为自己记录一下flinksql 消费kafka json数据 并写入doris的完整案例
用完发现,flinksql 是真的香。
虽然尽量追求完整,但是从kafka造数据开始写,过于累赘因此省略。正文开始。
单表
kafka原始数据
{"id":1,"name":"nick","age":7,"address":"shanghai"}
原始数据形式
flinksql 连接
准备连接sql
publicstaticString kafkaTablePerson ="CREATE TABLE person (\n"+" id INT,\n"+" name STRING,\n"+" age INT,\n"+" address STRING\n"+") WITH (\n"+" 'connector' = 'kafka',\n"+" 'topic' = 'flink',\n"+" 'properties.bootstrap.servers' = '172.8.10.xxx:6667',\n"+" 'format' = 'json',\n"+" 'scan.startup.mode' = 'earliest-offset'\n"+")\n";
以下的连接器元数据可以在表定义中通过元数据列的形式获取。
R/W 列定义了一个元数据是可读的(R)还是可写的(W)。 只读列必须声明为 VIRTUAL 以在 INSERT INTO 操作中排除它们。
键数据类型描述R/W
topic
STRING NOT NULL
Kafka 记录的 Topic 名。
R
partition
INT NOT NULL
Kafka 记录的 partition ID。
R
headers
MAP NOT NULL
二进制 Map 类型的 Kafka 记录头(Header)。
R/W
leader-epoch
INT NULL
Kafka 记录的 Leader epoch(如果可用)。
R
offset
BIGINT NOT NULL
Kafka 记录在 partition 中的 offset。
R
timestamp
TIMESTAMP_LTZ(3) NOT NULL
Kafka 记录的时间戳。
R/W
timestamp-type
STRING NOT NULL
Kafka 记录的时间戳类型。可能的类型有 “NoTimestampType”, “CreateTime”(会在写入元数据时设置),或 “LogAppendTime”。
R
以下是kafka connector的参数,只写了常用的,文末有所有参数
连接器参数
参数是否必选默认值数据类型描述connector必选(无)String指定使用的连接器,Kafka 连接器使用
‘kafka’
。topicrequired for sink(无)String当表用作 source 时读取数据的 topic 名。亦支持用分号间隔的 topic 列表,如
‘topic-1;topic-2’
。注意,对 source 表而言,’topic’ 和 ‘topic-pattern’ 两个选项只能使用其中一个。当表被用作 sink 时,该配置表示写入的 topic 名。注意 sink 表不支持 topic 列表。properties.bootstrap.servers必选(无)String逗号分隔的 Kafka broker 列表。properties.group.id对 source 可选,不适用于 sink(无)StringKafka source 的消费组 id。如果未指定消费组 ID,则会使用自动生成的 “KafkaSource-{tableIdentifier}” 作为消费组 ID。format必选(无)String用来序列化或反序列化 Kafka 消息的格式。 请参阅 格式 页面以获取更多关于格式的细节和相关配置项。 注意:该配置项和
‘value.format’
二者必需其一。scan.startup.mode可选group-offsetsStringKafka consumer 的启动模式。有效值为:
‘earliest-offset’
,
‘latest-offset’
,
‘group-offsets’
,
‘timestamp’
和
‘specific-offsets’
。
flinksql查询
publicstaticString selectALLPerson ="select id,name,age,address from person ";
主体方法
finalStreamExecutionEnvironment env =StreamExecutionEnvironment.getExecutionEnvironment();finalStreamTableEnvironment tEnv =StreamTableEnvironment.create(env);
tEnv.executeSql(CreateTableSQL.kafkaTableInfo);
tEnv.executeSql(SelectSQL.selectALLPerson).print();
简单的几行代码就可以搞定了,和写sql 没什么区别,十分便捷。
sql筛选语句
把sql稍微复杂一点点
publicstaticString selectPerCountNamePrint =" select name, COUNT(*) as num FROM person GROUP BY name ";
依旧可以,不过有个坑,别名不能和方法名相同,这个在其他地方似乎没有这个限制的,我试了count(*) as count 就会出现错误。
数据落盘
仅仅只是select 是不会满足使用的,需要落盘。
我这里使用的是sink doris中
publicstaticfinalStringSinkDorisPerCountName="CREATE TABLE percountname_sink ("+"name STRING, \n"+"num BIGINT \n"+")"+"WITH ( \n"+" 'connector' = 'doris' , \n"+" 'fenodes' = '172.8.10.xxx:8030' , \n"+" 'table.identifier' = 'test_db.PerCountName' ,\n "+" 'username' = 'username', \n "+" 'password' = 'password' ,\n "+" 'sink.label-prefix' ='"+ label +"',\n"+" 'sink.properties.format' = 'json',\n"+" 'sink.properties.read_json_by_line' = 'true'\n"+")";
需要注意的是label 必须是唯一的,为了避免多次测试时遇到问题,这里写了个随机的label,确保每次都不一样。
案例中的WITH 参数基本满足使用,更多细节推荐去官网看看。
为了方便我把doris建表贴出来
CREATETABLEIFNOTEXISTS PerCountName
(`name`VARCHAR(50)NOTNULLCOMMENT"",`num`INTNOTNULLCOMMENT"出现的次数")UNIQUEKEY(`name`)DISTRIBUTEDBYHASH(`name`) BUCKETS 1
PROPERTIES ("replication_allocation"="tag.location.default: 1");
insertSQL语句
publicstaticString selectPerCountNamePrint =" select name, COUNT(*) as num FROM person GROUP BY name ";
执行
现在只需要把上文的主体方法稍微改一下即可
tEnv.executeSql(CreateTableSQL.kafkaTablePerson);
tEnv.executeSql(SinkDorisTableSQL.SinkDorisPerCountName);
tEnv.executeSql(SelectSQL.selectPerCountNameInsert);
执行的时候会发现doris里并没有数据,这是因为
为了保证Flink的Exactly Once语义,Flink Doris Connector 默认开启两阶段提交,Doris在1.1版本后默认开启两阶段提交。1.0可通过修改BE参数开启。
因此需要开启checkpoint 或者修改doris BE参数
env.enableCheckpointing(10000);
env.setParallelism(1);
加上之后即可
还去试了一下on yarn 是没有问题的,不过会遇到报错
可以看这篇文章
https://blog.csdn.net/weixin_45399602/article/details/127526911
好了,现在单表查询和落盘已经会了,想试一下多表查询有没有问题呢
多表join
新表结构这样
{"id":0,"name":"jack","score":141,"date":"2023-01-02"}
目标为:每个name的最大score。
简单一点 直接贴了
publicstaticString kafkaTableInfo ="CREATE TABLE info (\n"+" id INT,\n"+" name STRING,\n"+" score INT,\n"+" `date` DATE\n"+") WITH (\n"+" 'connector' = 'kafka',\n"+" 'topic' = 'flinkinfo',\n"+" 'properties.bootstrap.servers' = '172.8.10.xxx:6667',\n"+" 'format' = 'json',\n"+" 'scan.startup.mode' = 'earliest-offset'\n"+")\n";publicstaticString selectPerMaxScore =" SELECT info.name, MAX(info.score) AS max_score FROM info JOIN person ON person.name = info.name GROUP BY info.name";
join查询
tEnv.executeSql(CreateTableSQL.kafkaTableInfo);
tEnv.executeSql(CreateTableSQL.kafkaTablePerson);
tEnv.executeSql(SelectSQL.selectPerMaxScore).print();
或者写到doris里 也是可以的,效果会比较明显。
总结
flinksql 消费kafka整体来说是十分简单好用的,使用时门口较低,实时性又高,可以经常使用。
OK,以上为案例所以内容。
以下是补充内容。
整个项目所需要的所有依赖
可以跳过
<properties><project.build.sourceEncoding>UTF-8</project.build.sourceEncoding><maven.compiler.source>8</maven.compiler.source><maven.compiler.target>8</maven.compiler.target><scala.version>2.12</scala.version><java.version>1.8</java.version><flink.version>1.14.4</flink.version><fastjson.version>1.2.62</fastjson.version><hadoop.version>2.8.3</hadoop.version><scope.mode>compile</scope.mode><slf4j.version>1.7.30</slf4j.version></properties><dependencies><dependency><groupId>org.apache.flink</groupId><artifactId>flink-table-api-scala-bridge_${scala.version}</artifactId><version>${flink.version}</version><scope>provided</scope></dependency><dependency><groupId>org.apache.flink</groupId><artifactId>flink-table-planner_${scala.version}</artifactId><version>${flink.version}</version><!-- 本地测试时注释 scope --><!-- <scope>provided</scope>--></dependency><dependency><groupId>org.apache.flink</groupId><artifactId>flink-streaming-scala_${scala.version}</artifactId><version>${flink.version}</version><!-- 本地测试时注释 scope --><!-- <scope>provided</scope>--></dependency><dependency><groupId>org.apache.flink</groupId><artifactId>flink-clients_${scala.version}</artifactId><version>${flink.version}</version></dependency><dependency><groupId>org.apache.flink</groupId><artifactId>flink-connector-jdbc_${scala.version}</artifactId><version>${flink.version}</version></dependency><dependency><groupId>org.apache.flink</groupId><artifactId>flink-connector-kafka_${scala.version}</artifactId><version>${flink.version}</version></dependency><dependency><groupId>org.apache.flink</groupId><artifactId>flink-json</artifactId><version>${flink.version}</version></dependency><dependency><groupId>com.alibaba</groupId><artifactId>fastjson</artifactId><version>${fastjson.version}</version></dependency><!-- Add log dependencies when debugging locally --><dependency><groupId>org.slf4j</groupId><artifactId>slf4j-api</artifactId><version>${slf4j.version}</version></dependency><dependency><groupId>org.slf4j</groupId><artifactId>slf4j-log4j12</artifactId><version>${slf4j.version}</version></dependency><!-- flink-doris-connector --><dependency><groupId>org.apache.doris</groupId><artifactId>flink-doris-connector-1.14_2.12</artifactId><version>1.1.0</version></dependency><dependency><groupId>mysql</groupId><artifactId>mysql-connector-java</artifactId><version>8.0.12</version></dependency><dependency><groupId>com.ververica</groupId><artifactId>flink-connector-mysql-cdc</artifactId><version>2.2.0</version><exclusions><exclusion><artifactId>flink-shaded-guava</artifactId><groupId>org.apache.flink</groupId></exclusion></exclusions></dependency><dependency><groupId>org.apache.flink</groupId><artifactId>flink-runtime-web_${scala.version}</artifactId><version>${flink.version}</version></dependency><dependency><groupId>org.apache.flink</groupId><artifactId>flink-statebackend-rocksdb_2.11</artifactId><version>${flink.version}</version></dependency><!--保存检查点到hdfs上--><dependency><groupId>org.apache.hadoop</groupId><artifactId>hadoop-client</artifactId><version>${hadoop.version}</version></dependency></dependencies>
kafka connector参数
参数是否必选默认值数据类型描述connector必选(无)String指定使用的连接器,Kafka 连接器使用
‘kafka’
。topicrequired for sink(无)String当表用作 source 时读取数据的 topic 名。亦支持用分号间隔的 topic 列表,如
‘topic-1;topic-2’
。注意,对 source 表而言,’topic’ 和 ‘topic-pattern’ 两个选项只能使用其中一个。当表被用作 sink 时,该配置表示写入的 topic 名。注意 sink 表不支持 topic 列表。topic-pattern可选(无)String匹配读取 topic 名称的正则表达式。在作业开始运行时,所有匹配该正则表达式的 topic 都将被 Kafka consumer 订阅。注意,对 source 表而言,’topic’ 和 ‘topic-pattern’ 两个选项只能使用其中一个。properties.bootstrap.servers必选(无)String逗号分隔的 Kafka broker 列表。properties.group.id对 source 可选,不适用于 sink(无)StringKafka source 的消费组 id。如果未指定消费组 ID,则会使用自动生成的 “KafkaSource-{tableIdentifier}” 作为消费组 ID。properties.*可选(无)String可以设置和传递任意 Kafka 的配置项。后缀名必须匹配在 Kafka 配置文档 中定义的配置键。Flink 将移除 “properties.” 配置键前缀并将变换后的配置键和值传入底层的 Kafka 客户端。例如,你可以通过
‘properties.allow.auto.create.topics’ = ‘false’
来禁用 topic 的自动创建。但是某些配置项不支持进行配置,因为 Flink 会覆盖这些配置,例如
‘key.deserializer’
和
‘value.deserializer’
。format必选(无)String用来序列化或反序列化 Kafka 消息的格式。 请参阅 格式 页面以获取更多关于格式的细节和相关配置项。 注意:该配置项和
‘value.format’
二者必需其一。key.format可选(无)String用来序列化和反序列化 Kafka 消息键(Key)的格式。 请参阅 格式 页面以获取更多关于格式的细节和相关配置项。 注意:如果定义了键格式,则配置项
‘key.fields’
也是必需的。 否则 Kafka 记录将使用空值作为键。key.fields可选[]List表结构中用来配置消息键(Key)格式数据类型的字段列表。默认情况下该列表为空,因此消息键没有定义。 列表格式为
‘field1;field2’
。key.fields-prefix可选(无)String为所有消息键(Key)格式字段指定自定义前缀,以避免与消息体(Value)格式字段重名。默认情况下前缀为空。 如果定义了前缀,表结构和配置项
‘key.fields’
都需要使用带前缀的名称。 当构建消息键格式字段时,前缀会被移除,消息键格式将会使用无前缀的名称。 请注意该配置项要求必须将
‘value.fields-include’
配置为
‘EXCEPT_KEY’
。value.format必选(无)String序列化和反序列化 Kafka 消息体时使用的格式。 请参阅 格式 页面以获取更多关于格式的细节和相关配置项。 注意:该配置项和
‘format’
二者必需其一。value.fields-include可选ALL枚举类型可选值:[ALL, EXCEPT_KEY]定义消息体(Value)格式如何处理消息键(Key)字段的策略。 默认情况下,表结构中
‘ALL’
即所有的字段都会包含在消息体格式中,即消息键字段在消息键和消息体格式中都会出现。scan.startup.mode可选group-offsetsStringKafka consumer 的启动模式。有效值为:
‘earliest-offset’
,
‘latest-offset’
,
‘group-offsets’
,
‘timestamp’
和
‘specific-offsets’
。 请参阅下方 起始消费位点 以获取更多细节。scan.startup.specific-offsets可选(无)String在使用
‘specific-offsets’
启动模式时为每个 partition 指定 offset,例如
‘partition:0,offset:42;partition:1,offset:300’
。scan.startup.timestamp-millis可选(无)Long在使用
‘timestamp’
启动模式时指定启动的时间戳(单位毫秒)。scan.topic-partition-discovery.interval可选(无)DurationConsumer 定期探测动态创建的 Kafka topic 和 partition 的时间间隔。sink.partitioner可选‘default’StringFlink partition 到 Kafka partition 的分区映射关系,可选值有:
default
:使用 Kafka 默认的分区器对消息进行分区。
fixed
:每个 Flink partition 最终对应最多一个 Kafka partition。
round-robin
:Flink partition 按轮循(round-robin)的模式对应到 Kafka partition。只有当未指定消息的消息键时生效。自定义
FlinkKafkaPartitioner
的子类:例如
‘org.mycompany.MyPartitioner’
。请参阅下方 Sink 分区 以获取更多细节。sink.semantic可选at-least-onceString定义 Kafka sink 的语义。有效值为
‘at-least-once’
,
‘exactly-once’
和
‘none’
。请参阅 一致性保证 以获取更多细节。sink.parallelism可选(无)Integer定义 Kafka sink 算子的并行度。默认情况下,并行度由框架定义为与上游串联的算子相同。
版权归原作者 风_间 所有, 如有侵权,请联系我们删除。