如何使用Flink,通过CTAS语句同步MySQL数据至StarRocks_开源大数据平台 E-MapReduce(EMR)-阿里云帮助中心

本文为您介绍如何使用EMR DataFlow集群中的Flink服务，通过CTAS语句将MySQL数据同步至EMR Serverless StarRocks中。

背景信息

您可以通过CTAS或CDAS语句将MySQL数据同步至EMR Serverless StarRocks，CTAS可以实现单表的结构和数据同步，CDAS可以实现整库同步或者同一库中的多表结构和数据同步。本文使用CTAS语句，CDAS语句的使用方法与CTAS类似，具体请参见CDAS介绍。

通过CTAS（CREATE TABLE AS）语句，您可以在StarRocks中自动创建和MySQL中表结构一致的表，并进行数据同步。同时还能实时同步上游表结构（Schema）的变更到下游表，提高您在目标存储中创建表和维护源表结构变更的效率。

当执行CTAS语句时，Flink会按照以下流程执行：

检查目标存储中是否存在该目标表。
- 如果不存在，则通过目标端Catalog在目标存储中创建相应的目标表，该目标表具有和数据源相同的Schema。
- 如果存在，则跳过建表。如果已存在的目标表与源表Schema不一致，则会报错提示。
提交和启动相应的数据同步作业。同步数据源的数据以及Schema的变更到目标表中。

表结构变更同步策略通过CTAS语句，在实时同步数据的同时，还能同步源表Schema的变更到目标表中。

Schema变更包括初始表的创建以及未来表的变更。

当前支持同步的Schema变更：
- 添加可空列：会自动在目标表Schema末尾添加对应的列，并自动同步新增列的数据。
- 删除可空列：不会直接在目标表中删除该列，而是将该列的数据自动填充为NULL值。
- 重命名列：直接在目标表中末尾添加重命名后的列，并将重命名前的列数据自动填充为NULL值。
  例如，如果col_a重命名为col_b，则会在目标表末尾添加col_b，并自动将col_a的数据填充为NULL值。
暂不支持同步的Schema变更：
- 数据类型的变更。
  例如，由VARCHAR变为BIGINT，由NOT NULL变为NULLABLE属性。
- 主键或索引等约束的变更。
- 非空列的增加或删除的变更。

说明

如果遇到不支持的Schema变更，则需要您手动删除下游目标表，重新启动CTAS作业，即重新创建目标表并重新同步历史数据。
CTAS不会识别具体的DDL类型，而是对比前后两条数据的Schema差异。因此，如果您先删除了某列后，又加回了该列，且这两个DDL之间无数据变化，则CTAS会认为没有发生结构变更。同理，如果您添加了一列，直到该表有数据变化，CTAS才会感知到结构变更，才会同步结构变更到目标表。
通过CTAS建表支持的字段类型信息，请参见Flink与StarRocks的数据类型映射关系。

前提条件

已在新版控制台创建DataFlow集群，并选中Flink服务，详情请参见创建集群。
已创建EMR Serverless StarRocks实例，详情请参见创建实例。
已创建RDS MySQL实例，详情请参见快速创建RDS MySQL实例。

说明

本文以5.7版本的MySQL、EMR-3.42.0版本的DataFlow集群为例介绍。

使用限制

DataFlow集群、EMR Serverless StarRocks实例和RDS MySQL实例需要在同一个VPC下。
DataFlow集群和EMR Serverless StarRocks实例均须开启公网访问。
RDS MySQL须为5.7及以上版本。
DataFlow集群须为EMR-3.42.0及后续版本或EMR-5.8.0及后续版本。

步骤一：准备测试数据

创建测试的数据库和账号，详情请参见创建数据库和账号。
创建完数据库和账号后，需要授权测试账号的读写权限。
说明
本文创建的数据库名称为test_cdc，账号为emr_test。
使用创建的测试账号连接MySQL实例，详情请参见通过DMS登录RDS MySQL。

执行以下命令，创建数据表。

use test_cdc;

CREATE TABLE IF NOT EXISTS `runoob_tbl`(
   `runoob_id` INT UNSIGNED AUTO_INCREMENT,
   `runoob_title` VARCHAR(100) NOT NULL,
   `runoob_author` VARCHAR(40) NOT NULL,
   `submission_date` DATE,
   `add_col` int DEFAULT NULL,
   PRIMARY KEY ( `runoob_id` )
)ENGINE=InnoDB DEFAULT CHARSET=utf8;


INSERT INTO test_cdc.`runoob_tbl` (`runoob_id`,`runoob_title`,`runoob_author`,`submission_date`,`add_col`) values (18,'first','tom','2022-06-22 17:13:44',3)

登录并连接EMR Serverless StarRocks实例，详情请参见通过客户端方式连接StarRocks实例。
执行以下命令，创建数据库test_cdc、创建超级管理员用户test（示例密码为1qaz!QAZ）或者创建普通用户test并给普通用户授予该数据库权限，详情请参见管理用户和管理数据授权。
```
CREATE DATABASE test_cdc;
CREATE USER 'test' IDENTIFIED by '1qaz!QAZ';
GRANT ALL on test_cdc to test;
```

步骤二：上传自定义Connector

上传自定义的Connector用于Flink、StarRocks和RDS MySQL连接。

使用SSH方式登录DataFlow集群，详情请参见登录集群。
下载flink-connector-starrocks-1.2.2_flink-1.13_2.11.jar和ververica-connector-mysql-1.13-vvr-4.0.12-1-20220330.065158-3-jar-with-dependencies.jar，并上传到DataFlow集群的/opt/apps/FLINK/flink-current/lib目录下。

步骤三：执行CTAS操作

通过Session模式提交作业。
1. 使用SSH方式登录DataFlow集群，详情请参见登录集群。
2. 执行以下命令，进入/opt/apps/FLINK/flink-current目录。
```
cd /opt/apps/FLINK/flink-current
```
3. 执行以下命令，启动YARN Session。
```
./bin/yarn-session.sh --detached
```
  执行成功后，返回信息中的application_XXXX_YY，即为登录SQL客户端需要用到的sessionId。
4. 执行以下命令，打开SQL客户端。
```
./bin/sql-client.sh -s <application_XXXX_YY>
```
  说明
  请修改<application_XXXX_YY>为您前一步获取到的sessionId。

创建MySQL和StarRocks的Catalog。

CREATE CATALOG sr WITH (
  'type' = 'starrocks',
  'endpoint' = 'fe-c-9b354c83e891****-internal.starrocks.aliyuncs.com:9030',
  'username' = 'test',
  'password' = '1qaz!QAZ',
  'dbname' = 'test_cdc'
);

CREATE CATALOG mysql WITH (
  'type' = 'mysql',
  'hostname' = 'rm-2zepd6e20u3od****.mysql.rds.aliyuncs.com',
  'port' = '3306',
  'username' = 'emr_test',
  'password' = '123456',
  'default-database' = 'test_cdc'
);

请根据实际信息修改各参数值，各参数描述如下表所示。

表 1. StarRocks Catalog参数
参数	描述
type	类型，固定值为starrocks。
endpoint	指定FE节点的内网地址和查询端口，格式为`EMR Serverless StarRocks实例FE节点的内网地址:9030`。例如，fe-c-9b354c83e891****-internal.starrocks.aliyuncs.com:9030。说明关于如何获取EMR Serverless StarRocks实例FE节点的内网地址，请参见查看实例列表与详情。
username	StarRocks的用户名。填写步骤一：准备测试数据中创建的用户名。本示例为test。
password	StarRocks数据库服务的密码。填写步骤一：准备测试数据中账号设置的密码。本示例为1qaz!QAZ。
dbname	StarRocks数据库名称。填写步骤一：准备测试数据中创建的数据库名。本示例为test_cdc。

表 2. MySQL Catalog参数
参数	描述
type	类型，固定值为mysql。
hostname	RDS的内网地址。您可以在RDS的数据库连接页面，单击内网地址进行复制。例如，rm-bp1nu0c46fn9k****.mysql.rds.aliyuncs.com。
port	MySQL数据库服务的端口号，默认值为3306。
username	MySQL数据库服务的用户名。填写步骤一：准备测试数据中账号的用户名。本示例为emr_test。
password	MySQL数据库服务的密码。填写步骤一：准备测试数据中账号的密码。本示例为123456。
default-database	默认的MySQL数据库名称。填写步骤一：准备测试数据中创建的数据库名。本示例为test_cdc。

在StarRocks的Catalog下，发送CTAS语句。

您可以使用以下三种示例发送CTAS语句。

At Least Once语义：通过sink.buffer-flush.interval-ms配置项，配置每次写入StarRocks的时间间隔，优点是写入间隔时间短，占用内存较少。

use CATALOG sr;

CREATE TABLE IF NOT EXISTS runoob_tbl1 with (
'starrocks.create.table.properties'=' engine = olap primary key(runoob_id) distributed by hash(runoob_id ) buckets 8',
'database-name'='test_cdc',
'jdbc-url'='jdbc:mysql://fe-c-9b354c83e891****-internal.starrocks.aliyuncs.com:9030',
'load-url'='fe-c-9b354c83e891****-internal.starrocks.aliyuncs.com:9030',
'table-name'='runoob_tbl_sr',
'username'='test',
'password' = '1qaz!QAZ',
'sink.buffer-flush.interval-ms' = '5000',
'sink.properties.row_delimiter' = '\x02',
'sink.properties.column_separator' = '\x01'
)
 as table mysql.test_cdc.runoob_tbl  /*+ OPTIONS (   'connector' = 'mysql-cdc',
  'hostname' = 'rm-2zepd6e20u3od****.mysql.rds.aliyuncs.com',
  'port' = '3306',
  'username' = 'test',
  'password' = '123456',
  'database-name' = 'test_cdc',
  'table-name' = 'runoob_tbl'  )*/;

Exactly once语义：需要定义checkpoint间隔，优点是在各种异常情况下保障数据不丢失不重复，缺点是数据可见时间取决于checkpoint间隔。更多信息，请参见Checkpointing。

set 'execution.checkpointing.interval' = '1 min';
set 'execution.checkpointing.mode' = 'EXACTLY_ONCE';
set 'execution.checkpointing.timeout' = '10 min';

use CATALOG sr;

CREATE TABLE IF NOT EXISTS runoob_tbl1 with (
'starrocks.create.table.properties'=' engine = olap primary key(runoob_id) distributed by hash(runoob_id ) buckets 8',
'database-name'='test_cdc',
'jdbc-url'='jdbc:mysql://fe-c-9b354c83e891****-internal.starrocks.aliyuncs.com:9030',
'load-url'='fe-c-9b354c83e891****-internal.starrocks.aliyuncs.com:9030',
'table-name'='runoob_tbl',
'username'='test',
'password' = '1qaz!QAZ',
'sink.semantic' = 'exactly-once',
'sink.properties.row_delimiter' = '\x02',
'sink.properties.column_separator' = '\x01'
)
 as table mysql.test_cdc.runoob_tbl  /*+ OPTIONS ( 'connector' = 'mysql-cdc',
  'hostname' = 'rm-2zepd6e20u3od****.mysql.rds.aliyuncs.com',
  'port' = '3306',
  'username' = 'test',
  'password' = '123456',
  'database-name' = 'test_cdc',
  'table-name' = 'runoob_tbl'  )*/;

Simple模式：优点是创建表时不需要关注原表有哪些字段，会按照MySQL的表格式照搬过来，开发者使用比较方便。缺点是不能创建分区，对于需要分区的表，仍需要通过normal模式创建。

use CATALOG sr;

CREATE TABLE IF NOT EXISTS runoob_tbl1 with (
'starrocks.create.table.properties'='buckets 8',
'starrocks.create.table.mode'='simple',
 'database-name'='test_cdc',
'jdbc-url'='jdbc:mysql://fe-c-9b354c83e891****-internal.starrocks.aliyuncs.com:9030',
'load-url'='fe-c-9b354c83e891****-internal.starrocks.aliyuncs.com:9030',
'table-name'='runoob_tbl_sr',
'username'='test',
'password' = '1qaz!QAZ',
'sink.buffer-flush.interval-ms' = '5000',
'sink.properties.row_delimiter' = '\x02',
'sink.properties.column_separator' = '\x01'
)
 as table mysql.test_cdc.runoob_tbl  /*+ OPTIONS (   'connector' = 'mysql-cdc',
  'hostname' = 'rm-2zepd6e20u3od****.mysql.rds.aliyuncs.com',
  'port' = '3306',
  'username' = 'emr_test',
  'password' = '123456',
  'database-name' = 'test_cdc',
  'table-name' = 'runoob_tbl'  )*/;

表 3. WITH参数
参数	是否必选	描述
starrocks.create.table.properties	是	StarRocks建表语句中除了字段定义以外的其他后缀定义，例如示例中的engine、key和buckets等。
database-name	是	StarRocks数据库名称。本示例为test_cdc。
jdbc-url	是	用于在StarRocks中执行查询操作。例如，jdbc:mysql://fe-c-9b354c83e891**-internal.starrocks.aliyuncs.com:9030。其中，`fe-c-9b354c83e891**-internal.starrocks.aliyuncs.com`为EMR Serverless StarRocks实例FE节点的内网地址。说明关于如何获取EMR Serverless StarRocks实例FE节点的内网地址，请参见查看实例列表与详情。
load-url	是	指定FE节点的内网地址和查询端口，格式为`EMR Serverless StarRocks实例FE节点的内网地址:9030`。例如，fe-c-9b354c83e891****-internal.starrocks.aliyuncs.com:9030。说明关于如何获取EMR Serverless StarRocks实例FE节点的内网地址，请参见查看实例列表与详情。
sink.semantic	否	填写exactly-once可以保障数据一致性语义，默认为at-least-once。
starrocks.create.table.mode	否	支持以下参数值： normal模式（默认值）：必须像示例一样在starrocks.create.table.properties配置中填写engine、key和buckets等完整的配置。 simple模式：默认选择engine为olap，选择key类型为primary key，且主键与MySQL的主键保持完全一致，默认distributed by hash（所有的主键），默认无分区。需要在starrocks.create.table.properties配置中填写的必填内容为buckets ，选填内容为properties等配置。
sink.properties.row_delimiter	否	自定义行分隔符。
sink.properties.column_separator	否	自定义列分隔符。

说明

因为vvr-6.0.5-flink-1.15及以上版本移除了sink.use.new-api，所以使用vvr-6.0.5-flink-1.15之前的版本时，请在with参数中添加'sink.use.new-api'='false',。
其他配置请参见从Apache Flink持续导入。

表 4. OPTIONS参数
参数	描述
connector	类型，固定值为mysql-cdc。
hostname	RDS的内网地址。您可以在RDS的数据库连接页面，单击内网地址进行复制。例如，rm-bp1nu0c46fn9k****.mysql.rds.aliyuncs.com。
port	MySQL数据库服务的端口号，默认值为3306。
username	MySQL数据库服务的用户名。填写步骤一：准备测试数据中账号的用户名。本示例为emr_test。
password	MySQL数据库服务的密码。填写步骤一：准备测试数据中账号的密码。
table-name	StarRocks中的表名称。填写步骤一：准备测试数据中创建的表名。本示例为runoob_tbl。
database-name	默认的MySQL数据库名称。填写步骤一：准备测试数据中创建的数据库名。本示例为test_cdc。

步骤四：验证数据同步结果

说明

如果开启了checkpoint，则最长等待时间大约是checkpoint的时间间隔。

查询数据

登录并连接EMR Serverless StarRocks实例，详情请参见通过客户端方式连接StarRocks实例。

在StarRocks连接窗口执行以下命令，查看表数据。

use test_cdc;
select * from runoob_tbl1;

返回信息如下，表示MySQL上的数据已同步至StarRocks。

+-----------+--------------+---------------+-----------------+---------+
| runoob_id | runoob_title | runoob_author | submission_date | add_col |
+-----------+--------------+---------------+-----------------+---------+
|        18 | first        | tom           | 2022-06-22      |       3 |
+-----------+--------------+---------------+-----------------+---------+

查询插入后的数据

在RDS数据库窗口执行以下命令，插入数据。

INSERT INTO runoob_tbl(`runoob_id`,`runoob_title`,`runoob_author`,`submission_date`,`add_col`)  values(1,'second','tom2','2022-06-23',1);

在StarRocks连接窗口执行以下命令，查看表数据。

select * from runoob_tbl1;

返回信息如下，表示数据已成功插入。

+-----------+--------------+---------------+-----------------+---------+
| runoob_id | runoob_title | runoob_author | submission_date | add_col |
+-----------+--------------+---------------+-----------------+---------+
|         1 | second       | tom2          | 2022-06-23      |       1 |
|        18 | first        | tom           | 2022-06-22      |       3 |
+-----------+--------------+---------------+-----------------+---------+

同步数据更新

在RDS数据库窗口执行以下命令，更新指定数据。

update runoob_tbl set runoob_title= 'new' where runoob_id = 18;

在StarRocks连接窗口执行以下命令，查看表数据。

select * from runoob_tbl1;

返回信息如下，表示数据已同步更新。

+-----------+--------------+---------------+-----------------+---------+
| runoob_id | runoob_title | runoob_author | submission_date | add_col |
+-----------+--------------+---------------+-----------------+---------+
|         1 | second       | tom2          | 2022-06-23      |       1 |
|        18 | new          | tom           | 2022-06-22      |       3 |
+-----------+--------------+---------------+-----------------+---------+

同步数据删除

在RDS数据库窗口执行以下命令，删除指定数据。
```
DELETE FROM runoob_tbl WHERE runoob_id = 1;
```

在StarRocks连接窗口执行以下命令，查看表数据。

select * from runoob_tbl1;

返回信息如下，表示数据已同步删除。

+-----------+--------------+---------------+-----------------+---------+
| runoob_id | runoob_title | runoob_author | submission_date | add_col |
+-----------+--------------+---------------+-----------------+---------+
|        18 | new          | tom           | 2022-06-22      |       3 |
+-----------+--------------+---------------+-----------------+---------+

增加可空列

在RDS数据库窗口执行以下命令，增加可空列。
```
alter table `runoob_tbl` add COLUMN `add_col2` INT;
```

执行以下命令，插入数据。

INSERT INTO runoob_tbl(`runoob_id`,`runoob_title`,`runoob_author`,`submission_date`,`add_col`,`add_col2`)  values(1,'second','tom2','2022-06-23',1,2)

在StarRocks连接窗口执行以下命令，查看表数据。

select * from runoob_tbl1;

返回信息如下，表示Schema已经成功变更。

+-----------+--------------+---------------+-----------------+---------+---------+
| runoob_id | runoob_title | runoob_author | submission_date | add_col | add_co2 |
+-----------+--------------+---------------+-----------------+---------+---------+
|         1 | second       | tom2          | 2022-06-23      |       1 |       2 |
|        18 | new          | tom           | 2022-06-22      |       3 |    NULL |
+-----------+--------------+---------------+-----------------+---------+---------+

CDAS介绍

CDAS是CTAS的一个语法糖。通过CDAS语句，可以实现MySQL中的整库同步，即生成一个Flink Job，源表是MySQL中的Database，目标表是StarRocks中对应的多张表，同时可以使用including table语法，只选择一个Database中的部分表进行CDAS操作。

与CTAS的执行相同，需要在创建MySQL和StarRocks相应的Catalog后，执行CDAS语句。创建语法示例如下。

CREATE DATABASE IF NOT EXISTS sr_db with (
'starrocks.create.table.properties'=' buckets 8',
'starrocks.create.table.mode'='simple',
'jdbc-url'='jdbc:mysql://fe-c-9b354c83e891****-internal.starrocks.aliyuncs.com:9030',
'load-url'='fe-c-9b354c83e891****-internal.starrocks.aliyuncs.com:9030',
'username'='test',
'password' = '1qaz!QAZ',
'sink.buffer-flush.interval-ms' = '5000',
'sink.properties.row_delimiter' = '\x02',
'sink.properties.column_separator' = '\x01'
)
 as DATABASEmysql.test_cdc including table
 'tabl1','tbl2','tbl3'   /*+ OPTIONS (   'connector' = 'mysql-cdc',
  'hostname' = 'rm-2zepd6e20u3od****.mysql.rds.aliyuncs.com',
  'port' = '3306',
  'username' = 'test',
  'password' = '123456',
  'database-name' = 'test_cdc' )*/;