Flink_CDC构建流式ETL

作者：罗宇侠（宇侠）

本篇教程将展示如何基于 Flink CDC 快速构建 MySQL 和 Postgres 的流式 ETL。
Flink-CDC 项目地址：
https://github.com/ververica/flink-cdc-connectors

本教程的演示基于 Docker 环境，都将在 Flink SQL CLI 中进行，只涉及 SQL，无需一行 Java/Scala 代码，也无需安装 IDE。

假设我们正在经营电子商务业务，商品和订单的数据存储在 MySQL 中，订单对应的物流信息存储在 Postgres 中。

对于订单表，为了方便进行分析，我们希望让它关联上其对应的商品和物流信息，构成一张宽表，并且实时把它写到 ElasticSearch 中。

接下来的内容将介绍如何使用 Flink Mysql/Postgres CDC 来实现这个需求，系统的整体架构如下图所示：

一、准备阶段

准备一台已经安装了 Docker 的 Linux 或者 MacOS 电脑。

1.1 准备教程所需要的组件

接下来的教程将以 docker-compose 的方式准备所需要的组件。

使用下面的内容创建一个 docker-compose.yml 文件：


version: '2.1'
services:
  postgres:
    image: debezium/example-postgres:1.1
    ports:
      - "5432:5432"
    environment:
      - POSTGRES_PASSWORD=1234
      - POSTGRES_DB=postgres
      - POSTGRES_USER=postgres
      - POSTGRES_PASSWORD=postgres
  mysql:
    image: debezium/example-mysql:1.1
    ports:
      - "3306:3306"
    environment:
      - MYSQL_ROOT_PASSWORD=123456
      - MYSQL_USER=mysqluser
      - MYSQL_PASSWORD=mysqlpw
  elasticsearch:
    image: elastic/elasticsearch:7.6.0
    environment:
      - cluster.name=docker-cluster
      - bootstrap.memory_lock=true
      - "ES_JAVA_OPTS=-Xms512m -Xmx512m"
      - discovery.type=single-node
    ports:
      - "9200:9200"
      - "9300:9300"
    ulimits:
      memlock:
        soft: -1
        hard: -1
      nofile:
        soft: 65536
        hard: 65536
  kibana:
    image: elastic/kibana:7.6.0
    ports:
      - "5601:5601"

该 Docker Compose 中包含的容器有：

MySQL：商品表 products 和订单表 orders 将存储在该数据库中，这两张表将和 Postgres 数据库中的物流表 shipments 进行关联，得到一张包含更多信息的订单表 enriched_orders；
Postgres：物流表 shipments 将存储在该数据库中；
Elasticsearch：最终的订单表 enriched_orders 将写到 Elasticsearch；
Kibana：用来可视化 ElasticSearch 的数据。

在 docker-compose.yml 所在目录下执行下面的命令来启动本教程需要的组件：


xxxxxxxxxx
docker-compose up -d

该命令将以 detached 模式自动启动 Docker Compose 配置中定义的所有容器。你可以通过 docker ps 来观察上述的容器是否正常启动了，也可以通过访问 http://localhost:5601/ 来查看 Kibana 是否运行正常。

注：本教程接下来用到的容器相关的命令也都需要在 docker-compose.yml 所在目录下执行。

1.2 下载 Flink 和所需要的依赖包

下载 Flink 1.13.2 [1] 并将其解压至目录 flink-1.13.2
下载下面列出的依赖包，并将它们放到目录 flink-1.13.2/lib/ 下

[1] https://downloads.apache.org/flink/flink-1.13.2/flink-1.13.2-bin-scala_2.11.tgz
该链接无法下载，可以在这里下载: https://archive.apache.org/dist/flink/flink-1.13.2/

1.3 准备数据

1.3.1 在 MySQL 数据库中准备数据

进入 MySQL 容器：


xxxxxxxxxx
docker-compose exec mysql mysql -uroot -p123456

创建数据库和表 products，orders，并插入数据：


x
-- MySQL
CREATE DATABASE mydb;
USE mydb;
CREATE TABLE products (
  id INTEGER NOT NULL AUTO_INCREMENT PRIMARY KEY,
  name VARCHAR(255) NOT NULL,
  description VARCHAR(512)
);
ALTER TABLE products AUTO_INCREMENT = 101;

INSERT INTO products
VALUES (default,"scooter","Small 2-wheel scooter"),
       (default,"car battery","12V car battery"),
       (default,"12-pack drill bits","12-pack of drill bits with sizes ranging from #40 to #3"),
       (default,"hammer","12oz carpenter's hammer"),
       (default,"hammer","14oz carpenter's hammer"),
       (default,"hammer","16oz carpenter's hammer"),
       (default,"rocks","box of assorted rocks"),
       (default,"jacket","water resistent black wind breaker"),
       (default,"spare tire","24 inch spare tire");

CREATE TABLE orders (
  order_id INTEGER NOT NULL AUTO_INCREMENT PRIMARY KEY,
  order_date DATETIME NOT NULL,
  customer_name VARCHAR(255) NOT NULL,
  price DECIMAL(10, 5) NOT NULL,
  product_id INTEGER NOT NULL,
  order_status BOOLEAN NOT NULL -- Whether order has been placed
) AUTO_INCREMENT = 10001;

INSERT INTO orders
VALUES (default, '2020-07-30 10:08:22', 'Jark', 50.50, 102, false),
       (default, '2020-07-30 10:11:09', 'Sally', 15.00, 105, false),
       (default, '2020-07-30 12:00:30', 'Edward', 25.25, 106, false);

1.3.2 在 Postgres 数据库中准备数据

进入 Postgres 容器：


xxxxxxxxxx
docker-compose exec postgres psql -h localhost -U postgres

创建表 shipments，并插入数据：


xxxxxxxxxx
-- PG
CREATE TABLE shipments (
   shipment_id SERIAL NOT NULL PRIMARY KEY,
   order_id SERIAL NOT NULL,
   origin VARCHAR(255) NOT NULL,
   destination VARCHAR(255) NOT NULL,
   is_arrived BOOLEAN NOT NULL
 );
 ALTER SEQUENCE public.shipments_shipment_id_seq RESTART WITH 1001;
 ALTER TABLE public.shipments REPLICA IDENTITY FULL;
 INSERT INTO shipments
 VALUES (default,10001,'Beijing','Shanghai',false),
        (default,10002,'Hangzhou','Shanghai',false),
        (default,10003,'Shanghai','Hangzhou',false);

二、启动 Flink 集群和 Flink SQL CLI

使用下面的命令跳转至 Flink 目录下：


xxxxxxxxxx
cd flink-1.13.2

使用下面的命令启动 Flink 集群：
```
xxxxxxxxxx
./bin/start-cluster.sh
```
启动成功的话，可以在 http://localhost:8081/ 访问到 Flink Web UI，如下所示：
使用下面的命令启动 Flink SQL CLI
```
xxxxxxxxxx
./bin/sql-client.sh
```
启动成功后，可以看到如下的页面：

三、在 Flink SQL CLI 中使用 Flink DDL 创建表

首先，开启 checkpoint，每隔 3 秒做一次 checkpoint。


xxxxxxxxxx
-- Flink SQL
Flink SQL> SET execution.checkpointing.interval = 3s;

然后, 对于数据库中的表 products, orders, shipments，使用 Flink SQL CLI 创建对应的表，用于同步这些底层数据库表的数据。


xxxxxxxxxx
-- Flink SQL
Flink SQL> CREATE TABLE products (
    id INT,
    name STRING,
    description STRING,
    PRIMARY KEY (id) NOT ENFORCED
  ) WITH (
    'connector' = 'mysql-cdc',
    'hostname' = 'localhost',
    'port' = '3306',
    'username' = 'root',
    'password' = '123456',
    'database-name' = 'mydb',
    'table-name' = 'products'
  );

Flink SQL> CREATE TABLE orders (
   order_id INT,
   order_date TIMESTAMP(0),
   customer_name STRING,
   price DECIMAL(10, 5),
   product_id INT,
   order_status BOOLEAN,
   PRIMARY KEY (order_id) NOT ENFORCED
 ) WITH (
   'connector' = 'mysql-cdc',
   'hostname' = 'localhost',
   'port' = '3306',
   'username' = 'root',
   'password' = '123456',
   'database-name' = 'mydb',
   'table-name' = 'orders'
 );

Flink SQL> CREATE TABLE shipments (
   shipment_id INT,
   order_id INT,
   origin STRING,
   destination STRING,
   is_arrived BOOLEAN,
   PRIMARY KEY (shipment_id) NOT ENFORCED
 ) WITH (
   'connector' = 'postgres-cdc',
   'hostname' = 'localhost',
   'port' = '5432',
   'username' = 'postgres',
   'password' = 'postgres',
   'database-name' = 'postgres',
   'schema-name' = 'public',
   'table-name' = 'shipments'
 );

最后，创建 enriched_orders 表，用来将关联后的订单数据写入 Elasticsearch 中。


xxxxxxxxxx
-- Flink SQL
Flink SQL> CREATE TABLE enriched_orders (
   order_id INT,
   order_date TIMESTAMP(0),
   customer_name STRING,
   price DECIMAL(10, 5),
   product_id INT,
   order_status BOOLEAN,
   product_name STRING,
   product_description STRING,
   shipment_id INT,
   origin STRING,
   destination STRING,
   is_arrived BOOLEAN,
   PRIMARY KEY (order_id) NOT ENFORCED
 ) WITH (
     'connector' = 'elasticsearch-7',
     'hosts' = 'http://localhost:9200',
     'index' = 'enriched_orders'
 );

四、关联订单数据并且将其写入 Elasticsearch 中

使用 Flink SQL 将订单表 order 与商品表 products，物流信息表 shipments 关联，并将关联后的订单信息写入 Elasticsearch 中。


xxxxxxxxxx
-- Flink SQL
Flink SQL> INSERT INTO enriched_orders
 SELECT o.*, p.name, p.description, s.shipment_id, s.origin, s.destination, s.is_arrived
 FROM orders AS o
 LEFT JOIN products AS p ON o.product_id = p.id
 LEFT JOIN shipments AS s ON o.order_id = s.order_id;

启动成功后，可以访问 http://localhost:8081/#/job/running 在 Flink Web UI 上看到正在运行的 Flink Streaming Job，如下图所示：

现在，就可以在 Kibana 中看到包含商品和物流信息的订单数据。

首先访问 http://localhost:5601/app/kibana#/management/kibana/index_pattern 创建 index pattern enriched_orders。

然后就可以在 http://localhost:5601/app/kibana#/discover 看到写入的数据了。

接下来，修改 MySQL 和 Postgres 数据库中表的数据，Kibana 中显示的订单数据也将实时更新。

在 MySQL 的 orders 表中插入一条数据：


xxxxxxxxxx
--MySQL
INSERT INTO orders
VALUES (default, '2020-07-30 15:22:00', 'Jark', 29.71, 104, false);

-- kibana  新增了一条记录
order_id:10,004 order_date:2020-07-30 15:22:00 customer_name:Jark price:29.71 product_id:104 order_status:false product_name:hammer product_description:12oz carpenter's hammer shipment_id: - origin: - destination: - is_arrived: - _id:10004 _type:_doc _index:enriched_orders _score:0

在 Postgres 的 shipment 表中插入一条数据：


xxxxxxxxxx
--PG
INSERT INTO shipments
VALUES (default,10004,'Shanghai','Beijing',false);

-- kibana  更新了
order_id:10,004 order_date:2020-07-30 15:22:00 customer_name:Jark price:29.71 product_id:104 order_status:false product_name:hammer product_description:12oz carpenter's hammer shipment_id:1,004 origin:Shanghai destination:Beijing is_arrived:false _id:10004 _type:_doc _index:enriched_orders _score:0

在 MySQL 的 orders 表中更新订单的状态：


xxxxxxxxxx
--MySQL
UPDATE orders SET order_status = true WHERE order_id = 10004;

-- kibana  更新了
order_id:10,004 order_date:2020-07-30 15:22:00 customer_name:Jark price:29.71 product_id:104 order_status:true product_name:hammer product_description:12oz carpenter's hammer shipment_id:1,004 origin:Shanghai destination:Beijing is_arrived:false _id:10004 _type:_doc _index:enriched_orders _score:0

在 Postgres 的 shipment 表中更新物流的状态：


xxxxxxxxxx
--PG
UPDATE shipments SET is_arrived = true WHERE shipment_id = 1004;

-- kibana  更新了
order_id:10,004 order_date:2020-07-30 15:22:00 customer_name:Jark price:29.71 product_id:104 order_status:true product_name:hammer product_description:12oz carpenter's hammer shipment_id:1,004 origin:Shanghai destination:Beijing is_arrived:true _id:10004 _type:_doc _index:enriched_orders _score:0

在 MYSQL 的 orders 表中删除一条数据：


xxxxxxxxxx
--MySQL
DELETE FROM orders WHERE order_id = 10004;

-- kibana  该条记录被删除了

每执行一步就刷新一次 Kibana，可以看到 Kibana 中显示的订单数据将实时更新，如下所示：

五、环境清理

本教程结束后，在 docker-compose.yml 文件所在的目录下执行如下命令停止所有容器：


xxxxxxxxxx
docker-compose down

在 Flink 所在目录 flink-1.13.2 下执行如下命令停止 Flink 集群：


xxxxxxxxxx
./bin/stop-cluster.sh

六、总结

在本文中，我们以一个简单的业务场景展示了如何使用 Flink CDC 快速构建 Streaming ETL。希望通过本文，能够帮助读者快速上手 Flink CDC ，也希望 Flink CDC 能满足你的业务需求。