新一代开源流数据湖平台Apache Paimon入门实操-下

最新推荐文章于 2024-02-04 16:43:18 发布

IT小神

最新推荐文章于 2024-02-04 16:43:18 发布

阅读量846

点赞数

分类专栏：大数据数据仓库文章标签： apache

本文链接：https://blog.csdn.net/qq_20949471/article/details/132152130

版权

大数据同时被 2 个专栏收录

44 篇文章 1 订阅

订阅专栏

数据仓库

18 篇文章 0 订阅

订阅专栏

实战

写表

插入和覆盖数据

可以使用INSERT语句向表中插入新行或覆盖表中的现有数据。插入的行可以由值表达式指定，也可以由查询结果指定。语法格式如下，其与标准sql语法一致

INSERT { INTO | OVERWRITE } table_identifier [ part_spec ] [ column_list ] { value_expr | query }

part_spec：一个可选参数，用于指定分区的键和值对的逗号分隔列表。请注意，可以在分区规范中使用类型化文字(例如，日期’ 2023-01-02 ')。语法: PARTITION ( partition_col_name = partition_col_val [ , … ] )
column_list：一个可选参数，用于指定属于table_identifier表的以逗号分隔的列列表。所有指定的列都应该存在于表中，并且不能相互复制。它包括除静态分区列之外的所有列。列列表的大小应该与VALUES子句或查询中数据的大小完全相同。语法： (col_name1 [, column_name2, …])
value_expr：指定要插入的值。可以插入显式指定的值或NULL。必须用逗号分隔子句中的每个值。可以指定多个值集来插入多行。目前，Flink不支持直接使用NULL，因此NULL应该通过’ cast (NULL AS data_type) '转换为实际数据类型。语法: VALUES ( { value | NULL } [ , … ] ) [ , ( … ) ]

CREATE TABLE demo1 (
    user_id BIGINT,
    item_id BIGINT,
    behavior STRING,
    dt STRING,
    hh STRING,
    PRIMARY KEY (dt, hh, user_id) NOT ENFORCED
);

insert into demo1 values(1,1,'order','2023-08-04','19'),(2,2,'pay','2023-08-04','20');
select * from demo1;

CREATE TABLE demo_p1 (
    user_id BIGINT,
    item_id BIGINT,
    behavior STRING,
    dt STRING,
    hh STRING,
    PRIMARY KEY (dt, hh, user_id) NOT ENFORCED
) PARTITIONED BY (dt, hh);
insert into demo_p1 partition(dt='2023-08-04',hh='21') values(3,3,'pv');
insert into demo_p1 select * from demo1;
select * from demo_p1;

覆盖只支持batch模式。覆盖默认情况下，流读取将忽略INSERT OVERWRITE生成的提交。如果想要读取OVERWRITE的提交，可以配置流读覆盖。对于分区表，Paimon的默认覆盖模式是动态分区覆盖(这意味着Paimon只删除出现在覆盖数据中的分区)。可以配置动态分区覆盖来更改它。

RESET 'execution.checkpointing.interval';
SET 'execution.runtime-mode' = 'BATCH';

覆盖未分区的表

insert overwrite demo1 values(3,3,'pv','2023-08-04','20');

覆盖分区表

insert overwrite demo_p1 select * from demo1;
insert overwrite demo_p1 partition(dt='2023-08-04',hh='20') select user_id,item_id,behavior from demo1;

更新数据

目前，Paimon支持在Flink 1.17及以后的版本中使用UPDATE更新记录。可以在Flink的批处理模式下执行UPDATE。重要的表属性设置，只有主键表支持此特性。

要支持此特性，需要对MergeEngine进行重复数据删除或部分更新。不支持更新主键。语法：UPDATE table_identifier SET column1 = value1, column2 = value2, … WHERE condition;

update demo_p1 set item_id = 5,behavior='uv' where user_id = 1;

# 比如下面，merge-engine默认就是deduplicate
CREATE TABLE MyTable (
	a STRING,
	b INT,
	c INT,
	PRIMARY KEY (a) NOT ENFORCED
) WITH ( 
	'write-mode' = 'change-log',
	'merge-engine' = 'deduplicate' 
);

deduplicate:删除重复数据，保留最后一行。
Partial-update:部分更新非空字段。
aggregation:聚合具有相同主键的字段。
first-row:删除重复数据并保留第一行。

详细参数配置可以查看：https://paimon.apache.org/docs/master/maintenance/configurations/

删除数据

Flink1.17+以上SQL支持删除数据。且只有写模式设置为更改日志的表才支持此特性；如果表有主键，则需要对MergeEngine进行重复数据删除以支持此特性。

delete from demo_p1 where behavior = 'pv';
select * from demo_p1;

Merge Into

Paimon通过flink run提交“MERGE - INTO”作业来支持“MERGE INTO”。下载paimon-flink-action文件，无需放到lib目录，与普通开发jar包一样指定路径运行即可

wget https://repository.apache.org/content/groups/snapshots/org/apache/paimon/paimon-flink-action/0.5-SNAPSHOT/paimon-flink-action-0.5-20230804.002229-95.jar

通过Merge Into实现行级别更新，只有主键表支持这个功能，该操作不会产生UPDATE_BEFORE，所以不建议设置’ changelog-producer ’ = ’ input '。合并操作使用“upsert”语义而不是“update”语义，这意味着如果行存在，则执行更新，否则执行插入。例如对于非主键表可以更新每一列，但对于主键表如果希望更新主键，则必须插入具有不同于表中行主键的新行。在这种情况下，“upsert”是有用的。

匹配解释如下：

匹配：更改的行来自目标表，并且每个行都可以基于merge-condition和可选的Matched -condition (source∩target)匹配源表的行。
不匹配：根据合并条件和可选的不匹配条件(source - target)，更改的行来自源表，所有行不能匹配任何目标表行。
Not-matched-by-source：根据merge-condition和可选的Not-matched-by-source条件(target -source)，更改的行来自目标表，并且所有行不能匹配任何源表行。

参数格式:

Matched-upsert-changes: col = .col | expression [, …] (Means setting .col with given value. Do not add ‘.’ before ‘col’.)，可以使用’ * '来设置具有所有源列的列(要求目标表的模式等于源表的模式)。
Not-matched-upsert-changes：类似于matched-upsert-changes，但不能引用源表的列或使用’ * '。
insert-values：col1, col2, …, col_end。Must specify values of all columns. For each column, you can reference .col or use an expression。可以使用’ * '插入所有源列(要求目标表的模式等于源表的模式)。
不匹配条件不能使用目标表的列来构造条件表达式。
不匹配源条件不能使用源表的列来构造条件表达式。

create database test;use test;CREATE TABLE wstest1 (	id INT,	ts BIGINT,    vc INT,	PRIMARY KEY (id) NOT ENFORCED)insert into wstest1 values(1,1,1),(2,2,2),(3,3,3);select * from wstest1;

CREATE TABLE wstest2 (	id INT,	ts BIGINT,    vc INT,	PRIMARY KEY (id) NOT ENFORCED)insert into wstest2 values(2,2,2),(3,3,3),(4,4,4),(5,5,5);select * from wstest2;

./bin/flink run \    ./lib/paimon-flink-action-0.5-20230804.002229-95.jar \    merge-into \    --warehouse hdfs://myns/paimon/hive \    --database test \    --table wstest2 \    --source-table test.wstest1 \    --on "wstest2.id = wstest1.id" \    --merge-actions matched-upsert,matched-delete \    --matched-upsert-condition "wstest2.ts > 2" \    --matched-upsert-set "vc = 100" \    --matched-delete-condition "wstest2.ts <= 2"

select * from wstest2;

查询表

批量查询

Paimon的批处理读取返回表快照中的所有数据。默认情况下，批处理读取返回最新的快照。在sql-client中，设置执行模式为

RESET 'execution.checkpointing.interval';SET 'execution.runtime-mode' = 'batch';

时间旅行

带时间旅行的Paimon批读可以指定一个快照或一个标签，并读取相应的数据。通过查看文件系统存储元数据和数据可以看下上面test库中wstest2表的快照目录可以查看目前有1和2两个快照版本

-- 读取id为1的快照SELECT * FROM wstest2 /*+ OPTIONS('scan.snapshot-id' = '1') */;-- 以Unix毫秒为单位从指定的时间戳读取快照SELECT * FROM wstest2 /*+ OPTIONS('scan.timestamp-millis' = '1691143583490') */;-- 读取标签“my-tag”SELECT * FROM wstest2 /*+ OPTIONS('scan.tag-name' = 'my-tag') */;

读取id和时间戳读取数据如下

批量增量查询

读取开始快照(不包含)和结束快照之间的增量变化。例如:

“5,10”表示快照5和快照10之间的变化。
’ TAG1,TAG3 '表示TAG1和TAG3之间的变化。

SELECT * FROM wstest2 /*+ OPTIONS('incremental-between' = '1,2') */;

流式查询

默认情况下，流式读取在第一次启动时生成表上的最新快照，并继续读取最新的更改。

-- Flink SQLSET 'execution.checkpointing.interval'='30s';SET 'execution.runtime-mode' = 'streaming';

可以做流式读取没有快照数据，可以使用最新的扫描模式；连续读取最新更改，而不在开始时生成快照。

SELECT * FROM wstest2 /*+ OPTIONS('scan.mode' = 'latest') */;

如果只想处理今天及以后的数据，可以使用分区过滤器:

SELECT * FROM wstest2 WHERE dt > '2023-08-04'

时间旅行

如果它不是一个分区表，或者不能按分区进行过滤，可以使用Time travel的流读取。

-- 从id为1的快照读取更改SELECT * FROM wstest2 /*+ OPTIONS('scan.snapshot-id' = '1') */;-- 从指定时间戳的快照读取更改SELECT * FROM wstest2 /*+ OPTIONS('scan.timestamp-millis' = '1691143583490') */;-- 在第一次启动时读取快照id 1，并继续读取更改SELECT * FROM wstest2 /*+ OPTIONS('scan.mode'='from-snapshot-full','scan.snapshot-id' = '1') */;

读取数据如下

ConsumerID

这是一个实验性的功能。可以在流式读表时指定消费者id:

SELECT * FROM wstest2 /*+ OPTIONS('consumer-id' = 'myid') */;

当流读取Paimon表时，要记录到文件系统中的下一个快照id。这有几个好处:

当前一个作业停止时，新启动的作业可以继续使用前一个进度，而无需从状态恢复。新的读取将从消费者文件中找到的下一个快照id开始读取。
在确定快照是否过期时，Paimon查看文件系统中表的所有消费者，如果仍然有消费者依赖于该快照，则该快照将不会在到期时被删除。
当没有水印定义时，Paimon表会将快照中的水印传递给下游的Paimon表，这意味着您可以跟踪整个管道的水印进度。

注意：消费者将阻止快照过期，可以指定consumer.expiration-time来管理消费者的生命周期。可以使用给定的消费者ID和下一个快照ID重置消费者。

SELECT * FROM wstest2 /*+ OPTIONS('consumer-id' = 'itxiaoshen') */;insert into wstest2 values(6,6,6),(7,7,7);SELECT * FROM wstest2 /*+ OPTIONS('consumer-id' = 'itxiaoshen') */;

查询优化

强烈建议与查询一起指定分区和主键过滤器，这将加快查询的数据跳过。可以加速数据跳转的过滤函数有:

=
<
<=
>
>=
IN (...)
LIKE 'abc%'
IS NULL

Paimon将按主键对数据进行排序，这加快了点查询和范围查询的速度。当使用复合主键时，查询过滤器最好在主键的最左边形成一个前缀，以获得良好的加速。

假设一个表具有以下表结构:

CREATE TABLE orders (    catalog_id BIGINT,    order_id BIGINT,    .....,    PRIMARY KEY (catalog_id, order_id) NOT ENFORCED -- composite primary key)

通过为主键的最左边的前缀指定一个范围过滤器，查询可以获得很好的加速。

SELECT * FROM orders WHERE catalog_id=1025;SELECT * FROM orders WHERE catalog_id=1025 AND order_id=29495;SELECT * FROM orders  WHERE catalog_id=1025  AND order_id>2035 AND order_id<6000;

但是下面的过滤器不能很好地加速查询。

SELECT * FROM orders WHERE order_id=29495;SELECT * FROM orders WHERE catalog_id=1025 OR order_id=29495;

系统表

表指定系统表

表指定的系统表包含每个表的元数据和信息，例如创建的快照和正在使用的选项。用户可以通过批量查询访问系统表。

目前，Flink、Spark和Trino都支持查询系统表。在某些情况下，表名需要用反引号括起来以避免语法解析冲突，例如三重访问模式:

SELECT * FROM my_catalog.my_db.`MyTable$snapshots`;

快照表

# 通过快照表可以查询该表的快照历史信息，包括快照中发生的记录计数。select * from wstest2$snapshots;

通过查询快照表，可以了解该表的提交和过期信息以及数据的时间旅行。

表模式

可以通过schemas表查询该表的历史模式。

SELECT * FROM wstest2$schemas;

可以连接快照表和模式表以获得给定快照的字段。

SELECT s.snapshot_id, t.schema_id, t.fields     FROM wstest2$snapshots s JOIN MyTable$schemas t     ON s.schema_id=t.schema_id where s.snapshot_id=1;

表选项

可以查询表的选项信息，这些信息是通过选项表从DDL指定的。未显示的选项将是默认值。可以参考[Configuration]。

SELECT * FROM wstest2$options;

审计日志表

如果需要审计表的变更日志，可以使用audit_log系统表。通过audit_log表，可以在获取表的增量数据时获取rowkind列。您可以使用该列进行过滤和其他操作，以完成审计。

SELECT * FROM wstest2$audit_log;

> +I：插入操作,新增数据。> -U：使用更新行之前的内容进行更新操作,一条数据的修改会产生两个U 标识符数据。其中-U 含义为修改前数据。> +U：使用更新行的新内容进行更新操作,修改之后的数据。> -D：删除操作,删除的数据。

表文件

可以查询指定快照表的文件。

-- 查询最新快照的文件SELECT * FROM wstest2$files;

-- 还可以查询指定快照的文件SELECT * FROM wstest2$files /*+ OPTIONS('scan.snapshot-id'='1') */;

表标签

通过标签表可以查询该表的标签历史信息，包括标签基于哪些快照，以及快照的一些历史信息。还可以获得所有标签名称和时间旅行到特定的标签数据名称。

SELECT * FROM wstest2$tags;

表消费者

可以查询包含下一个快照的所有消费者。

SELECT * FROM wstest2$consumers;

表清单文件

可以查询当前表的最新快照或指定快照中包含的所有清单文件。

-- 查询最新快照的清单信息SELECT * FROM wstest2$manifests;

-- 也可以查询带有指定快照的清单SELECT * FROM wstest2$manifests /*+ OPTIONS('scan.snapshot-id'='1') */;

分区表

可以查询表的分区文件。

SELECT * FROM demo_p1$partitions;

全局系统表

全局系统表包含当前存在的所有表的统计信息；为了方便检索，创建了一个参考系统数据库sys，可以用sql在flink中显示所有全局系统表:

所有选项表，这个表类似于Options table，但是它显示所有的表选项都是all database。

SELECT * FROM sys.all_table_options;

维表

Paimon支持Lookup Join，它用于从Paimon查询数据来补充维度字段，是流查询中的一种连接。连接要求一个表具有处理时间属性，另一个表由查找源连接器提供支持。

在Flink中，Paimon支持对带有主键的表和仅追加表进行查找连接。下面的示例说明了这个特性，创建一个Paimon表并实时更新它。

USE CATALOG fs_catalog;CREATE TABLE customers (    id INT PRIMARY KEY NOT ENFORCED,    name STRING,    country STRING,    zip STRING);-- 启动一个流作业来更新客户表INSERT INTO customers values(1,'zhangsan','china','aaa'),(2,'lisi','china','bbb'),(3,'wangwu','china','ccc');select * from customers;-- 创建一个临时左表，就像从kafkaCREATE TEMPORARY TABLE Orders (    order_id INT,    total INT,    customer_id INT,    proc_time AS PROCTIME()) WITH (  'connector' = 'datagen',   'rows-per-second'='1',   'fields.order_id.kind'='random',   'fields.order_id.min'='1',   'fields.order_id.max'='1000000',   'fields.total.kind'='sequence',   'fields.total.start'='1',   'fields.total.end'='1000',   'fields.customer_id.kind'='random',   'fields.customer_id.min'='1',   'fields.customer_id.max'='3');select * from Orders;

现在可以在查找连接查询中使用客户。

-- 用客户信息填充每个订单SELECT o.order_id, o.total, c.country, c.zipFROM Orders AS oJOIN customersFOR SYSTEM_TIME AS OF o.proc_time AS cON o.customer_id = c.id;

Lookup Join将在本地维护一个RocksDB缓存，并实时提取表的最新更新。查找连接操作符将只提取必要的数据，因此筛选条件对性能非常重要。此特性仅适用于最多包含数千万条记录的表，以避免过度使用本地磁盘。

如果Orders(主表)join的记录缺失，因为客户(查找表)的相应数据还没有准备好。可以考虑使用Flink的Delayed Retry Strategy For Lookup进行查找。以下选项允许用户微调RocksDB以获得更好的性能,可以在表属性或动态表提示中指定它们。

-- 动态表提示示例SELECT o.order_id, o.total, c.country, c.zipFROM Orders AS o JOIN customers /*+ OPTIONS('lookup.cache-rows'='20000') */FOR SYSTEM_TIME AS OF o.proc_time AS cON o.customer_id = c.id;

CDC集成

通过模式演化，Paimon支持多种方式将数据摄取到Paimon表中；这意味着添加的列将实时同步到Paimon表，并且不会为此重新启动同步作业。目前支持以下同步方式:

MySQL同步表：将MySQL中的一个或多个表同步到一个Paimon表中。
MySQL同步数据库：将整个MySQL数据库同步到一个Paimon数据库。
API同步表：自定义数据流输入到一个Paimon表。
Kafka同步表：将一个Kafka主题的表同步到一个Paimon表。
Kafka同步数据库：同步一个包含多个表的Kafka主题或多个包含一个表的主题到一个Paimon数据库。

MySQL

Paimon支持使用更改数据捕获(CDC)同步来自不同数据库的更改，此功能需要Flink及其CDC连接器，准备CDC Bundled Jar。在上一篇我们已经将flink-sql-connector-mysql-cdc-2.4.1.jar拷贝到Flink的Lib目录。

同步表：通过在Flink数据流作业中使用mysql-sync-table动作或直接通过Flink运行，用户可以将一个或多个MySQL表同步到一个Paimon表中。

如果指定的Paimon表不存在，则此操作将自动创建表。它的模式将从所有指定的MySQL表派生。如果Paimon表已经存在，它的模式将与所有指定的MySQL表的模式进行比较。

./bin/flink run \    ./lib/paimon-flink-action-0.5-20230804.002229-95.jar \    mysql-sync-table \    --warehouse hdfs://myns/paimon/hive \    --database test \    --table my_users_cdc \    --primary-keys id \    --mysql-conf hostname=192.168.50.95 \    --mysql-conf username=root \    --mysql-conf password=123456 \    --mysql-conf database-name='test' \    --mysql-conf table-name='my_users' \    --catalog-conf metastore=hive \    --catalog-conf uri=thrift://hadoop2:9083 \    --table-conf bucket=4 \    --table-conf changelog-producer=input \    --table-conf sink.parallelism=4

启动后查看下表的信息已经同步

修改MySQL数据库my_users表中id为4的age字段的值从40改为55

可以看到已经获取变更的数据

还可以使用正则表达式设置’ database-name ‘来捕获多个数据库。通过对–mysql-conf database-name=‘source_db.+’ ；一个典型的场景是，一个表’ source_table ‘被分成数据库’ source_db1 '， ’ source_db2 ‘…，然后可以同步所有’ source_table '的数据到一个Paimon表。

同步数据库：通过在Flink数据流作业中使用mysql-sync-database动作或直接通过Flink运行，用户可以将整个MySQL数据库同步到一个Paimon数据库。

只有具有主键的表才会被同步。对于每个要同步的MySQL表，如果对应的Paimon表不存在，该操作将自动创建表。它的模式将从所有指定的MySQL表派生。如果Paimon表已经存在，它的模式将与所有指定的MySQL表的模式进行比较。

./bin/flink run \    ./lib/paimon-flink-action-0.5-20230804.002229-95.jar \    mysql-sync-database \    --warehouse hdfs://myns/paimon/hive \    --database test \    --table-prefix "ods_" \    --table-suffix "_cdc" \    --mysql-conf hostname=192.168.50.95 \    --mysql-conf username=root \    --mysql-conf password=123456 \    --mysql-conf database-name=test \    --catalog-conf metastore=hive \    --catalog-conf uri=thrift://hadoop2:9083 \    --table-conf bucket=4 \    --table-conf changelog-producer=input \    --table-conf sink.parallelism=4

运行后查看已经有对应整库的表了

修改MySQL数据库new_users表中id为1的age字段的值从当前33改为43

可以看到已经获取变更的数据

希望该作业同步包含历史数据的表[order, custom]；可以通过从作业的前一个快照中恢复，从而重用作业的现有状态来实现这一点。恢复的作业将首先对新添加的表进行快照，然后继续自动从以前的位置读取变更日志。

./bin/flink run \   --fromSavepoint savepointPath \    ./lib/paimon-flink-action-0.5-20230804.002229-95.jar \    mysql-sync-database \    --warehouse hdfs:///path/to/warehouse \    --database test_db \    --mysql-conf hostname=127.0.0.1 \    --mysql-conf username=root \    --mysql-conf password=123456 \    --mysql-conf database-name=source_db \    --catalog-conf metastore=hive \    --catalog-conf uri=thrift://hive-metastore:9083 \    --table-conf bucket=4 \    --including-tables 'product|user|address|order|custom'

可以设置——mode组合，以启用同步新添加的表而无需重新启动作业。

--including-tables 'tbl.+'

通过将database-name设置为正则表达式，同步作业将捕获匹配数据库下的所有表，并将同名的表合并到一个表中。可以设置——merge-shards false来阻止合并碎片。同步表将被命名为’ databaseName_tableName '，以避免潜在的名称冲突。

Kafka

在上一篇我们已经将flink-sql-connector-kafka-1.17.1.jar拷贝到Flink的Lib目录。Flink提供了几种Kafka CDC格式:canal-json, debezium-json,ogg-json,maxwell-json。如果Kafka主题中的消息是使用更改数据捕获(CDC)工具从另一个数据库捕获的更改事件，那么您可以使用Paimon Kafka CDC。将解析后的INSERT、UPDATE、DELETE消息写入paimon表。也即是目前只支持CanalCDC，其他在未来应该会支持

准备

[mysqld]log-bin=mysql-bin # 开启 binlogbinlog-format=ROW # 选择 ROW 模式

授权 canal 链接 MySQL 账号具有作为 MySQL slave 的权限

CREATE USER canal IDENTIFIED BY 'canal';  GRANT SELECT, REPLICATION SLAVE, REPLICATION CLIENT ON *.* TO 'canal'@'%';

先安装canal

# 先下载canalwget https://github.com/alibaba/canal/releases/download/canal-1.1.6/canal.deployer-1.1.6.tar.gz# 解压tar -xvf canal.deployer-1.1.6.tar.gz

修改canal.properties和instance.properties两个配置文件，vim conf/canal.properties

canal.serverMode = kafkakafka.bootstrap.servers = kafka1:9092,kafka2:9092,kafka3:9092

vim conf/example/instance.properties

canal.instance.master.address=mysqlserver:3306canal.instance.dbUsername=canalcanal.instance.dbPassword=canal# mq configcanal.mq.topic=cc_test2

启动canal

# 启动canal./bin/startup.sh

修改MySQL的account数据库的account_tbl表的数据,先通过

./kafka-console-producer.sh --broker-list kafka1:9092 --topic cc_test2

消费kafka的主题cc_test2数据成功如下，验证canal的配置正确。

{"data":[{"id":"1","user_id":"6","money":"100"}],"database":"account","es":1691400547000,"id":2,"isDdl":false,"mysqlType":{"id":"int","user_id":"varchar(255)","money":"int"},"old":[{"user_id":"5"}],"pkNames":["id"],"sql":"","sqlType":{"id":4,"user_id":12,"money":4},"table":"account_tbl","ts":1691400547176,"type":"UPDATE"}{"data":[{"id":"1","user_id":"7","money":"100"}],"database":"account","es":1691400566000,"id":3,"isDdl":false,"mysqlType":{"id":"int","user_id":"varchar(255)","money":"int"},"old":[{"user_id":"6"}],"pkNames":["id"],"sql":"","sqlType":{"id":4,"user_id":12,"money":4},"table":"account_tbl","ts":1691400566482,"type":"UPDATE"}

同步表：通过在Flink数据流作业中使用kafka-sync-table动作或直接通过Flink运行，用户可以将Kafka的一个主题中的一个或多个表同步到一个Paimon表中。

./bin/flink run \    ./lib/paimon-flink-action-0.5-20230804.002229-95.jar \    kafka-sync-table \    --warehouse hdfs://myns/paimon/hive \    --database test \    --table kafka_account_tbl_cdc \    --primary-keys id \    --kafka-conf properties.bootstrap.servers=kafka1:9092,kafka2:9092,kafka3:9092 \    --kafka-conf topic=cc_test2 \    --kafka-conf properties.group.id=itxs \    --kafka-conf value.format=canal-json \    --catalog-conf metastore=hive \    --catalog-conf uri=thrift://hadoop2:9083 \    --table-conf bucket=4 \    --table-conf changelog-producer=input \    --table-conf sink.parallelism=4

运行后可以到通过Kafka已经将对应表和数据都同步到

如果指定的Paimon表不存在，则此操作将自动创建表。它的模式将从所有指定的Kafka主题的表中派生，它从主题中获得最早的非ddl数据解析模式。如果Paimon表已经存在，它的模式将与所有指定Kafka主题表的模式进行比较。

同步库：通过在Flink数据流作业中使用KafkaSyncDatabaseAction或直接通过Flink运行，用户可以将多主题或一个主题同步到一个Paimon数据库。只有具有主键的表才会被同步。

此操作将为所有表构建单个合并接收器。对于每个要同步的Kafka主题的表，如果对应的Paimon表不存在，这个动作将自动创建表，并且它的模式将从所有指定的Kafka主题的表中派生。如果Paimon表已经存在，并且它的模式与从Kafka记录解析的模式不同，这个动作将尝试进行模式进化。

修改canal.mq.topic=cc_test3后重启启动canal

./bin/flink run \    ./lib/paimon-flink-action-0.5-20230804.002229-95.jar \    kafka-sync-database \    --warehouse hdfs://myns/paimon/hive \    --database test \    --table-prefix "ods_" \    --table-suffix "_cdc" \    --kafka-conf properties.bootstrap.servers=192.168.5.120:9092 \    --kafka-conf topic=cc_test3 \    --kafka-conf properties.group.id=itxs \    --kafka-conf scan.startup.mode=earliest-offset \    --kafka-conf value.format=canal-json \    --catalog-conf metastore=hive \    --catalog-conf uri=thrift://hadoop2:9083 \    --table-conf bucket=4 \    --table-conf changelog-producer=input \    --table-conf sink.parallelism=4

运行后，也可以看下后很多ods开发和cdc结尾的表，可以看到

在MySQL的student表修改数据

可以看到在sql-client中查询表已经捕获到最新变更的数据，至此基于Kafka通过MySQL多表已验证完毕。

select * from ods_student_cdc;

支持schema变更

CDC摄取支持有限数量的模式更改,也即是可以自动同步表结构信息。目前，框架不能重命名表，删除列，所以rename table和drop COLUMN的行为将被忽略，rename COLUMN将添加一个新的列。当前支持的模式更改包括:

添加列。
修改列类型。更具体地说
- 将字符串类型(char, varchar, text)转换为另一种长度更长的字符串类型
- 从二进制类型(binary, varbinary, blob)转换为另一种长度更长的二进制类型
- 从整数类型(tinyint, smallint, int, bigint)转换为另一个范围更大的整数类型
- 从浮点类型(float, double)转换为另一种范围更大的浮点类型;
本人博客网站IT小神 www.itxiaoshen.com

IT小神

关注

0
点赞
踩
2

收藏

觉得还不错? 一键收藏
0
评论
新一代开源流数据湖平台Apache Paimon入门实操-下

上一篇对Apache Paimon有了基础了解，本身则主要通过实操方式进一步加深理解，具备沉淀后续投入使用的基础知识；进行数据插入和更新操作，基于批和流式多种查询方式如时间旅行和增量查询，并了解相关系统表的查看，最后MySQL和基于Kafka（通过Canal对MySQL数据库实现变更捕获）的CDC集成完整示例演示收尾。
复制链接

扫一扫