.box(11))//+U
//Row.ofKind(RowKind.DELETE, “jack”, Int.box(11))//-D
)(Types.ROW_NAMED(Array(“name”, “age”),Types.STRING,Types.INT))//将DataStream转换为Table
val schema = Schema.newBuilder()
.column(“name”, DataTypes.STRING().notNull())//主键非空
.column(“age”, DataTypes.INT())
.primaryKey(“name”)//指定主键
.build()
val table = tEnv.fromChangelogStream(dataStream,schema,ChangelogMode.all())//创建Paimon类型的Catalog
tEnv.executeSql(
“”"
|CREATE CATALOG paimon_catalog WITH (
| ‘type’=‘paimon’,
| ‘warehouse’=‘hdfs://bigdata01:9000/paimon’
|)
|“”".stripMargin)
tEnv.executeSql(“USE CATALOG paimon_catalog”)//注册临时表
tEnv.createTemporaryView(“t1”,table)//创建Paimon类型的表
tEnv.executeSql(
“”"
|-- 注意:这里的表名使用反引号进行转义,否则会导致SQL DDL语句解析失败。
|CREATE TABLE IF NOT EXISTSchangelog_input
(
| name STRING,
| age INT,
| PRIMARY KEY (name) NOT ENFORCED
|) WITH (
| ‘changelog-producer’ = ‘input’
|)
|“”".stripMargin)//向Paimon表中写入数据
tEnv.executeSql(
“”"
|INSERT INTOchangelog_input
|SELECT name,age FROM t1
|“”".stripMargin)
}
}
注意:在执行代码的时候通过修改`env.fromElements(...)`中的注释来实现实时产生多种类型数据的效果。
接下来创建Object:`FlinkDataStreamReadFromPaimonForInput`
这个Object负责从Paimon表中实时读取数据。
代码如下:
package tech.xuwei.paimon.changelogproducer.input
import org.apache.flink.api.common.RuntimeExecutionMode
import org.apache.flink.configuration.{Configuration, RestOptions}
import org.apache.flink.streaming.api.scala.StreamExecutionEnvironment
import org.apache.flink.table.api.bridge.scala.StreamTableEnvironment
/**
-
使用Flink DataStream API从Paimon表中读取数据
-
Created by xuwei
*/
object FlinkDataStreamReadFromPaimonForInput {
def main(args: Array[String]): Unit = {
val conf = new Configuration()
//指定WebUI界面的访问端口,默认就是8081
conf.setString(RestOptions.BIND_PORT,“8081”)
//为了便于在本地通过页面观察任务执行情况,所以开启本地WebUI功能
val env = StreamExecutionEnvironment.createLocalEnvironmentWithWebUI(conf)
env.setRuntimeMode(RuntimeExecutionMode.STREAMING)//禁用Chain,把多个算子拆分开单独执行,便于在开发和测试阶段观察,正式执行时不需要禁用Chain
env.disableOperatorChaining()val tEnv = StreamTableEnvironment.create(env)
//创建Paimon类型的Catalog
tEnv.executeSql(
“”"
|CREATE CATALOG paimon_catalog WITH (
| ‘type’=‘paimon’,
| ‘warehouse’=‘hdfs://bigdata01:9000/paimon’
|)
|“”".stripMargin)
tEnv.executeSql(“USE CATALOG paimon_catalog”)//执行SQL查询,打印输出结果
val execSql =
“”"
|SELECT * FROMchangelog_input
– 此时默认只能查到数据的最新值
|-- /*+ OPTIONS(‘scan.mode’=‘from-snapshot’,‘scan.snapshot-id’ = ‘1’) */ – 通过动态表选项来指定数据读取(扫描)模式,以及从哪里开始读取
|“”".stripMargin
val table = tEnv.sqlQuery(execSql)
table.execute().print()
}
}
接下来先运行`FlinkDataStreamWriteToPaimonForInput`向Paimon表中写入`+I`类型的数据。
再运行`FlinkDataStreamReadFromPaimonForInput`负责读取数据。
此时可以看到控制台输出如下结果:
±—±-------------------------------±------------+
| op | name | age |
±—±-------------------------------±------------+
| +I | jack | 10 |
来看一下这个Flink任务的Web UI界面
![在这里插入图片描述](https://img-blog.csdnimg.cn/426d219dcf2844b0a56ca8dac531ec25.png#pic_center)
在这可以发现,此时这个任务中没有产生Changelog Normalize物化节点,因为我们在Paimon表中指定了`changelog-producer=input`,所以这个Paimon表内部会自己存储Changelog数据。
此时到这个Paimon表的hdfs数据目录中查看一下:
[root@bigdata04 ~]# hdfs dfs -ls /paimon/default.db/changelog_input/bucket-0
Found 2 items
-rw-r–r-- 3 yehua supergroup 566 2028-12-11 11:14 /paimon/default.db/changelog_input/bucket-0/changelog-bc3740e4-6adf-4e94-9d4e-c1ece10ed114-0.orc
-rw-r–r-- 3 yehua supergroup 566 2028-12-11 11:14 /paimon/default.db/changelog_input/bucket-0/data-bc3740e4-6adf-4e94-9d4e-c1ece10ed114-1.orc
在这里可以发现里面有两个文件,一个以data开头的文件,里面存储的是数据自身。还有一个以changelog开头的文件,里面存储的是changelog变更数据。
修改`FlinkDataStreamWriteToPaimonForInput`中的代码,继续执行,向Paimon表中写入`-U`类型的数据。
//手工构造一个Changelog DataStream 数据流
val dataStream = env.fromElements(
//Row.ofKind(RowKind.INSERT, “jack”, Int.box(10))//+I
Row.ofKind(RowKind.UPDATE_BEFORE, “jack”, Int.box(10))//-U
//Row.ofKind(RowKind.UPDATE_AFTER, “jack”, Int.box(11))//+U
//Row.ofKind(RowKind.DELETE, “jack”, Int.box(11))//-D
)(Types.ROW_NAMED(Array(“name”, “age”),Types.STRING,Types.INT))
此时可以在`FlinkDataStreamReadFromPaimonForInput`的控制台看到如下结果:
| -U | jack | 10 |
再修改`FlinkDataStreamWriteToPaimonForInput`中的代码,继续执行,向Paimon表中写入`+U`类型的数据。
//手工构造一个Changelog DataStream 数据流
val dataStream = env.fromElements(
//Row.ofKind(RowKind.INSERT, “jack”, Int.box(10))//+I
//Row.ofKind(RowKind.UPDATE_BEFORE, “jack”, Int.box(10))//-U
Row.ofKind(RowKind.UPDATE_AFTER, “jack”, Int.box(11))//+U
//Row.ofKind(RowKind.DELETE, “jack”, Int.box(11))//-D
)(Types.ROW_NAMED(Array(“name”, “age”),Types.STRING,Types.INT))
此时可以在`FlinkDataStreamReadFromPaimonForInput`的控制台看到如下结果:
| +U | jack | 11 |
再修改`FlinkDataStreamWriteToPaimonForInput`中的代码,继续执行,向Paimon表中写入`-D`类型的数据。
//手工构造一个Changelog DataStream 数据流
val dataStream = env.fromElements(
//Row.ofKind(RowKind.INSERT, “jack”, Int.box(10))//+I
//Row.ofKind(RowKind.UPDATE_BEFORE, “jack”, Int.box(10))//-U
//Row.ofKind(RowKind.UPDATE_AFTER, “jack”, Int.box(11))//+U
Row.ofKind(RowKind.DELETE, “jack”, Int.box(11))//-D
)(Types.ROW_NAMED(Array(“name”, “age”),Types.STRING,Types.INT))
此时可以在`FlinkDataStreamReadFromPaimonForInput`的控制台看到如下结果:
| -D | jack | 11 |
下面我们停止`FlinkDataStreamReadFromPaimonForInput`这个实时读取任务。
停止了之后,修改一下代码,因为默认只会读取最新的数据快照
val execSql =
“”"
|SELECT * FROM changelog_input
– 此时默认只能查到数据的最新值
|/*+ OPTIONS(‘scan.mode’=‘from-snapshot’,‘scan.snapshot-id’ = ‘1’) */ – 通过动态表选项来指定数据读取(扫描)模式,以及从哪里开始读取
|“”".stripMargin
再重新运行`FlinkDataStreamReadFromPaimonForNone`这个实时读取任务,可以看到这个结果:
±—±-------------------------------±------------+
| op | name | age |
±—±-------------------------------±------------+
| +I | jack | 10 |
| -U | jack | 10 |
| +U | jack | 11 |
| -D | jack | 11 |
注意:此时可以看到完整的数据变更情况,这是依赖于Paimon表中存储的changelog文件实现的,没有依赖于Flink任务中的`Changelog Normalize`物化节点。
所以说,如果我们数据源中可以提供完整的changelog数据,那么建议给存储数据的Paimon表设置`changelog-producer=input`,这样下游任务读取这个Paimon表的时候就可以直接从表中changelog文件里面获取变更数据了,不需要自己维护,效率比较高。
###### (3)Lookup
如果数据源中没有提供完整的 Changelog,并且我们也不想让下游任务在读取数据时通过Changelog Normalize物化节点来生成,那么这个时候我们可以考虑在Paimon表中配置 `changelog-producer=lookup`。
这样可以通过Lookup(查找)的方式在向Paimon表中写入数据的时候生成 Changelog。
但是需要注意:Lookup这种方式目前处于实验阶段,还没有经过大量的生产环境验证。
![在这里插入图片描述](https://img-blog.csdnimg.cn/1fbd5376a423421d8e721e725743ceb7.png#pic_center)
看这个图,此时这个数据源中没有提供完整的Changelog,这个数据源可以是任意类型的数据源,数据源中可能只有`+I、+U、-D`类型的数据,缺少了`-U`类型的数据。
但是由于我们在Paimon表中设置了`changelog-producer=lookup`,所以在通过`SinkWriter`向Paimon表中写入数据的时候,底层会通过Lookup的方式查找表中已有的数据,自动生成`Changelog File`,补全`-U`类型的变更日志。
这样下游任务在读取这个Paimon表的时候就可以直接从表对应的`Changelog File`中读取到完整的`+I、-U、+U、-D`类型的数据了。
下面我们来具体演示一下建表语句中指定`changelog-producer=lookup`时的效果
创建package:`tech.xuwei.paimon.changelogproducer.lookup`
基于创建Object:`FlinkDataStreamWriteToPaimonForLookup`
这个Object负责向Paimon表中模拟写入数据。
代码如下:
package tech.xuwei.paimon.changelogproducer.lookup
import org.apache.flink.api.common.RuntimeExecutionMode
import org.apache.flink.api.common.typeinfo.Types
import org.apache.flink.streaming.api.scala.StreamExecutionEnvironment
import org.apache.flink.table.api.bridge.scala.StreamTableEnvironment
import org.apache.flink.table.api.{DataTypes, Schema}
import org.apache.flink.table.connector.ChangelogMode
import org.apache.flink.types.{Row, RowKind}
/**
-
使用Flink DataStream API向Paimon表中写入数据
-
Created by xuwei
*/
object FlinkDataStreamWriteToPaimonForLookup {
def main(args: Array[String]): Unit = {
//获取执行环境
val env = StreamExecutionEnvironment.getExecutionEnvironment
env.setRuntimeMode(RuntimeExecutionMode.STREAMING)
val tEnv = StreamTableEnvironment.create(env)//手工构造一个Changelog DataStream 数据流
val dataStream = env.fromElements(
Row.ofKind(RowKind.INSERT, “jack”, Int.box(10))//+I
//Row.ofKind(RowKind.UPDATE_AFTER, “jack”, Int.box(11))//+U
//Row.ofKind(RowKind.DELETE, “jack”, Int.box(11))//-D
)(Types.ROW_NAMED(Array(“name”, “age”),Types.STRING,Types.INT))//将DataStream转换为Table
val schema = Schema.newBuilder()
.column(“name”, DataTypes.STRING().notNull())//主键非空
.column(“age”, DataTypes.INT())
.primaryKey(“name”)//指定主键
.build()
val table = tEnv.fromChangelogStream(dataStream,schema,ChangelogMode.all())//创建Paimon类型的Catalog
tEnv.executeSql(
“”"
|CREATE CATALOG paimon_catalog WITH (
| ‘type’=‘paimon’,
| ‘warehouse’=‘hdfs://bigdata01:9000/paimon’
|)
|“”".stripMargin)
tEnv.executeSql(“USE CATALOG paimon_catalog”)//注册临时表
tEnv.createTemporaryView(“t1”,table)//创建Paimon类型的表
tEnv.executeSql(
“”"
|-- 注意:这里的表名使用反引号进行转义,否则会导致SQL DDL语句解析失败。
|CREATE TABLE IF NOT EXISTSchangelog_lookup
(
| name STRING,
| age INT,
| PRIMARY KEY (name) NOT ENFORCED
|) WITH (
| ‘changelog-producer’ = ‘lookup’
|)
|“”".stripMargin)//向Paimon表中写入数据
tEnv.executeSql(
“”"
|INSERT INTOchangelog_lookup
|SELECT name,age FROM t1
|“”".stripMargin)
}
}
注意:在执行代码的时候通过修改`env.fromElements(...)`中的注释来实现实时产生多种类型数据的效果。
接下来创建Object:`FlinkDataStreamReadFromPaimonForLookup`
这个Object负责从Paimon表中实时读取数据。
代码如下:
package tech.xuwei.paimon.changelogproducer.lookup
import org.apache.flink.api.common.RuntimeExecutionMode
import org.apache.flink.configuration.{Configuration, RestOptions}
import org.apache.flink.streaming.api.scala.StreamExecutionEnvironment
import org.apache.flink.table.api.bridge.scala.StreamTableEnvironment
/**
-
使用Flink DataStream API从Paimon表中读取数据
-
Created by xuwei
*/
object FlinkDataStreamReadFromPaimonForLookup {
def main(args: Array[String]): Unit = {
val conf = new Configuration()
//指定WebUI界面的访问端口,默认就是8081
conf.setString(RestOptions.BIND_PORT,“8081”)
//为了便于在本地通过页面观察任务执行情况,所以开启本地WebUI功能
val env = StreamExecutionEnvironment.createLocalEnvironmentWithWebUI(conf)
env.setRuntimeMode(RuntimeExecutionMode.STREAMING)//禁用Chain,把多个算子拆分开单独执行,便于在开发和测试阶段观察,正式执行时不需要禁用Chain
env.disableOperatorChaining()val tEnv = StreamTableEnvironment.create(env)
//创建Paimon类型的Catalog
tEnv.executeSql(
“”"
|CREATE CATALOG paimon_catalog WITH (
| ‘type’=‘paimon’,
| ‘warehouse’=‘hdfs://bigdata01:9000/paimon’
|)
|“”".stripMargin)
tEnv.executeSql(“USE CATALOG paimon_catalog”)//执行SQL查询,打印输出结果
val execSql =
“”"
|SELECT * FROMchangelog_lookup
– 此时默认只能查到数据的最新值
|-- /*+ OPTIONS(‘scan.mode’=‘from-snapshot’,‘scan.snapshot-id’ = ‘1’) */ – 通过动态表选项来指定数据读取(扫描)模式,以及从哪里开始读取
|“”".stripMargin
val table = tEnv.sqlQuery(execSql)
table.execute().print()
}
}
接下来先运行`FlinkDataStreamWriteToPaimonForLookup`向Paimon表中写入+I类型的数据。
再运行`FlinkDataStreamReadFromPaimonForLookup`负责读取数据。
此时可以看到控制台输出如下结果:
±—±-------------------------------±------------+
| op | name | age |
±—±-------------------------------±------------+
| +I | jack | 10 |
来看一下这个Flink任务的Web UI界面
![在这里插入图片描述](https://img-blog.csdnimg.cn/896ac30e704548078972651a826ca196.png#pic_center)
在这可以发现,此时这个任务中没有产生`Changelog Normalize`物化节点,因为我们在Paimon表中指定了`changelog-producer=lookup`,Changelog数据会在我们向Paimon表中写入数据的时候通过Lookup产生。
到这个Paimon表的hdfs数据目录里面查看一下:
[root@bigdata04 ~]# hdfs dfs -ls /paimon/default.db/changelog_lookup/bucket-0
Found 3 items
-rw-r–r-- 3 yehua supergroup 566 2028-12-11 12:01 /paimon/default.db/changelog_lookup/bucket-0/changelog-edb23cdc-09be-4437-b2ac-716e06e25c6d-1.orc
-rw-r–r-- 3 yehua supergroup 566 2028-12-11 12:01 /paimon/default.db/changelog_lookup/bucket-0/data-edb23cdc-09be-4437-b2ac-716e06e25c6d-0.orc
-rw-r–r-- 3 yehua supergroup 566 2028-12-11 12:01 /paimon/default.db/changelog_lookup/bucket-0/data-f07e00b5-a815-4d64-b8d6-1b8a2e64dab6-0.orc
在这可以发现,里面有1个changelog开头的文件,这个就是Lookup产生的。
修改`FlinkDataStreamWriteToPaimonForLookup`中的代码,继续执行,向Paimon表中写入`+U`类型的数据。
//手工构造一个Changelog DataStream 数据流
val dataStream = env.fromElements(
//Row.ofKind(RowKind.INSERT, “jack”, Int.box(10))//+I
Row.ofKind(RowKind.UPDATE_AFTER, “jack”, Int.box(11))//+U
//Row.ofKind(RowKind.DELETE, “jack”, Int.box(11))//-D
)(Types.ROW_NAMED(Array(“name”, “age”),Types.STRING,Types.INT))
此时可以在`FlinkDataStreamReadFromPaimonForLookup`的控制台看到如下结果:
| -U | jack | 10 |
| +U | jack | 11 |
注意:虽然我们向Paimon表中只写入了+U类型的数据,但是Lookup在生成changelog的时候会自动补全`-U`类型的数据。
后面的`-D`类型的数据就不再演示了,效果和前面是一样的。
所以说,Lookup这种方式属于一种折中方案,数据源里面无法提供完整的changelog变更日志,所以无法使用Input,但是我们还想摆脱昂贵的`Changelog Normalize`物化节点,这个时候就可以考虑Lookup了。
最后还需要注意,Lookup这种方式虽然不需要产生`Changelog Normalize`物化节点,但是他在生成Changelog的时候依然会消耗一部分资源的,因为它需要触发数据查找这个过程,只不过消耗的资源比`Changelog Normalize`物化节点这种方式低一些。
###### (4)Full Compaction
如果你的数据源无法提供完整的changelog变更日志数据,并且你觉得Lookup这种方式还是比较消耗资源,此时可以考虑使用`Full Compaction`这种方式,在创建Paimon表的时候指定`changelog-producer=full-compaction`。
Full Compaction这种方式可以解耦写入数据和生成changelog这两个步骤。
也就是说我们会先把数据写入到Paimon表中,当表中的数据触发完全压缩之后,Paimon 会比较两次完全压缩之间的结果并生成差异作为changelog(变更日志),生成changelog的延迟会受到完全压缩频率的影响。
通过指定`full-compaction.delta-commits`表属性,表示在增量提交Checkpoint后将会触发完全压缩。默认情况下值为1,所以每次提交Checkpoint都会进行完全压缩并生成changelog。
这样其实对生成changelog的延迟没有特别大的影响。
Full Compaction这种方式可以为任何类型的数据源生成完整的changelog变更日志。但是它没有Input方式的效率高,并且生成changelog的延迟可能会比较高。
不过Full Compaction这种方式解耦了写入数据和生成changelog这两个步骤,他的资源消耗比Lookup这种方式要低一些。
![在这里插入图片描述](https://img-blog.csdnimg.cn/5973104d317d4ca4a04174ad93ede03d.png#pic_center)
看这个图,此时这个数据源中没有提供完整的Changelog,这个数据源可以是任意类型的数据源,数据源中可能只有`+I、+U、-D`的数据,缺少了`-U`类型的数据。
但是由于我们在Paimon表中设置了`changelog-producer=full-compaction`,所以Paimon会周期性的比较两次完全压缩(Full Compaction)之间的结果并生成差异作为changelog(变更日志),并且在Changelog中补全缺失的变更日志。
这样下游任务在读取这个Paimon表的时候就可以从表对应的Changelog File中读取到完整的`+I、-U、+U、-D`类型的数据了。
下面我们来具体演示一下建表语句中指定`changelog-producer=full-compaction`时的效果
创建package:`tech.xuwei.paimon.changelogproducer.fullcompaction`
创建object:`FlinkDataStreamWriteToPaimonForFullcompaction`
这个Object负责向Paimon表中模拟写入数据。
代码如下:
package tech.xuwei.paimon.changelogproducer.fullcompaction
import org.apache.flink.api.common.RuntimeExecutionMode
import org.apache.flink.api.common.typeinfo.Types
import org.apache.flink.streaming.api.scala.StreamExecutionEnvironment
import org.apache.flink.table.api.bridge.scala.StreamTableEnvironment
import org.apache.flink.table.api.{DataTypes, Schema}
import org.apache.flink.table.connector.ChangelogMode
import org.apache.flink.types.{Row, RowKind}
/**
-
使用Flink DataStream API向Paimon表中写入数据
-
Created by xuwei
*/
object FlinkDataStreamWriteToPaimonForFullcompaction {
def main(args: Array[String]): Unit = {
//获取执行环境
val env = StreamExecutionEnvironment.getExecutionEnvironment
env.setRuntimeMode(RuntimeExecutionMode.STREAMING)
val tEnv = StreamTableEnvironment.create(env)//手工构造一个Changelog DataStream 数据流
val dataStream = env.fromElements(
Row.ofKind(RowKind.INSERT, “jack”, Int.box(10))//+I
//Row.ofKind(RowKind.UPDATE_AFTER, “jack”, Int.box(11))//+U
//Row.ofKind(RowKind.DELETE, “jack”, Int.box(11))//-D
)(Types.ROW_NAMED(Array(“name”, “age”),Types.STRING,Types.INT))//将DataStream转换为Table
val schema = Schema.newBuilder()
.column(“name”, DataTypes.STRING().notNull())//主键非空
.column(“age”, DataTypes.INT())
.primaryKey(“name”)//指定主键
.build()
val table = tEnv.fromChangelogStream(dataStream,schema,ChangelogMode.all())//创建Paimon类型的Catalog
tEnv.executeSql(
“”"
|CREATE CATALOG paimon_catalog WITH (
| ‘type’=‘paimon’,
| ‘warehouse’=‘hdfs://bigdata01:9000/paimon’
|)
|“”".stripMargin)
tEnv.executeSql(“USE CATALOG paimon_catalog”)//注册临时表
tEnv.createTemporaryView(“t1”,table)//创建Paimon类型的表
tEnv.executeSql(
“”"
|-- 注意:这里的表名使用反引号进行转义,否则会导致SQL DDL语句解析失败。
|CREATE TABLE IF NOT EXISTSchangelog_fullcompaction
(
| name STRING,
| age INT,
| PRIMARY KEY (name) NOT ENFORCED
|) WITH (
| ‘changelog-producer’ = ‘full-compaction’,
| ‘full-compaction.delta-commits’ = ‘1’
|)
|“”".stripMargin)//向Paimon表中写入数据
tEnv.executeSql(
“”"
|INSERT INTOchangelog_fullcompaction
|SELECT name,age FROM t1
|“”".stripMargin)
}
}
注意:在执行代码的时候通过修改`env.fromElements(...)`中的注释来实现实时产生多种类型数据的效果。
接下来创建Object:`FlinkDataStreamReadFromPaimonForFullcompaction`
这个Object负责从Paimon表中实时读取数据。
代码如下:
package tech.xuwei.paimon.changelogproducer.fullcompaction
import org.apache.flink.api.common.RuntimeExecutionMode
import org.apache.flink.configuration.{Configuration, RestOptions}
import org.apache.flink.streaming.api.scala.StreamExecutionEnvironment
import org.apache.flink.table.api.bridge.scala.StreamTableEnvironment
/**
-
使用Flink DataStream API从Paimon表中读取数据
-
Created by xuwei
*/
object FlinkDataStreamReadFromPaimonForFullcompaction {
def main(args: Array[String]): Unit = {
val conf = new Configuration()
//指定WebUI界面的访问端口,默认就是8081
conf.setString(RestOptions.BIND_PORT,“8081”)
//为了便于在本地通过页面观察任务执行情况,所以开启本地WebUI功能
val env = StreamExecutionEnvironment.createLocalEnvironmentWithWebUI(conf)
env.setRuntimeMode(RuntimeExecutionMode.STREAMING)//禁用Chain,把多个算子拆分开单独执行,便于在开发和测试阶段观察,正式执行时不需要禁用Chain
env.disableOperatorChaining()val tEnv = StreamTableEnvironment.create(env)
//创建Paimon类型的Catalog
tEnv.executeSql(
“”"
|CREATE CATALOG paimon_catalog WITH (
| ‘type’=‘paimon’,
| ‘warehouse’=‘hdfs://bigdata01:9000/paimon’
|)
|“”".stripMargin)
tEnv.executeSql(“USE CATALOG paimon_catalog”)//执行SQL查询,打印输出结果
val execSql =
“”"
|SELECT * FROMchangelog_fullcompaction
– 此时默认只能查到数据的最新值
|–/*+ OPTIONS(‘scan.mode’=‘from-snapshot’,‘scan.snapshot-id’ = ‘1’) */ – 通过动态表选项来指定数据读取(扫描)模式,以及从哪里开始读取
|“”".stripMargin
val table = tEnv.sqlQuery(execSql)
table.execute().print()
}
}
接下来先运行`FlinkDataStreamWriteToPaimonForFullcompaction`向Paimon表中写入`+I`类型的数据。
再运行`FlinkDataStreamReadFromPaimonForFullcompaction`负责读取数据。
此时可以看到控制台输出如下结果:
±—±-------------------------------±------------+
| op | name | age |
±—±-------------------------------±------------+
| +I | jack | 10 |
来看一下这个Flink任务的Web UI界面
![在这里插入图片描述](https://img-blog.csdnimg.cn/50edb2b1d63141cf836e64cfbbdf7f61.png#pic_center)
在这可以发现,此时这个任务中没有产生`Changelog Normalize`物化节点,其实只有我们把`Changelog Producer`设置为`none`的时候Flink任务才会产生`Changelog Normalize`物化节点。
那此时我们到这个Paimon表的hdfs数据目录里面查看一下有没有产生changelog文件:
[root@bigdata04 ~]# hdfs dfs -ls /paimon/default.db/changelog_fullcompaction/bucket-0
Found 3 items
-rw-r–r-- 3 yehua supergroup 566 2028-12-11 16:20 /paimon/default.db/changelog_fullcompaction/bucket-0/changelog-264c4b74-10dd-493d-95e0-8f5760e90dc8-1.orc
-rw-r–r-- 3 yehua supergroup 566 2028-12-11 16:20 /paimon/default.db/changelog_fullcompaction/bucket-0/data-264c4b74-10dd-493d-95e0-8f5760e90dc8-0.orc
-rw-r–r-- 3 yehua supergroup 566 2028-12-11 16:20 /paimon/default.db/changelog_fullcompaction/bucket-0/data-d7adcc2a-804a-4a13-876a-fb77dc4a0952-0.orc
在这可以发现,里面有1个changelog开头的文件,这个就是Full Compaction这种方式产生的。
修改`FlinkDataStreamWriteToPaimonForFullcompaction`中的代码,继续执行,向Paimon表中写入`+U`类型的数据。
//手工构造一个Changelog DataStream 数据流
val dataStream = env.fromElements(
//Row.ofKind(RowKind.INSERT, “jack”, Int.box(10))//+I
Row.ofKind(RowKind.UPDATE_AFTER, “jack”, Int.box(11))//+U
//Row.ofKind(RowKind.DELETE, “jack”, Int.box(11))//-D
)(Types.ROW_NAMED(Array(“name”, “age”),Types.STRING,Types.INT))
此时可以在`FlinkDataStreamReadFromPaimonForFullcompaction`的控制台看到如下结果:
| -U | jack | 10 |
| +U | jack | 11 |
注意:这块可能会有一些延迟,具体的延迟程度要看完全压缩触发的频率,我们前面指定了`full-compaction.delta-commits`的值为1,表示在每次提交Checkpoint都会进行完全压缩并生成changelog,所以目前的延迟是比较低的。
但是我们需要注意:完全压缩是一个资源密集型的过程,会消耗一定的`CPU`和`磁盘IO`,因此过于频繁的完全压缩可能会导致写入速度变慢,所以这块也需要均衡考虑。
后面的`-D`类型的数据就不再演示了,效果和前面是一样的。
(5)总结
咱们前面一共讲了4种Changelog Producer。
* 在实际工作中None这种方式基本上是不使用的,成本太高。
* 如果数据源是完整的CDC数据,直接使用Input这种方式即可,成本最低,效率最高。
* 如果数据源中无法提供完整的Changelog,此时可以考虑使用Lookup和Full Compaction。
* 如果你觉得使用Lookup来实时生成 Changelog 成本过大,可以考虑通过Full Compaction和对应较大的延迟,以非常低的成本生成 Changelog。
##### 3.2.1.3 Merge Engines
Merge Engines:可以翻译为合并引擎。
针对多条相同主键的数据,Paimon主键表收到之后,应该如何进行合并处理?
针对这块的处理逻辑,Paimon提供了参数`merge-engine`,通过这个参数来指定如何合并数据。
`merge-engine`一共支持3种取值:
* deduplicate:默认值,表示去重,也就是说主键表默认只会保留相同主键最新的数据。
* partial-update:表示局部更新,通过相同主键的多条数据来更新不同字段的值。
* aggregation:表示聚合,可以对相同主键的多条数据根据指定的字段进行聚合。
下面我们来详细分析一下这几种合并引擎。
###### (1)Deduplicate
如果我们在Paimon中创建主键表时不指定`merge-engine`参数,那么默认值就是`deduplicate` 。
此时只保留主键最新的数据,之前表中相同主键的数据会被丢弃。
注意:如果主键最新的数据是`-D`类型的,那么这个主键的所有数据都会被删除。
下面我们来具体演示一下。
核心的思路是这样的:我们通过数据源模拟产生2条相同主键的+I类型的数据,依次写入到主键表中,最终发现主键表中只会保留最新的那一条数据。
创建package:`tech.xuwei.paimon.mergeengine.deduplicate`
创建object:`FlinkDataStreamWriteToPaimonForDeduplicate`
这个Object负责向Paimon表中模拟写入数据。
代码如下:
package tech.xuwei.paimon.mergeengine.deduplicate
import org.apache.flink.api.common.RuntimeExecutionMode
import org.apache.flink.api.common.typeinfo.Types
import org.apache.flink.streaming.api.scala.StreamExecutionEnvironment
import org.apache.flink.table.api.bridge.scala.StreamTableEnvironment
import org.apache.flink.table.api.{DataTypes, Schema}
import org.apache.flink.table.connector.ChangelogMode
import org.apache.flink.types.{Row, RowKind}
/**
-
使用Flink DataStream API向Paimon表中写入数据
-
Created by xuwei
*/
object FlinkDataStreamWriteToPaimonForDeduplicate {
def main(args: Array[String]): Unit = {
//获取执行环境
val env = StreamExecutionEnvironment.getExecutionEnvironment
env.setRuntimeMode(RuntimeExecutionMode.STREAMING)
val tEnv = StreamTableEnvironment.create(env)//手工构造一个Changelog DataStream 数据流
val dataStream = env.fromElements(
Row.ofKind(RowKind.INSERT, “jack”, Int.box(10))//+I
//Row.ofKind(RowKind.INSERT, “jack”, Int.box(12))//+I
)(Types.ROW_NAMED(Array(“name”, “age”),Types.STRING,Types.INT))//将DataStream转换为Table
val schema = Schema.newBuilder()
.column(“name”, DataTypes.STRING().notNull())//主键非空
.column(“age”, DataTypes.INT())
.primaryKey(“name”)//指定主键
.build()
val table = tEnv.fromChangelogStream(dataStream,schema,ChangelogMode.all())//创建Paimon类型的Catalog
tEnv.executeSql(
“”"
|CREATE CATALOG paimon_catalog WITH (
| ‘type’=‘paimon’,
| ‘warehouse’=‘hdfs://bigdata01:9000/paimon’
|)
|“”".stripMargin)
tEnv.executeSql(“USE CATALOG paimon_catalog”)//注册临时表
tEnv.createTemporaryView(“t1”,table)//创建Paimon类型的表
tEnv.executeSql(
“”"
|-- 注意:这里的表名使用反引号进行转义,否则会导致SQL DDL语句解析失败。
|CREATE TABLE IF NOT EXISTSmerge_engine_deduplicate
(
| name STRING,
| age INT,
| PRIMARY KEY (name) NOT ENFORCED
|) WITH (
| ‘merge-engine’ = ‘deduplicate’ – 注意:值为deduplicate时这一行配置可以省略不写
|)
|“”".stripMargin)//向Paimon表中写入数据
tEnv.executeSql(
“”"
|INSERT INTOmerge_engine_deduplicate
|SELECT name,age FROM t1
|“”".stripMargin)
}
}
注意:在执行代码的时候通过修改`env.fromElements(...)`中的注释来实现实时产生多条`+I`类型数据的效果。
接下来创建Object:`FlinkDataStreamReadFromPaimonForDeduplicate`
这个Object负责从Paimon表中实时读取数据。
代码如下:
package tech.xuwei.paimon.mergeengine.deduplicate
import org.apache.flink.api.common.RuntimeExecutionMode
import org.apache.flink.configuration.{Configuration, RestOptions}
import org.apache.flink.streaming.api.scala.StreamExecutionEnvironment
import org.apache.flink.table.api.bridge.scala.StreamTableEnvironment
/**
-
使用Flink DataStream API从Paimon表中读取数据
-
Created by xuwei
*/
object FlinkDataStreamReadFromPaimonForDeduplicate {
def main(args: Array[String]): Unit = {
val conf = new Configuration()
//指定WebUI界面的访问端口,默认就是8081
conf.setString(RestOptions.BIND_PORT,“8081”)
//为了便于在本地通过页面观察任务执行情况,所以开启本地WebUI功能
val env = StreamExecutionEnvironment.createLocalEnvironmentWithWebUI(conf)
env.setRuntimeMode(RuntimeExecutionMode.STREAMING)//禁用Chain,把多个算子拆分开单独执行,便于在开发和测试阶段观察,正式执行时不需要禁用Chain
env.disableOperatorChaining()val tEnv = StreamTableEnvironment.create(env)
//创建Paimon类型的Catalog
tEnv.executeSql(
“”"
|CREATE CATALOG paimon_catalog WITH (
| ‘type’=‘paimon’,
| ‘warehouse’=‘hdfs://bigdata01:9000/paimon’
|)
|“”".stripMargin)
tEnv.executeSql(“USE CATALOG paimon_catalog”)//执行SQL查询,打印输出结果
val execSql =
“”"
|SELECT * FROMmerge_engine_deduplicate
– 此时默认只能查到数据的最新值
|-- /*+ OPTIONS(‘scan.mode’=‘from-snapshot’,‘scan.snapshot-id’ = ‘1’) */ – 通过动态表选项来指定数据读取(扫描)模式,以及从哪里开始读取
|“”".stripMargin
val table = tEnv.sqlQuery(execSql)
table.execute().print()
}
}
接下来先运行`FlinkDataStreamWriteToPaimonForDeduplicate`向Paimon表中写入一条`+I`类型的数据。
再运行`FlinkDataStreamReadFromPaimonForDeduplicate`负责读取数据。
此时可以看到控制台输出如下结果:
±—±-------------------------------±------------+
| op | name | age |
±—±-------------------------------±------------+
| +I | jack | 10 |
修改`FlinkDataStreamWriteToPaimonForDeduplicate`中的代码,继续执行,向Paimon表中写入第2条`+I`类型的数据。
注意:这两条数据的主键是相同的。
![img](https://img-blog.csdnimg.cn/img_convert/768de1dbecfe39b582c70ff009f9d9fe.png)
![img](https://img-blog.csdnimg.cn/img_convert/6e60c2401bb29d75dfa0ab3031f34b13.png)
![img](https://img-blog.csdnimg.cn/img_convert/10d517811b39b088ce5873c811f86e7a.png)
**既有适合小白学习的零基础资料,也有适合3年以上经验的小伙伴深入学习提升的进阶课程,涵盖了95%以上大数据知识点,真正体系化!**
**由于文件比较多,这里只是将部分目录截图出来,全套包含大厂面经、学习笔记、源码讲义、实战项目、大纲路线、讲解视频,并且后续会持续更新**
**[需要这份系统化资料的朋友,可以戳这里获取](https://bbs.csdn.net/topics/618545628)**
y xuwei
*/
object FlinkDataStreamReadFromPaimonForDeduplicate {
def main(args: Array[String]): Unit = {
val conf = new Configuration()
//指定WebUI界面的访问端口,默认就是8081
conf.setString(RestOptions.BIND_PORT,"8081")
//为了便于在本地通过页面观察任务执行情况,所以开启本地WebUI功能
val env = StreamExecutionEnvironment.createLocalEnvironmentWithWebUI(conf)
env.setRuntimeMode(RuntimeExecutionMode.STREAMING)
//禁用Chain,把多个算子拆分开单独执行,便于在开发和测试阶段观察,正式执行时不需要禁用Chain
env.disableOperatorChaining()
val tEnv = StreamTableEnvironment.create(env)
//创建Paimon类型的Catalog
tEnv.executeSql(
"""
|CREATE CATALOG paimon_catalog WITH (
| 'type'='paimon',
| 'warehouse'='hdfs://bigdata01:9000/paimon'
|)
|""".stripMargin)
tEnv.executeSql("USE CATALOG paimon_catalog")
//执行SQL查询,打印输出结果
val execSql =
"""
|SELECT * FROM `merge_engine_deduplicate` -- 此时默认只能查到数据的最新值
|-- /*+ OPTIONS('scan.mode'='from-snapshot','scan.snapshot-id' = '1') */ -- 通过动态表选项来指定数据读取(扫描)模式,以及从哪里开始读取
|""".stripMargin
val table = tEnv.sqlQuery(execSql)
table.execute().print()
}
}
接下来先运行FlinkDataStreamWriteToPaimonForDeduplicate
向Paimon表中写入一条+I
类型的数据。
再运行FlinkDataStreamReadFromPaimonForDeduplicate
负责读取数据。
此时可以看到控制台输出如下结果:
+----+--------------------------------+-------------+
| op | name | age |
+----+--------------------------------+-------------+
| +I | jack | 10 |
修改FlinkDataStreamWriteToPaimonForDeduplicate
中的代码,继续执行,向Paimon表中写入第2条+I
类型的数据。
注意:这两条数据的主键是相同的。
[外链图片转存中…(img-uTlwiWig-1715792831221)]
[外链图片转存中…(img-m6sdeZMF-1715792831221)]
[外链图片转存中…(img-ZDZJjakc-1715792831222)]
既有适合小白学习的零基础资料,也有适合3年以上经验的小伙伴深入学习提升的进阶课程,涵盖了95%以上大数据知识点,真正体系化!
由于文件比较多,这里只是将部分目录截图出来,全套包含大厂面经、学习笔记、源码讲义、实战项目、大纲路线、讲解视频,并且后续会持续更新