flink系列--flinksql cdc源码分析

前言

       关于cdc（change data capture）不知道的小伙伴们可以去百度一下，简单来说就是对于数据库的变更进行一个探测，因为数据库的更改对于客户端来说是没有感知的，你需要开启线程去查询，才知道数据有没有更新，但是就算是查询，如果是直接select * from ....,这样获取的结果还要和上次获取的结果对比，才知道数据有没有发生变化，耗时大，一个简单的思路是在要查询的表中添加一个updateTimestamp字段，然后判断updateTimestamp字段是否大于上次查询时的时间，如果大于，明显在上次查询之后数据更改了，如果小于或者等于说明没有更改。这样确实可以感知数据库的数据变化。可是这样做的缺点是与业务耦合度大呀，要是你的业务表没有updateTimestamp字段，你还需要自己加上这个字段。其次定时查询数据库也会造成数据库的压力。那么另外一种牛逼的方式那就是基于日志的cdc（刚才说的那种方式是基于查询的cdc），这种方式可以完美解决上述方法的缺点，做到低延迟、高吞吐、精准度高。不知道大家知不知道mysql的binlog，这个东西不知道可以百度一下，其实就是记录数据更改的日志。你增删改一条数据，这个日志就会记录一条数据（查询自然不需要记录，因为查询不会对数据库造成更改），日志的设计是为了数据库故障恢复而设计的，其实他的另一大用处就是应用于cdc。现在客户端要感知数据库的变更，不需要去查询数据库的具体数据了，而是直接查询日志。删除（更新、增加）一条数据，日志就增加一条数据，那就直接把这个增加的数据发给客户端，客户端就知道数据发生变化了，然后对数据进行合并。我们知道日志是追加模式的，这种模式非常适合流数据。你再仔细想一想，流数据是个啥样子，不就是一条一条数据的流吗，正好日志也是一条一条数据的增加，（kafka不就是append-only模式吗，其实就是追加模式，其实kafka本质上的设计就是基于日志特点设计的）基于这一认识，那我们就可以清楚地知道，binlog本质就是把数据库这种批数据的模式，转换为流数据模式。所以想要知道数据库数据是否变更，直接查询日志就可以了，这样是不是可以达到低延迟（有变更直接发过来）、高吞吐（不管数据库发生多大的变化，日志都会记录，而且不会去查询数据库，并不会给数据库造成查询压力，所以数据量大，也可以获取数据的更新）、精确度高（从日志获取的数据更改，准确度能不高吗）。说完了前置知识，接下来就要讲讲咱们的sql-cdc。

概念

       首先，咱们研究这个flinksql cdc，就要知道他是个什么东西，有啥用。概括来说就是flink在join mysql类关系型数据库的时候，不需要先把数据库的数据同步到kafka，然后再通过kafka进行join，现在不需要这个操作了，flinksql直接集成了cdc，可以直接对接关系型数据库，不需要kafka这个中间件。有的人问价格kafka有啥的吗，反正kafka还可以解耦，这样还不错啊。但是你想过没有多了一个中间件，中间会消耗多少东西（数据库进了kafka需要序列化、反序列化、磁盘落地，这些都需要消耗时间、磁盘资源）。所以flinksql直接对接cdc会省掉好多资源，而且还简化了系统。首先咱们来看看之前cdc对接kafka是咋样的。

不要介意这张图的水印哈，这是网上截图过来的（哈哈），很明显数据的同步就归属到kafka的工作了，其实sql cdc就是直接去掉kafka中间层，如下图：

       看到转变了吗，也就是flinksql可以直接把etl过程直接解决了，都不需要中间件作为数据采集层，看到上图和这个图的对比自然能想到flinksql能直接对接cdc，肯定集成了debezium等同步组件。

分析

       说完概念咱们就可以分析sql-cdc了，其实说白了就是这个对接cdc就是要个sourcefunction可以处理cdc数据。其实看我上篇博客flink connector源码分析，就可以知道sourcefunction最重要的两个函数就是open和run这两个生命周期方法，也说了这两个生命周期方法的执行时机，在了解这个知识的前提下，那咱们就照猫画虎的分析着。

       首先要分析sql cdc就需要去github额外下载源码，因为这个sql-cdc并没有合并到flink1.11的主分支去，网址：flink-cdc-connector，下载之后可以看到他的工程结构非常清晰，有支持mysql和postgres数据库的两个模块，还有与一个同步数据的debezium模块，其实用canal等同步工具也可以实现，flink1.11暂时没有实现。

                                   

看一下flink-sql-connector-mysql-cdc和flink-sql-connector-postgres-cdc模块就知道还没有任何类，不知道啥意思，主要的实现在于flink-connector-mysql-cdc和flink-connector-postgres-cdc这两个包。

拿mysql来说，其实最主要的就是用MySQLSource类build一个DebeziumSourceFunction出来，也就是MysqlSource就是一个Builder，包括table模块中的MysqlTableSource也会调用MysqlSource来build一个DebeziumSourceFunction，所以今天的主角就是DebeziumSourceFunction。因为上一篇博客flink connector源码分析分析过sourcefunction，所以我们就直接看open和run的逻辑，就不细节讲open和run是如何以及何时调用的，总结上一篇博客来说就是先回调用open初始化sourcefunction一些属性，run就是把数据拉取过来然后emit出去。

所以首先来看看open

public void open(Configuration parameters) throws Exception {
		super.open(parameters);
		ThreadFactory threadFactory = new ThreadFactoryBuilder()
			.setNameFormat("debezium-engine")
			.build();
		this.executor = Executors.newSingleThreadExecutor(threadFactory);
	}

可以看到open这里就是创建一个线程池，非常简单。接下来看看run

public void run(SourceContext<T> sourceContext) throws Exception {
		properties.setProperty("name", "engine");
		properties.setProperty("offset.storage", FlinkOffsetBackingStore.class.getCanonicalName());
		if (restoredOffsetState != null) {
			// restored from state
			properties.setProperty(FlinkOffsetBackingStore.OFFSET_STATE_VALUE, restoredOffsetState);
		}
		// DO NOT include schema payload in change event
		properties.setProperty("key.converter.schemas.enable", "false");
		properties.setProperty("value.converter.schemas.enable", "false");
		// DO NOT include schema change, e.g. DDL
		properties.setProperty("include.schema.changes", "false");
		// disable the offset flush totally
		properties.setProperty("offset.flush.interval.ms", String.valueOf(Long.MAX_VALUE));
		// disable tombstones
		properties.setProperty("tombstones.on.delete", "false");
		// we have to use a persisted DatabaseHistory implementation, otherwise, recovery can't continue to read binlog
		// see https://stackoverflow.com/questions/57147584/debezium-error-schema-isnt-know-to-this-connector
		// and https://debezium.io/blog/2018/03/16/note-on-database-history-topic-configuration/
		properties.setProperty("database.history", FlinkDatabaseHistory.class.getCanonicalName());
		// reduce the history records to store
		properties.setProperty("database.history.store.only.monitored.tables.ddl", "true");
		if (engineInstanceName == null) {
			// not restore from recovery
			engineInstanceName = UUID.randomUUID().toString();
			FlinkDatabaseHistory.registerEmptyHistoryRecord(engineInstanceName);
		}
		// history instance name to initialize FlinkDatabaseHistory
		properties.setProperty(FlinkDatabaseHistory.DATABASE_HISTORY_INSTANCE_NAME, engineInstanceName);

		// dump the properties
		String propsString = properties.entrySet().stream()
			.map(t -> "\t" + t.getKey().toString() + " = " + t.getValue().toString() + "\n")
			.collect(Collectors.joining());
		LOG.info("Debezium Properties:\n{}", propsString);
		this.debeziumConsumer = new DebeziumChangeConsumer<>(
			sourceContext,
			deserializer,
			restoredOffsetState == null, // DB snapshot phase if restore state is null
			this::reportError);

		// create the engine with this configuration ...
		this.engine = DebeziumEngine.create(Connect.class)
			.using(properties)
			.notifying(debeziumConsumer)
			.using((success, message, error) -> {
				if (!success && error != null) {
					this.reportError(error);
				}
			})
			.build();

		if (!running) {
			return;
		}

		// run the engine asynchronously
		executor.execute(engine);

		// on a clean exit, wait for the runner thread
		try {
			while (running) {
				if (executor.awaitTermination(5, TimeUnit.SECONDS)) {
					break;
				}
				if (error != null) {
					running = false;
					shutdownEngine();
					// rethrow the error from Debezium consumer
					ExceptionUtils.rethrow(error);
				}
			}
		}
		catch (InterruptedException e) {
			// may be the result of a wake-up interruption after an exception.
			// we ignore this here and only restore the interruption state
			Thread.currentThread().interrupt();
		}
	}

代码有点多但是逻辑不难理顺吧，先是设置一大堆默认属性，这些属性当然是为了给debenium使用。接下来创建了一个DebeziumChangeConsumer，以及用properties和DebeziumChangeConsumer创建了DebeziumEngine，最后用线程池来执行DebeziumEngine，不懂debenium没关系（我也不懂），但是看看DebeziumChangeConsumer和DebeziumEngine两个类，就知道这个sourcefunction很简单。

先来看看DebeziumChangeConsumer

public class DebeziumChangeConsumer<T> implements DebeziumEngine.ChangeConsumer<ChangeEvent<SourceRecord, SourceRecord>>

public interface ChangeConsumer<R> {
        void handleBatch(List<R> var1, DebeziumEngine.RecordCommitter<R> var2) throws InterruptedException;
    }

可以看到DebeziumChangeConsumer只实现了一个接口，接口也只有一个方法，

public void handleBatch(
			List<ChangeEvent<SourceRecord, SourceRecord>> changeEvents,
			DebeziumEngine.RecordCommitter<ChangeEvent<SourceRecord, SourceRecord>> committer) throws InterruptedException {
		try {
			for (ChangeEvent<SourceRecord, SourceRecord> event : changeEvents) {
				SourceRecord record = event.value();
				deserialization.deserialize(record, debeziumCollector);
                ......

				// emit the actual records. this also updates offset state atomically
				emitRecordsUnderCheckpointLock(debeziumCollector.records, record.sourcePartition(), record.sourceOffset());
			}
		} catch (Exception e) {
			LOG.error("Error happens when consuming change messages.", e);
			errorReporter.reportError(e);
		}
	}

可以看到这个逻辑非常简单，就是先把debenium获取到的cdc数据先反序列化一波，直接emit到下游了，那问题来了，handleBatch中的参数数据是如何获取的呢，既然是debenium获取的，而且只有一个DebeziumEngine（这个是个runnable）。那咱们就先看看DebeziumEngine，因为DebeziumEngine是debezium的组件跟flink没关系，所以可能不太懂，但是没关系，我之前也没看过debezium，你慢慢分析他就出来了。好了，刚才咱们知道DebeziumEngine是个Runnable（其实也是个接口，默认实现为EmbeddedEngine）。既然是runnable那就主要看看他的run方法。

public void run() {
        if (this.runningThread.compareAndSet((Object)null, Thread.currentThread())) {
           ......

           this.task = (SourceTask)taskClass.getDeclaredConstructor().newInstance();
           ......
           this.task.initialize(taskContext);
           this.task.start((Map)taskConfigs.get(0));
           while(this.runningThread.get() != null) {
              List changeRecords = null;
              changeRecords = this.task.poll();
              this.handler.handleBatch(changeRecords, committer);
           }
           ......
    }

其实run方法有200行代码，我把没多大用处的省略了，留下了几行重要的代码，相信你看这几行也能懂得大概意思了，首先会创建一个task，然后启动他，明显是启动task去获取任务。接下启动任务之后就会在循环里面poll数据，说明task里面肯定有一个组赛队列，接着handler会处理获取的数据，还记得刚才咱们说的DebeziumChangeConsumer吗，他就是咱们的handler呀，正好刚才咱们还愁着handleBatch中的参数从哪里来，现在看到了吧，就是从这里来。

现在咱们知道原来数据是从task的阻塞队列里面的，那么，task启动之后肯定是把数据方法阻塞队列中了，基于这样的猜想咱们来看看task。这里咱们主要看看task的start做了啥

public final void start(Map<String, String> props) {
          ......
          this.stateLock.lock();
          ......
          this.coordinator = this.start(config);
          ......
          this.stateLock.unlock();
    }



public ChangeEventSourceCoordinator start(Configuration config) {
            ......
            BinlogReader binlogReader = new BinlogReader("binlog", this.taskContext, (HaltingPredicate)null);
            chainedReaderBuilder.addReader(binlogReader);
            ......
            this.readers = chainedReaderBuilder.build();
            this.readers.uponCompletion(this::completeReaders);
            this.readers.initialize();
            this.readers.start();
            ......
    }

第一个start不用看，第二个start是MySqlConnectorTask实现的，看类名明显知道这是处理mysql的，其实在start里面会创建好多Reader（BinlogReader用于增量获取，SnapshotReader用于第一次全量拉取），然后放到ChainedReader中。后面我就不继续跟了，比较繁琐，我说一下核心逻辑。

1.MySqlConnectorTask的ChainedReader包含多个Reader，这些reader就是用来获取全量数据和增量数据，这些数据会放进抽象类AbstractReader中的BlockingQueue中

2.在Debezium的run方法中会从task中poll数据

3.task会从Reader中的blockingQueue拿数据

4.数据拿到之后会交给DebezinumConsumer，DebezinumConsumer会先反序列化数据，然后emit给下游

大概画个图吧，不然还是会懵，因为文笔不好，不能很好表达。

其实就是把数据获取之后就放到阻塞队列中，而不能直接emit，这也是为了解耦。线程直接把读取、反序列化、发送下游一起做的话，会使系统吞吐率下降。（比如读取半天也没有读取到，那就半天也不能发射数据给下游）

 

总结：到这里就完了，其实这个source从这个图中看，逻辑还是很简单的。因为再继续跟下去都是debezium的数据，所以我就不跟了。这篇博客其实写的很仓促，用了接近3个小时。主要是周末时间太短了呀，没时间写，请看官们见谅啊。咱们下周见。