日志实时入仓快速入门

背景信息

假设消息队列Kafka实例中有一个名称为users的Topic，其中有100条JSON数据，代表通过日志文件采集工具或者应用写入Kafka的日志数据，其数据分布大致如下图所示。

本文使用Flink全托管提供的CREATE TABLE AS（CTAS）语句，一键完成日志数据的同步，以及实时的表结构变更同步。

前提条件

• 已准备阿里云账号，并确保账户余额充足。
  • 账号注册操作步骤，请参见账号注册。
  • 阿里云账户余额不少于100.00元人民币或等值的代金券或优惠券。
• 已创建Flink全托管工作空间并完成角色授权，详情请参见开通流程和阿里云账号角色授权。
• 上下游存储
  • 已创建消息队列Kafka实例，详情请参见步骤三：创建资源。
  • 已创建Hologres实例，详情请参见购买Hologres。
  说明 消息队列Kafka和Hologres需要与Flink全托管工作空间在相同地域相同VPC下，否则需要打通网络，详情请参见如何访问跨VPC的其他服务？或Flink全托管集群如何访问公网？。

步骤一：配置IP白名单

为了让Flink能访问Kafka和Hologres实例，您需要将Flink全托管工作空间的网段添加到在Kafka和Hologres的白名单中。

1. 获取Flink全托管工作空间的VPC网段。
   1. 登录实时计算控制台。
   2. 在目标工作空间右侧操作列，选择其他 > 工作空间详情。
   3. 在工作空间详情对话框，查看Flink全托管虚拟交换机的网段信息。
      
2. 在消息队列Kafka的IP白名单中，添加Flink全托管网段信息。
   操作步骤详情请参见配置白名单。
3. 在Hologres的IP白名单中，添加Flink全托管网段信息。
   操作步骤详情请参见IP白名单。

步骤二：准备Kafka测试数据

使用Flink全托管的模拟数据生成源表作为数据生成器，将数据写入到Kafka中。请按以下步骤使用Flink全托管开发控制台将数据写入至消息队列Kafka。

1. 在Kafka控制台创建一个名称为users的Topic。
   操作详情请参见步骤一：创建Topic。
2. 创建将数据写入到Kafka的作业。
   1. 登录实时计算管理控制台。
   2. 在Flink全托管页签，单击目标工作空间操作列下的控制台。
   3. 在左侧导航栏，单击作业开发。
   4. 单击新建。
   5. 在新建文件对话框，填写作业配置信息。

      作业参数	示例	说明
      文件名称	kafka-data-input	作业的名称。 说明 作业名称在当前项目中必须保持唯一。
      文件类型	流作业/SQL	数据同步作业仅支持流作业/SQL类型。
      部署目标	vvp-workload	选择作业需要部署的集群名称。Flink全托管支持Per-Job集群和Session集群两种集群模式。两种集群模式的区别说明，请参见配置开发测试环境（Session集群）。
      存储位置	作业开发	指定该作业的代码文件所属的文件夹。默认存放在作业开发目录。 您还可以在现有文件夹右侧，单击图标，新建子文件夹。

   6. 单击确认。
   7. 将以下作业代码拷贝到作业文本编辑区。

      CREATE TEMPORARY TABLE source (
        id INT,
        first_name STRING,
        last_name STRING,
        `address` ROW<`country` STRING, `state` STRING, `city` STRING>,
        event_time TIMESTAMP
      ) WITH (
        'connector' = 'faker',
        'number-of-rows' = '100',
        'rows-per-second' = '10',
        'fields.id.expression' = '#{number.numberBetween ''0'',''1000''}',
        'fields.first_name.expression' = '#{name.firstName}',
        'fields.last_name.expression' = '#{name.lastName}',
        'fields.address.country.expression' = '#{Address.country}',
        'fields.address.state.expression' = '#{Address.state}',
        'fields.address.city.expression' = '#{Address.city}',
        'fields.event_time.expression' = '#{date.past ''15'',''SECONDS''}'
      );
      
      CREATE TEMPORARY TABLE sink (
        id INT,
        first_name STRING,
        last_name STRING,
        `address` ROW<`country` STRING, `state` STRING, `city` STRING>,
        `timestamp` TIMESTAMP METADATA
      ) WITH (
        'connector' = 'kafka',
        'properties.bootstrap.servers' = 'alikafka-host1.aliyuncs.com:9000,alikafka-host2.aliyuncs.com:9000,alikafka-host3.aliyuncs.com:9000',
        'topic' = 'users',
        'format' = 'json'
      );
      
      INSERT INTO sink SELECT * FROM source;

   8. 请按您的实际配置，修改以下参数配置信息。

      参数	示例值	说明
      properties.bootstrap.servers	alikafka-host1.aliyuncs.com:9000,alikafka-host2.aliyuncs.com:9000,alikafka-host3.aliyuncs.com:9000	Kafka Broker地址。 格式为host:port,host:port,host:port，以英文逗号（,）分割。
      topic	users	Kafka Topic名称。

3. 启动作业。
   1. 在作业开发页面，单击上线。
   2. 在作业运维页面，单击目标作业名称操作列中的启动。
   3. 启动作业后的配置。
      1. 单击启动后，填写资源设置，资源设置填写详情请参见配置作业资源。
      2. 填写完成后单击下一步，填写基础设置，基础设置填写详情请参考作业启动。

      您可以在作业运维页面观察作业的运行信息和状态。

      由于faker数据源是一个有限流，因此在作业处于运行状态后，大约1分钟左右后，作业就会处于完成状态。当作业结束运行代表作业已经将相关的数据写入到Kafka的users中。其中，写入到消息队列Kafka的JSON数据格式大致如下。

      {
        "id": 765,
        "first_name": "Barry",
        "last_name": "Pollich",
        "address": {
          "country": "United Arab Emirates",
          "state": "Nevada",
          "city": "Powlowskifurt"
        }
      }

步骤三：创建Hologres Catalog

单表同步都需要依赖目标Catalog来创建目标表。因此，您需要通过控制台创建目标Catalog。本文将以目标Catalog为Hologres Catalog为例，为您进行介绍。

1. 创建名称为holo的Hologres Catalog。
   操作步骤详情请参见配置Hologres Catalog。

   重要 您需要在您的目标实例中已创建flink_test_db数据库，否则创建Catalog会报错。
2. 在Schemas页签，确认已创建名为holo的Catalog。
   

步骤四：创建并启动数据同步作业

1. 登录Flink全托管开发控制台，创建数据同步作业。
   1. 登录实时计算管理控制台。
   2. 在Flink全托管页签，单击目标工作空间操作列下的控制台。
   3. 在左侧导航栏，单击作业开发。
   4. 单击新建。
   5. 在新建文件对话框，填写作业配置信息。

      作业参数	示例	说明
      文件名称	flink-quickstart-test	作业的名称。 说明 作业名称在当前项目中必须保持唯一。
      文件类型	流作业/SQL	数据同步作业仅支持流作业/SQL类型。
      部署目标	vvp-workload	选择作业需要部署的集群名称。
      存储位置	作业开发	指定该作业的代码文件所属的文件夹。默认存放在作业开发目录。 您还可以在现有文件夹右侧，单击图标，新建子文件夹。

   6. 单击确认。
2. 将以下作业代码拷贝到作业文本编辑区。
   将消息队列Kafka中名称为users的Topic数据同步至Hologres的flink_test_db数据库的sync_kafka_users表中。您可以通过以下任意一种方式进行：

   • 通过CATS语句同步
     该方式无需您手动在Hologres中创建该表，也无需指明对应的列类型为JSON或JSONB。

     CREATE TEMPORARY TABLE kafka_users (
       `id` INT NOT NULL,
       `address` STRING,
       `offset` BIGINT NOT NULL METADATA,
       `partition` BIGINT NOT NULL METADATA,
       `timestamp` TIMESTAMP METADATA,
       `date` AS CAST(`timestamp` AS DATE),
       `country` AS JSON_VALUE(`address`, '$.country'),
       PRIMARY KEY (`partition`, `offset`) NOT ENFORCED
     ) WITH (
       'connector' = 'kafka',
       'properties.bootstrap.servers' = 'alikafka-host1.aliyuncs.com:9000,alikafka-host2.aliyuncs.com:9000,alikafka-host3.aliyuncs.com:9000',
       'topic' = 'users',
       'format' = 'json',
       'json.infer-schema.flatten-nested-columns.enable' = 'true', -- 自动展开嵌套列。
       'scan.startup.mode' = 'earliest-offset'
     );
     
     CREATE TABLE IF NOT EXISTS holo.flink_test_db.sync_kafka_users
     WITH (
       'connector' = 'hologres'
     ) AS TABLE kafka_users;

     说明 为了避免作业Failover后，作业重启将重复数据写入到Hologres中，您可以添加相关主键从而唯一地标识数据。当数据重发时，Hologres将会保证相同partition和offset的数据只会保留一份。
   • 通过INSERT INTO语句同步

     考虑到Hologres中对于JSON和JSONB类型的数据会进行特殊的优化，您也可以通过INSERT INTO语句将嵌套JSON写入到Hologres中。

     该方式需要您手动在Hologres中创建该表并指明需要对应的列类型为JSON或JSONB，然后通过下文的SQL，会将address数据写入到 Hologres中类型为JSON的列。

     CREATE TEMPORARY TABLE kafka_users (
       `id` INT NOT NULL,
       `address` STRING, -- 该列对应的数据为嵌套JSON。
       `offset` BIGINT NOT NULL METADATA,
       `partition` BIGINT NOT NULL METADATA,
       `timestamp` TIMESTAMP METADATA,
       `date` AS CAST(`timestamp` AS DATE),
       `country` AS JSON_VALUE(`address`, '$.country')
     ) WITH (
       'connector' = 'kafka',
       'properties.bootstrap.servers' = 'alikafka-host1.aliyuncs.com:9000,alikafka-host2.aliyuncs.com:9000,alikafka-host3.aliyuncs.com:9000',
       'topic' = 'users',
       'format' = 'json',
       'json.infer-schema.flatten-nested-columns.enable' = 'true', -- 自动展开嵌套列。
       'scan.startup.mode' = 'earliest-offset'
     );
     
     CREATE TEMPORARY TABLE holo (
       `id` INT NOT NULL,
       `address` STRING,
       `offset` BIGINT,
       `partition` BIGINT,
       `timestamp` TIMESTAMP,
       `date` DATE,
       `country` STRING
     ) WITH (
       'connector' = 'hologres',
       'endpoint' = 'hgpostcn-****-cn-beijing-vpc.hologres.aliyuncs.com:80',
       'username' = 'LTAI5tE572UJ44Xwhx6i****',
       'password' = 'KtyIXK3HIDKA9VzKX4tpct9xTm****',
       'dbname' = 'flink_test_db',
       'tablename' = 'sync_kafka_users'
     );
     
     INSERT INTO holo
     SELECT * FROM kafka_users;

3. 请按您的实际配置，修改以下参数配置信息。

   参数	示例值	说明
   properties.bootstrap.servers	alikafka-host1.aliyuncs.com:9000,alikafka-host2.aliyuncs.com:9000,alikafka-host3.aliyuncs.com:9000	Kafka Broker地址。 格式为host:port,host:port,host:port，以英文逗号（,）分割。
   topic	users	Kafka Topic名称。
   endpoint	hgpostcn-****-cn-beijing-vpc.hologres.aliyuncs.com:80	Hologres端点。 格式为<ip>:<port>。
   username	LTAI5tE572UJ44Xwhx6i****	Hologres用户名，请填写阿里云账号的AccessKey ID。
   password	KtyIXK3HIDKA9VzKX4tpct9xTm****	Hologres密码，请填写阿里云账号的AccessKey Secret。
   dbname	flink_test_db	Hologres数据库名称。
   tablename	sync_kafka_users	Hologres表名称。 说明 如果您通过INSERT INTO方式同步数据，则需要提前在目标实例的数据库中创建sync_kafka_users表和字段。 如果Schema不为Public时，则tablename需要填写为schema.tableName。

4. 单击保存。
5. 在作业开发页面，单击上线。
6. 在作业运维页面，单击目标作业名称操作列中的启动。
7. 填写资源设置，资源设置填写详情请参见配置作业资源。
8. 单击下一步。
9. 填写基础设置，基础设置填写详情请参见作业启动。
10. 单击启动。
    作业启动后，您可以在作业运维界面观察作业的运行信息和状态。

步骤五：观察全量同步结果

1. 登录Hologres管理控制台。
2. 在实例列表页面，单击目标实例名称。
3. 在页面右上角，单击登录实例。
4. 在元数据管理页签，查看users数据库中同步的sync_kafka_users表结构和数据。
   

   同步后的表结构和数据如下图所示。

   • 表结构

     双击sync_kafka_users表名称，查看表结构。

     
     说明 在同步过程中，建议声明Kafka的Metadata partition和offset作为Hologres表中的主键。这样可以避免由于作业Failover，数据重发导致下游存储多份相同数据。
   • 表数据
     在sync_kafka_users表信息页面右上角，单击查询表后，输入如下命令，单击运行。

     SELECT * FROM public.sync_kafka_users order by partition, "offset";

     表数据结果如下图所示。

步骤六：观察自动同步表结构变更

1. 在Kafka控制台手动发送一条包含新增列的消息。
   1. 登录消息队列Kafka版控制台。
   2. 在实例列表页面，单击目标实例名称。
   3. 在Topic管理页面，单击目标Topic名称users。
   4. 单击体验发送消息。
   5. 填写消息内容。
      

      配置项	示例
      发送方式	选中控制台。
      消息Key	填写为flinktest。
      消息内容	将以下JSON内容复制粘贴到消息内容中。 { "id": 100001, "first_name": "Dennise", "last_name": "Schuppe", "address": { "country": "Isle of Man", "state": "Montana", "city": "East Coleburgh" }, "house-points": { "house": "Pukwudgie", "points": 76 } } 说明 该示例中house-points是一个新增的嵌套列。
      发送到指定分区	选中是。
      分区ID	填写为0。

   6. 单击确定。
2. 在Hologres控制台，查看sync_kafka_users表结构和数据的变化。
   1. 登录Hologres管理控制台。
   2. 在实例列表页面，单击目标实例名称。
   3. 在页面右上角，单击登录实例。
   4. 在元数据管理页签，双击sync_kafka_users表名称。
   5. 单击查询表后，输入如下命令，单击运行。

      SELECT * FROM public.sync_kafka_users order by partition, "offset";

   6. 查看表数据结果。
      表数据结果如下图所示。

      可以观察到id为100001的数据已经成功地写入到了Hologres中。同时，Hologres中多了house-points.house和house-points.points 两列。

      说明 虽然插入到Kafka中的数据仅只有一个嵌套列house-points，但是由于在kafka_users表的WITH参数内声明要求json.infer-schema.flatten-nested-columns.enable，那么Flink 就会自动展平新增的嵌套列，并用访问该列的路径作为展开后的列的名字。

（可选）步骤七：调整作业资源配置

根据数据量的不同，我们往往需要调节不同节点的并发和资源，以达到更优的作业性能。您可以使用资源配置的基础模式简单配置作业并发度和CU数，也可以使用资源配置的专家模式细粒度地调整节点的并发和资源。

1. 登录Flink全托管开发控制台，进入作业详情页面。
   1. 登录实时计算管理控制台。
   2. 在Flink全托管页签，单击目标工作空间操作列下的控制台。
   3. 在左侧导航栏，单击作业运维。
   4. 单击目标作业操作列对应的启动。
2. 修改资源配置。
   1. 填写资源设置，资源模式选择为专家模式。
   2. 在配置计划中单击立即获取。
   3. 单击展开全部。
      观察完整的拓扑图，通过完整的拓扑图能了解到整个数据的同步计划，即具体同步哪些表。
   4. 手动设置每个节点的并发。
      由于Kafka users Topic有四个分区，因此可以设置作业为4并发。由于日志数据只是写入到Hologres一张表中，为了降低Hologres的连接数，可以调节Hologres的并发为2。资源配置步骤详情请参见配置作业资源。经过调节后的作业资源配置计划如下图所示。
   5. 单击确认后，单击下一步。
   6. 填写基础设置后，单击启动。基础设置信息详情请参见作业启动。
3. 在作业运维页面，单击目标作业名称。
4. 在作业总览页面，查看调整效果。
   

相关文档

• CREATE TABLE AS (CTAS) 语法功能介绍，请参见CREATE TABLE AS（CTAS）语句。
• 消息队列Kafka作为表结构变更数据源功能介绍，请参见消息队列Kafka源表。