kafka 通过 flink 将数据落到 doris 的原理

将数据从 Kafka 通过 Flink 处理并最终落到 Doris 的流程可以概括为以下几个步骤：

1. 数据生产与消费：

• Kafka 作为消息队列，接收和存储数据。这些数据可以由各种生产者（如应用程序、日志系统等）写入 Kafka 的主题（topic）。
• Flink 作为流处理框架，从 Kafka 的主题中消费数据。Flink 支持实时流处理，因此可以立即处理 Kafka 中的消息。

2. 数据处理：

• 在 Flink 中，Kafka 消费者（Kafka Source）会将数据流输入 Flink 的数据流引擎。Flink 可以对数据进行各种处理，如过滤、转换、聚合、窗口计算等。
• Flink 作业（Job）会定义如何处理这些数据流。例如，将原始数据解析为结构化的格式，对字段进行转换，或者应用复杂的计算逻辑。

3. 数据写入 Doris：

• Doris Sink: Flink 提供了将处理后的数据写入 Doris 的功能，这通常通过 Flink 的 Sink 机制实现。
• Batch vs. Streaming: 根据需要，Flink 可以选择以批处理或流式处理的方式将数据写入 Doris。通常，流式处理用于实时写入，而批处理适合定时批量写入。
• Data Mapping: Flink 作业会根据 Doris 表的 schema 将数据转换成 Doris 能够接受的格式。Doris 支持各种数据导入方式，如 INSERT 语句、流式导入（Stream Load）、Broker Load 等。Flink 会调用相应的 API 或 SQL 语句将数据写入 Doris。

4. 数据存储与查询：

• Doris 作为 OLAP 数据库，接收来自 Flink 的数据并存储在相应的表中。Doris 优化了对大规模数据的分析查询，支持快速的 SQL 查询。
• 数据一旦进入 Doris，用户可以通过 SQL 查询对数据进行分析、报表生成等操作。

脚本样例：

Flink 作业，将数据从 Kafka 读取并处理后，写入 Doris 数据库。下面是对脚本的详细解析：

1. Flink 配置设置

set execution.target=yarn-per-job;
set yarn.application.name=kafka_to_doris;
set yarn.application.queue=root_default;
set execution.checkpointing.interval=3min;

• execution.target: 设置 Flink 作业的执行模式为 yarn-per-job，即每个作业在 YARN 上独立运行。
• yarn.application.name: 设置 YARN 上应用的名称为 kafka_to_doris。
• yarn.application.queue: 设置 YARN 作业的队列为 root_default。
• execution.checkpointing.interval: 设置 Flink 的 checkpoint 间隔为 3 分钟，以确保数据的一致性和容错性。

1. 创建 Catalog

CREATE CATALOG yarn_doris WITH (
    'type' = 'hive',
    'default-database' = 'default',
    'hive-conf-dir' = '' --hadoop中hive数据库目标地址
);
USE CATALOG yarn_doris;

• CREATE CATALOG: 创建一个名为 yarn_doris的 Catalog，并指定其类型为 hive。这个 Catalog 可能是为了访问 Hive 元数据。
• USE CATALOG: 切换到 Catalog 下，以便之后的操作在此 Catalog 中进行。

1. 创建 Kafka Source 表

CREATE TABLE IF NOT EXISTS fdb.table_doris (
  `gs_gd_json_string` string
) WITH (
 'connector' = 'kafka',
 'topic' = 'kafka_topic', -- kafka的topic 主题
 'properties.bootstrap.servers' = '', -- 集群地址:端口（三个节点都需要）
 'properties.group.id' = '',
 'scan.startup.mode' = 'latest-offset',
 'format' = 'raw',
 'properties.security.protocol' = 'SASL_PLAINTEXT',
 'properties.sasl.mechanism' = 'SCRAM-SHA-512',
 'properties.sasl.jaas.config' = 'org.apache.flink.kafka.shaded.org.apache.kafka.common.security.scram.ScramLoginModule required username="your_username" password="your_password";'
);

• CREATE TABLE: 创建一个 Flink 表 fdb.table_doris，它从 Kafka 主题中读取数据。
• gs_gd_json_string: 定义表的一个字段，类型为 string，存储 Kafka 消息的内容。
• Kafka 配置: - properties.bootstrap.servers: Kafka 集群的地址（需要填入实际的服务器地址）。- properties.group.id: 消费组的 ID。- scan.startup.mode: 设置从 Kafka 消费的起始位置为 latest-offset，即从最新的数据开始消费。- format: 设置消息格式为 raw，表示直接读取消息内容。- SASL 配置: 配置 Kafka 的安全性参数，使用 SASL_PLAINTEXT 和 SCRAM-SHA-512 机制进行认证。- username 和 password 是连接 Kafka 时所需的凭据。

1. 创建 Doris Sink 表

CREATE TABLE IF NOT EXISTS fdb._doris_sink (
  acct_date     date, 
  kafka_id      varchar(40), 
  data_infos    string,
  insert_date   varchar(20)
) 
WITH (
   'connector' = 'doris',
   'fenodes' = '',
   'table.identifier' = 'database.table', -- 目标数据库.表
   'username' = '', -- 数据库用户名
   'password' = '', -- 密码
   'sink.label-prefix' = 'doris_label' -- 标签具有唯一性
); 

字段定义:

• acct_date: 存储当前日期。
• kafka_id: 存储每条数据的唯一 ID（通过 uuid() 生成）。
• data_infos: 存储处理后的 JSON 数据。
• insert_date: 存储数据插入时间。

Doris 配置:

• connector: 指定连接器为 doris。
• fenodes: Doris 的 FE 节点地址（需要填入实际的地址）。
• table.identifier: 指定目标表在 Doris 中的标识符。
• username/password: 用于连接 Doris 的凭证。
• sink.label-prefix: 为每个导入任务指定一个标签前缀，以标识导入作业。

1. 数据插入操作

insert into fdb.table_doris 
select  
  CURRENT_DATE,
  uuid(), 
  replace(gs_gd_json_string,chr(10),';') as gs_gd_json_string,
  DATE_FORMAT(CURRENT_TIMESTAMP, 'yyyy-MM-dd HH:mm:ss')
fromfdb._doris_sink;

select 语句:

• CURRENT_DATE: 获取当前日期并插入 acct_date 字段。
• uuid(): 生成唯一标识符并插入 kafka_id 字段。
• replace: 对从 Kafka 读取的 JSON 字符串中的换行符（chr(10)）进行替换，将其替换为 ;，并插入 data_infos 字段。
• DATE_FORMAT: 获取当前时间并格式化为 yyyy-MM-dd HH:mm:ss，插入 insert_date 字段。

总结

整个流程的关键在于利用 Flink 的流处理能力，将 Kafka 中实时生成的数据高效处理后，直接导入 Doris 中，以便支持后续的分析和查询工作。通过这种集成，可以实现高效的实时数据分析平台，支持海量数据的处理和快速响应的业务需求。