数据湖构建(DLF)可以结合阿里云实时计算Flink版(Flink VVP),以及Flink CDC相关技术,实现灵活定制化的数据入湖。并利用DLF统一元数据管理、权限管理等能力,实现数据湖多引擎分析、数据湖管理等功能。本文为您介绍Flink+DLF数据湖方案具体步骤。
背景信息
阿里云实时计算Flink版是一套基于Apache Flink构建的实时大数据分析平台,支持多种数据源和结果表类型。Flink任务可以利用数据湖统一存储的优势,使用Hudi结果表或Iceberg结果表,将作业的结果输出到数据湖中,实现数据湖分析。在写入数据湖的过程中,Flink可以通过设置DLF Catalog,将表的元数据同步到数据湖构建(DLF)中。依托数据湖构建产品(DLF)提供的企业级统一元数据能力,Flink+DLF方案可以实现写入的数据湖表无缝对接阿里云上的计算引擎,如EMR、MaxCompute、Hologres等。也可以通过DLF提供的丰富的数据湖管理能力,实现数据湖生命周期管理和湖格式的优化。
前提条件
已开通实时计算Flink版,创建Flink全托管工作空间。
已开通阿里云数据湖构建(DLF)服务。如果您没有开通,则可以在DLF产品首页,单击免费开通。
本文以MySQL数据源为例,需要创建RDS MySQL,详情请参见创建RDS MySQL实例。如果使用其他数据源入湖可忽略。
创建的RDS MySQL需要和实时计算Flink版在同一个地域同一个VPC内,RDS MySQL须为5.7及以上版本。
操作流程
步骤一:Flink创建DLF Catalog
登录实时计算管理控制台。
进入创建Catalog页面。
在Flink全托管页签,单击目标工作空间操作列下的控制台。
在左侧导航栏,单击元数据管理。
单击创建Catalog。
创建DLF Catalog。
在创建Catalog页面,选择DLF。
填写参数配置信息。详情可参考管理DLF Catalog。如下图。
步骤二:准备MySQL数据
登录准备好的MySQL实例,详情请参见通过DMS登录RDS MySQL。
执行如下命令,创建一张表,并插入若干测试数据。
CREATE TABLE `student` (
`id` bigint(20) NOT NULL,
`name` varchar(256) DEFAULT NULL,
`age` bigint(20) DEFAULT NULL,
PRIMARY KEY (`id`)
);
INSERT INTO student VALUES (1,'name1',10);
INSERT INTO student VALUES (2,'name2',20);
步骤三:创建Flink入湖作业
登录实时计算管理控制台。
创建数据源表和目标表。
在Flink全托管页签,单击目标工作空间操作列下的控制台。
在左侧导航栏,单击SQL开发。
在SQL开发页面,创建一个新的流SQL作业,执行如下代码。
-- catalog名为步骤一创建的dlf catalog name,本例中填dlf
CREATE DATABASE IF NOT EXISTS dlf.dlf_testdb;
CREATE TABLE IF NOT EXISTS student_source (
id INT,
name VARCHAR (256),
age INT,
PRIMARY KEY (id) NOT ENFORCED
)
WITH (
'connector' = 'mysql-cdc',
-- hostname替换为RDS的连接地址
'hostname' = 'rm-xxxxxxxx.mysql.rds.aliyuncs.com',
'port' = '3306',
'username' = '<RDS user name>',
'password' = '<RDS password>',
'database-name' = '<RDS database>',
-- table-name为数据源表,本例中填步骤二创建的student表
'table-name' = 'student'
);
CREATE TABLE IF NOT EXISTS dlf.dlf_testdb.student_hudi (
id BIGINT PRIMARY KEY NOT ENFORCED,
name STRING,
age BIGINT
) WITH(
'connector' = 'hudi'
);
关于MySQL源表的参数设置和使用条件,请参考 MySQL的CDC源表
关于Hudi结果表的参数设置,请参考 Hudi结果表
创建Flink入湖任务。
在SQL开发页面,创建一个新的流SQL作业,填写如下代码
INSERT INTO dlf.dlf_testdb.student_hudi SELECT * FROM student_source /*+ OPTIONS('server-id'='123456') */;
b. 点击保存
c. 点击部署
在左侧导航栏,单击作业运维。找到上面创建的流SQL作业,点击启动。
启动成功后一段时间,可以看到作业的状态变成运行中。
步骤四:使用DLF数据湖分析
登录数据湖构建控制台。
点击菜单“数据探索”,进入数据探索页面。
在查询输入框中,输入查询语句
select * from dlf_testdb.student_hudi
点击运行。
结果如图所示,可以直接对Flink写入数据湖的数据进行查询和分析。
如果您购买了EMR集群,并且开启了数据湖DLF元数据,也可以直接通过EMR集群对Flink入湖结果进行数据湖分析,参考 Hudi与Spark SQL集成
相关资料
如果您想要通过EMR DataFlow集群的Flink读写DLF,请参考文章 通过数据湖元数据DLF读写Hudi