如何快速构建一个从Kafka到Hologres的数据同步作业_实时计算 Flink版(Flink)-阿里云帮助中心

本文为您介绍如何通过实时计算控制台快速构建从Kafka到Hologres的数据同步作业，实现日志数据的实时入仓部署。

前提条件

如果您使用RAM用户或RAM角色等身份访问，需要确认已具有Flink控制台相关权限，详情请参见权限管理。
已创建Flink工作空间，详情请参见开通实时计算Flink版。
上下游存储
- 已创建消息队列Kafka实例，详情请参见步骤二：购买和部署实例。
- 已创建Hologres实例，详情请参见购买Hologres。
说明
消息队列Kafka和Hologres需要与实时计算Flink版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工作空间的网段添加到Kafka和Hologres的白名单中。

获取Flink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，选择更多 > 工作空间详情。
3. 在工作空间详情对话框，查看虚拟交换机的网段信息。
在消息队列Kafka的IP白名单中，添加Flink工作空间的网段信息。
您需要为网络类型为VPC的接入点配置白名单，操作步骤请参见配置白名单。
在Hologres的IP白名单中，添加Flink工作空间的网段信息。
登录Hologres实例后配置IP白名单，操作步骤请参见IP白名单。

步骤二：准备Kafka测试数据

使用实时计算Flink版的模拟数据生成源表作为数据生成器，将数据写入到Kafka中。请按以下步骤使用实时计算开发控制台将数据写入至消息队列Kafka。

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。

创建将数据写入到Kafka的作业。

登录实时计算管理控制台。
单击目标工作空间操作列下的控制台。
在左侧导航栏，单击数据开发 > ETL，单击新建。

在新建作业草稿对话框，选择目标模板（例如：选择空白的流作业草稿），完成后单击下一步，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。
存储位置	作业草稿	指定该作业的代码文件所属的文件夹。默认存放在作业草稿目录。您还可以在现有文件夹右侧，单击图标，新建子文件夹。
引擎版本	vvr-8.0.11-flink-1.17	在引擎版本下拉列表中选择目标引擎版本。

单击创建。

编写SQL作业。

将以下作业代码拷贝到作业文本编辑区，然后根据实际配置，修改参数配置信息。

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:9092,alikafka-host2.aliyuncs.com:9092,alikafka-host3.aliyuncs.com:9092',
  'topic' = 'users',
  'format' = 'json'
);

INSERT INTO sink SELECT * FROM source;

需要修改的参数配置信息如下：

参数

示例值

说明

properties.bootstrap.servers

alikafka-host1.aliyuncs.com:9092,alikafka-host2.aliyuncs.com:9092,alikafka-host3.aliyuncs.com:9092

Kafka Broker地址。

格式为host:port,host:port,host:port，以英文逗号（,）分割。您可以在实例详情页面的接入点信息区域获取网络类型为VPC的域名接入点作为该参数的值。

topic

users

Kafka Topic名称。

启动作业。
1. 在数据开发 > ETL页面，单击部署。
2. 在部署新版本对话框中，单击确定。
3. 配置作业资源，资源设置填写详情请参见配置作业资源。
4. 在运维中心 > 作业运维页面，单击目标作业名称操作列中的启动。关于作业启动的配置说明，请参见作业启动。
5. 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。关键配置信息如下，具体操作步骤请参见创建Hologres Catalog。

配置项	说明
catalog name	填写holo。
endpoint	在Hologres实例详情页面获取网络类型为指定VPC的域名信息。
username	阿里云账号的AccessKey。
password	阿里云账号的AccessSecret。
dbname	填写flink_test_db。重要您需要在您的目标Hologres实例中已创建flink_test_db数据库，否则创建Catalog会报错。具体操作请参见创建数据库。

步骤四：创建并启动数据同步作业

登录实时计算开发控制台，创建数据同步作业。

登录实时计算管理控制台。
单击目标工作空间操作列下的控制台。
在左侧导航栏，单击数据开发 > ETL，单击新建。

在新建作业草稿对话框，选择目标模板（例如：选择空白的流作业草稿），完成后单击下一步，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。
存储位置	作业草稿	指定该作业的代码文件所属的文件夹。默认存放在作业草稿目录。您还可以在现有文件夹右侧，单击图标，新建子文件夹。
引擎版本	vvr-8.0.11-flink-1.17	在引擎版本下拉列表中选择目标引擎版本。

单击创建。

编写SQL作业。将以下作业代码拷贝到作业文本编辑区，然后根据实际配置，修改参数配置信息。

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完成数据同步。

通过CTAS语句同步

该方式无需您手动在Hologres中创建sync_kafka_users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:9092,alikafka-host2.aliyuncs.com:9092,alikafka-host3.aliyuncs.com:9092',
  '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。

需要修改的参数配置信息如下：

参数

示例值

说明

properties.bootstrap.servers

alikafka-host1.aliyuncs.com:9092,alikafka-host2.aliyuncs.com:9092,alikafka-host3.aliyuncs.com:9092

Kafka Broker地址。

topic

users

Kafka Topic名称。

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sync_kafka_users表，然后通过下文的SQL将数据写入到Hologres的表中。

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:9092,alikafka-host2.aliyuncs.com:9092,alikafka-host3.aliyuncs.com:9092',
  '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' = '************************',
  'password' = '******************************',
  'dbname' = 'flink_test_db',
  'tablename' = 'sync_kafka_users'
);

INSERT INTO holo
SELECT * FROM kafka_users;

需要修改的参数配置信息如下：

参数	示例值	说明
properties.bootstrap.servers	alikafka-host1.aliyuncs.com:9092,alikafka-host2.aliyuncs.com:9092,alikafka-host3.aliyuncs.com:9092	Kafka Broker地址。格式为host:port,host:port,host:port，以英文逗号（,）分割。您可以在实例详情页面的接入点信息区域获取网络类型为VPC的域名接入点作为该参数的值。
topic	users	Kafka Topic名称。
endpoint	hgpostcn-****-cn-beijing-vpc.hologres.aliyuncs.com:80	Hologres端点。格式为<ip>:<port>。您可以在Hologres实例详情页面获取网络类型为指定VPC的域名信息作为该参数的值。
username	************************	Hologres用户名和密码，请填写阿里云账号的AccessKey ID和AccessKey Secret。重要为了避免您的AK信息泄露，建议您通过密钥管理的方式填写AccessKey ID取值，详情请参见变量管理。
password	******************************
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。

单击保存。
在数据开发 > ETL页面，单击部署。
在运维中心 > 作业运维页面，单击目标作业名称操作列中的启动。关于作业启动的配置说明，请参见作业启动。
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

登录Hologres管理控制台。
在实例列表页面，单击目标实例名称。
在页面右上角，单击登录实例。
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

在Kafka控制台手动发送一条包含新增列的消息。

登录云消息队列 Kafka 版控制台。
在实例列表页面，单击目标实例名称。
在Topic管理页面，单击目标Topic名称users。
单击体验发送消息。

填写消息内容。

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。

单击确定。

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。

日志实时入仓快速入门

前提条件

步骤一：配置IP白名单

步骤二：准备Kafka测试数据

步骤三：创建Hologres Catalog

步骤四：创建并启动数据同步作业

通过CTAS语句同步

通过INSERT INTO语句同步

步骤五：观察全量同步结果

步骤六：观察自动同步表结构变更

相关文档