Flink使用指南: Kafka流表关联HBase维度表

系列文章目录

Flink使用指南: Watermark新版本使用

Flink使用指南: Flink SQL自定义函数

目录

系列文章目录

前言

maven依赖

创建Kafka流表

创建HBase维度表

创建Sink表

计算逻辑

总结

前言

Flink：1.12.4

Kafka：2.4

HBase: 2.3

在企业实时数仓建设过程中，需要制作DWD明细层的业务宽表，结合业务场景调研了一下使用Flink做实时宽表的方案，发现使用窗口join可能存在丢数据的风险，最终还是选择了稳定的Kafka + HBase的架构方案实现，该方案可以支撑大并发量的查询关联，而且保证了数据的准确性。

 

maven依赖

<dependency>
            <groupId>org.apache.flink</groupId>
            <artifactId>flink-scala_2.11</artifactId>
            <version>${flink.version}</version>
        </dependency>
        <dependency>
            <groupId>org.apache.flink</groupId>
            <artifactId>flink-streaming-scala_2.11</artifactId>
            <version>${flink.version}</version>
        </dependency>
        <dependency>
            <groupId>org.apache.flink</groupId>
            <artifactId>flink-statebackend-rocksdb_2.11</artifactId>
            <version>${flink.version}</version>
        </dependency>
        <dependency>
            <groupId>org.apache.flink</groupId>
            <artifactId>flink-connector-kafka_2.11</artifactId>
            <version>${flink.version}</version>
        </dependency>
        <dependency>
            <groupId>org.apache.flink</groupId>
            <artifactId>flink-json</artifactId>
            <version>1.12.2</version>
        </dependency>
        <dependency>
            <groupId>org.apache.flink</groupId>
            <artifactId>flink-table-api-java-bridge_2.11</artifactId>
            <version>${flink.version}</version>
        </dependency>
        <dependency>
            <groupId>org.apache.flink</groupId>
            <artifactId>flink-table-api-scala-bridge_2.11</artifactId>
            <version>${flink.version}</version>
        </dependency>
        <dependency>
            <groupId>org.apache.flink</groupId>
            <artifactId>flink-table-common</artifactId>
            <version>${flink.version}</version>
        </dependency>
        <dependency>
            <groupId>org.apache.flink</groupId>
            <artifactId>flink-table-planner_2.11</artifactId>
            <version>${flink.version}</version>
        </dependency>
        <dependency>
            <groupId>org.apache.flink</groupId>
            <artifactId>flink-table-planner-blink_2.11</artifactId>
            <version>${flink.version}</version>
        </dependency>
        <dependency>
            <groupId>org.apache.flink</groupId>
            <artifactId>flink-clients_2.11</artifactId>
            <version>${flink.version}</version>
        </dependency>
        <dependency>
            <groupId>org.apache.flink</groupId>
            <artifactId>flink-connector-hbase-2.2_2.11</artifactId>
            <version>${flink.version}</version>
        </dependency>
        <dependency>
            <groupId>org.apache.flink</groupId>
            <artifactId>flink-connector-jdbc_2.11</artifactId>
            <version>${flink.version}</version>
        </dependency>
        <dependency>
            <groupId>org.apache.kafka</groupId>
            <artifactId>kafka_2.11</artifactId>
            <version>2.4.1</version>
        </dependency>
        <dependency>
            <groupId>org.apache.kafka</groupId>
            <artifactId>kafka-clients</artifactId>
            <version>2.4.1</version>
        </dependency>
        <dependency>
            <groupId>mysql</groupId>
            <artifactId>mysql-connector-java</artifactId>
            <version>5.1.47</version>
        </dependency>

 

创建Kafka流表

CREATE TABLE kafka_do_master (
name STRING,
age INT
) WITH (
  'connector' = 'kafka',
  'topic' = 'xxx',
  'properties.bootstrap.servers' = 'xxxx:9092',
  'properties.group.id' = 'test-1',
  'scan.startup.mode' = 'earliest-offset',
  'format' = 'json'
)

经过测试,kafka字段顺序无需和Json顺序一致，底层的JsonObject应该是个HashMap获取的。

创建HBase维度表

CREATE TABLE dim_hbase (
rowkey STRING,
info ROW<som_sysno STRING>,
PRIMARY KEY (rowkey) NOT ENFORCED
) WITH (
'connector' = 'hbase-2.2',
'table-name' = 'default:xxx',
'zookeeper.quorum' = 'xxx:2181',
'zookeeper.znode.parent' = '/hbase'
)

这里的字段顺序也无需和HBase的存储顺序一致。

创建Sink表

CREATE TABLE flink_do_so_master (
name VARCHAR,
age BIGINT,
som_sysno VARCHAR,
PRIMARY KEY (name,som_sysno) NOT ENFORCED
) WITH (
   'connector' = 'adbpg',
   'url' = 'jdbc:postgresql://xxx:5432/test',
   'tablename' = 'xxx',
   'username' = 'xx',
   'password' = 'xx',
   'maxretrytimes' = '2',
   'batchsize' = '100',
   'connectionmaxactive' = '5',
   'conflictmode' = 'upsert',
   'usecopy' = '0',
   'targetschema' = 'test',
   'exceptionmode' = 'ignore',
   'casesensitive' = '0',
   'writemode' = '2',
   'retrywaittime' = '200'
)

因为博主是用的阿里云的ADB for Postgresql, 开源的flink并没有支持这个Connector，自己实现了一个自定义的connector。

计算逻辑

insert into flink_do_so_master
select kafka_do_master.*,dim_hbase.info.* from kafka_do_master
left join dim_hbase
FOR SYSTEM_TIME AS OF kafka_do_master.proctime
on reverseKey(kafka_do_master.name) = dim_hbase.rowkey

自己实现了一个Rowkey反转的UDF函数，使用了Flink的Temporal Join语法关联HBase，其中 FOR SYSTEM_TIME AS OF kafka_do_master.proctime 这是Temporal Join固有的Join语法，使用处理时间proctime，如果程序使用的是EventTime事件事件，则需要改成rowtime，并且在kafka流表中指定watermark，还有在测试过程中发现必须在kafka流表中声明rowtime字段，不然会报错。

Temporal Join 目前必须要在Blink planner中使用，且能够支持Temporal Join的数据库Connector必须要实现LookupableTableSource 接口，LookupableTableSource接口意味着可以用一个或者多个key去查询外部存储,目前JDBC,HBase,Hive支持该特性。

总结

就目前各大公司的实时数仓现状，不少都是在使用Temporal Join作为宽表关联。在使用Flink sql的过程中还是发现了Flink sql对某些场景下还待完善的功能，日常也会遇到些Bug，需要改源码的问题，希望以后能够有时间记录下来，给大家解读源码。

欢迎大家扫一扫下面个人微信，我会拉大家进入大数据技术交流群，一起学习一起进步吧。