如何实时同步数据到StarRocks

我们知道，是StarRocks基于Doris开发的，它在多表连接查询的性能方面引领OLAP市场，是一个很好用的结构化数据仓库。但是一直没有很好的工具能够实现业务数据库的数据实时同步到StarRocks分布式数据仓库集群中，本文将带领读者一起来通过flink-jobs的最佳实践来构建一个易于使用和运维的，异构数据库实时同步到StarRocks集群的方案。

阅读前提

阅读本文除了需具备StarRocks相关知识之外，还会涉及Flink、Debezium、Kafka、Zookeeper、MySQL（或者PostgreSQL、Oracle、SQL Server、Db2等其中一种），最好能够自己搭建整套环境，如果不能，身边有可以利用的环境或者有朋友能帮上忙也可以。

环境准备

1. 在192.168.100.1-3上安装zookeeper，在192.168.100.4-6上安装基于zookeeper的Flink高可用集群，具体安装配置方法请查阅Flink官网。
2. 在192.168.100.7-9上安装基于zookeeper的kafka集群，并配置好Debezium（也可以是Canal、Maxwell等Flink支持的其他组件），安装方法详见各自官网。
3. 在192.168.100.10上安装一个MySQL数据库，也可以安装任意Debezium支持的数据库（例如PostgreSQL、Oracle、SQL Server、Db2等）。创建一个skyline数据库，在skyline中创建product表并插入数据：

   -- ----------------------------
   -- Table structure for product
   -- ----------------------------
   CREATE TABLE product (
     id bigint NOT NULL,
     name VARCHAR(255),
     authors VARCHAR(50),
     create_time DATETIME,
     PRIMARY KEY (id)
   );
   
   -- ----------------------------
   -- Records of product
   -- ----------------------------
   INSERT INTO product VALUES (100000000000000001, 'Apache Flink', 'Apache Software Foundation', now());
   INSERT INTO product VALUES (100000000000000002, 'Flink Jobs', 'June', now());

4. 192.168.100.11-13上安装一个StarRocks集群，创建一个skyline数据库，并在skyline中创建product表：

   -- ----------------------------
   -- Table structure for product
   -- ----------------------------
   CREATE TABLE product (
     id bigint NOT NULL,
     name STRING,
     authors STRING,
     create_time DATETIME
   ) PRIMARY KEY (id) DISTRIBUTED BY HASH (id) BUCKETS 3;

5. 在kafka上运行命令将MySQL中的product表的变更通过CDC捕获：

   curl -i -X POST -H "Accept:application/json" -H  "Content-Type:application/json" 192.168.100.7:8083/connectors/  -d '{
     "name": "productCDCTask",
     "config": {
       "connector.class": "io.debezium.connector.mysql.MySqlConnector",
       "tasks.max": "1",
       "database.hostname": "192.168.100.10",
       "database.port": "3306",
       "database.user": "your_user",
       "database.password": "your_password",
       "database.server.id": "184001",
       "database.server.name": "demo",
       "database.whitelist": "skyline",
       "database.useTimezone": "true",
   	"database.serverTimeZone": "Asia/Shanghai",
       "time.precision.mode": "connect",
       "decimal.handling.mode": "string",
       "table.whitelist": "skyline.product",
       "database.history.kafka.bootstrap.servers": "192.168.100.7:9092,192.168.100.8:9092,192.168.100.9:9092",
       "database.history.kafka.topic": "dbhistory.demo" 
     }
   }';

创建应用

为了更快地创建自己的flink-jobs应用程序，我们直接下载flink-jobs-quickstart来开始构建我们的第一个flink-jobs应用程序：

1. 下载flink-jobs-quickstart源代码，并根据自己的情况修改flink-jobs.properties配置文件（这里只需要修改Kafka和StarRocks的配置即可）。
2. 在flink-jobs-quickstart目录下，使用maven打包：

   mvn clean package -Dmaven.test.skip=true

运行应用

 打包成功后，生成的程序包在target目录下：

1. 将flink-jobs-quickstart/target/flink-jobs-quickstart-1.1.3.jar及flink-jobs-quickstart/target/lib/*上传到flink所在服务器，例如上传到/opt/flink-jobs-quickstart/flink-jobs-quickstart-1.1.3.jar和/opt/flink-jobs-quickstart/lib/*。这里需要注意1.1.3为版本号，请根据自己下载的实际版本调整。
2. 将flink-jobs-quickstart/target/lib-provided/*包上传到${yourFlinkPath}/lib目录下（${yourFlinkPath}为你的flink所在目录）。
3. 启动flink集群，如果此前已经启动，由于${yourFlinkPath}/lib目录发生了变化，重启以确保所有依赖包被重新加载。
4. 通过命令行直接运行同步任务：

   ${yourFlinkPath}/bin/flink run /opt/flink-jobs-quickstart/flink-jobs-quickstart-1.1.3.jar "{\"operates\":[{\"from\":\"kafka\",\"primaryKey\":\"id\",\"table\":\"product\",\"to\":\"starrocks\",\"topic\":\"demo.skyline.product\",\"type\":\"DataSync\"}]}"

5. 可以尝试对MySQL中的product表进行增删改操作，新的数据将很快同步到StarRocks中。

系统集成

直接通过命令行提交flink-jobs任务并不是终点，因为它使用起来比较繁琐，且不利于管理和维护。最理想的状态应该是直接通过系统界面来进行任务的管理，包括任务配置、启动、停止、重启、监控等。

通过flink-jobs-launcher+Flink REST API可以实现这种目的。首先，利用flink-jobs-launcher提交flink-jobs应用程序会更加便捷，可以采用可读性更好的XML来配置作业，还可以将flink作业集成到现有Java系统中。其次，通过定时调度调用Flink REST API可以将Flink任务监控集成到系统中。详情请移步flink-jobs-launcher或flink-jobs-launcher-quickstart