Flink系列之：Flink CDC实现海量数据入湖

一、历史数据入湖架构

二、核心需求

• 全量增量自动切换，并保证数据准确性
• 最大限度地减少对源数据库的影响，尽量不使用锁
• 能在已存在的任务中，添加新表的数据采集。避免一张表一个任务把DB机器带宽打满
• 能同时进行全量与增量(日志)采集，不能暂停日志采集，以降低新增表对其他表日志采集带来的延迟
• 能确保数据在同一主键ID下是按历史顺序发生的，不能有后发生的事件先发送到下游

三、选择Flink CDC原因

• 无缝对接Flink生态
• 全量与增量自动切换，保证数据准确性
• 无锁读取，断点续传，水平扩展

四、Flink CDC 2.0原理

• 基于FLIP-27架构实现，先全量同步，在Enumerator把表切分成多个split块。把切分好的SnapshotSplit分配给Sourceread执行全量数据采集。
• 采集完成后，SourceRead向Enumerator汇报完成的SnapshotSplit信息。
• 重复步骤1、2。
• 全量采集完成之后，构造BinlogSplit分配给SourceRead执行增量日志数据采集。

五、支持全量与增量日志流并行读取

• 新增表后，停止增量日志数据采集任务，与核心需求4不符，造成新增表对其他表日志采集带来延迟。

解决方法：

1. 全量与增量日志并行读取

全量与增量日志并行读取流程：

1. 程序启动后，在Enumerator中，先执行增量同步去，创建BinlogSplit，放在分配列表的第一个，然后分配给SourceRead执行增量日志数据采集。
2. Enumerator把全量采集切分成多个split块。然后把切分好的SnapshotSplit分配给SourceRead执行全量数据采集。
3. 全量split采集完成后，SourceRead向Enumerator汇报完成的split信息。
4. 重复步骤2、3，直到把所有表的全量数据都采集完毕。