SQLServer CDC（公测中）-实时计算 Flink版(Flink)-阿里云帮助中心

SQLServer CDC 连接器可以读取 SQLServer 数据库的快照数据和增量数据。本文为您介绍如何使用SQLServer CDC连接器。

背景信息

SQLServer CDC连接器支持的信息如下。

类别	详情
支持类型	源表
运行模式	仅支持流模式
数据格式	暂不适用
特有监控指标	特有的监控指标 currentFetchEventTimeLag：数据产生到拉取到Source Operator的间隔。 currentEmitEventTimeLag：数据产生到离开Source Operator的间隔。 sourceIdleTime：source至今有多久不产生新数据。说明 currentFetchEventTimeLag与currentEmitEventTimeLag指标仅在增量阶段有效，全量阶段该值恒为0。指标含义详情，请参见监控指标说明。
API种类	SQL、数据摄入
是否支持更新或删除结果表数据	不涉及

前提条件

SQLServer CDC连接器使用前，需要捕获的数据库和数据表需要启用变更数据捕获功能（CDC）。

数据表开启CDC功能可以执行如下SQL：

RDS SQLServer

EXEC sp_rds_cdc_enable_db;       -- 对应数据库开启CDC
EXEC sys.sp_cdc_enable_table
@source_schema = N'dbo',         -- 指定源表的 schema
@source_name = N'MyTable',       -- 指定要捕获的表名
@role_name = N'MyRole',          -- 指定角色 MyRole
@supports_net_changes = 1;

自建SQLServer

EXEC sys.sp_cdc_enable_table
@source_schema = N'dbo',        -- 指定源表的 schema
@source_name   = N'MyTable',    -- 指定要捕获的表名
@role_name     = N'MyRole',     -- 指定角色 MyRole，可将需要对源表捕获列
                                -- 拥有 SELECT 权限的用户添加到该角色。
                                -- sysadmin 或 db_owner 角色的用户也可以
                                -- 访问指定的变更表。设置为 NULL 则仅允许
                                -- sysadmin 或 db_owner 完全访问捕获信息。
@filegroup_name = N'MyDB_CT',   -- 指定文件组，SQL Server 会将变更表
                                -- 放置在该文件组中。该文件组必须已存在。
                                -- 建议不要将变更表与源表放在同一文件组中。
@supports_net_changes = 0;

验证CDC表的访问权限可使用如下SQL：

EXEC sys.sp_cdc_help_change_data_capture;

该查询返回数据库中已启用 CDC 的每个表的配置信息。如果对应表不存在，请检查表是否启用CDC，且用户是否拥有访问捕获实例和CDC表的权限。

使用限制

使用前需确保目标数据库已启用 CDC。
SQL功能从VVR 11.7版本开始支持，数据摄入功能从VVR 11.8版本开始支持。

由于连接器依赖 SQL Server 的 Change Data Capture 功能，存在以下限制：

Standard 版时需要 SQL Server 2016 SP1 及以上。
Enterprise 版需要 SQL Server 2012 及以上。

SQL

语法结构

CREATE TABLE sqlserver_cdc_source (
    id INT,
    order_date DATE,
    purchaser INT,
    quantity INT,
    product_id INT,
    PRIMARY KEY (id) NOT ENFORCED
) WITH (
  'connector' = 'sqlserver-cdc',
  'hostname'  = '<hostname>',
  'port'      = '<port>',
  'username'  = '<username>',
  'password'  = '<password>',
  'database-name' = '<database name>',
  'table-name'    = 'dbo.orders'
);

WITH参数

参数

说明

数据类型

是否必填

默认值

备注

connector

connector类型。

STRING

是

无

固定值为sqlserver-cdc。

hostname

SQLServer数据库的IP地址或者Hostname。

STRING

是

无

无。

username

SQLServer数据库服务的用户名。

STRING

是

无

无。

password

SQLServer数据库服务的密码。

STRING

是

无

无。

database-name

数据库名称。

STRING

是

无

数据库名称。

table-name

需要捕获的表名。

STRING

是

无

多个表匹配可用,分隔多个<schemaName>.<tableName>，并支持使用正则表达式。例如：

配置值	含义
'table-name'='s1.t1,s2.t2'	包含s1.t1和s2.t2两张表
'table-name'='s1\..,s2\..'	包含schema s1和s2下的全部表

scan.startup.mode

消费数据时的启动模式。

STRING

否

initial

参数取值如下：

initial（默认）：在第一次启动时，会先扫描历史全量数据，然后读取最新的变更日志。
latest-offset：在第一次启动时，不会扫描历史全量数据，直接从最新的变更日志开始读取。
snapshot：仅扫描历史全量数据，不读取变更日志。
timestamp：从指定时间戳开始读取变更日志，需配合 scan.startup.timestamp-millis 使用。

重要

scan.startup.mode 选项依赖于 Debezium 的 snapshot.mode 配置，请勿同时使用两者。如果在表 DDL 中同时指定了两者，scan.startup.mode 可能不会生效。

scan.startup.timestamp-millis

启动时间戳（毫秒）。

LONG

否

无

仅在 scan.startup.mode 为 timestamp 时需要配置。表示自 epoch（1970-01-01 00:00:00 UTC）以来的毫秒数。

port

SQLServer数据库服务的端口号。

INTEGER

否

1433

无。

server-time-zone

数据库服务器的会话时区，如 "Asia/Shanghai"

STRING

否

无

无。

scan.incremental.snapshot.enabled

是否开启增量快照。

BOOLEAN

否

true

参数取值如下：

false：不开启增量快照。
true（默认值）：开启增量快照。

说明

关闭增量快照框架（scan.incremental.snapshot.enabled = false）时，全量阶段无法执行 checkpoint。若表数据量较大，checkpoint 等待超时会触发作业失败重启。建议对大表开启增量快照框架。
增量快照的功能优势，前提条件和使用限制详情请参见特色功能、前提条件和注意事项。

scan.incremental.snapshot.chunk.size

表快照的 chunk 大小（行数）。

INTEGER

否

8096

读取快照时，表会被拆分为多个 chunk。

scan.snapshot.fetch.size

每次轮询的最大拉取行数。

INTEGER

否

1024

无。

chunk-meta.group.size

chunk 元数据的分组大小，超过该大小时元数据会被分成多组。

INTEGER

否

1000

无。

chunk-key.even-distribution.factor.lower-bound

chunk key 分布因子下界。

DOUBLE

否

0.05

分布因子用于判断表数据是否均匀分布。均匀分布时使用均匀计算优化，不均匀时会触发拆分查询。计算公式：(MAX(id) - MIN(id) + 1) / rowCount。

chunk-key.even-distribution.factor.upper-bound

chunk key 分布因子上界。

DOUBLE

否

1000.0

分布因子用于判断表数据是否均匀分布。均匀分布时使用均匀计算优化，不均匀时会触发拆分查询。计算公式：(MAX(id) - MIN(id) + 1) / rowCount。

scan.incremental.close-idle-reader.enabled

是否在快照结束后关闭空闲的Reader。

BOOLEAN

否

false

该配置生效需要设置execution.checkpointing.checkpoints-after-tasks-finish.enabled为true。

scan.incremental.snapshot.chunk.key-column

指定某一列作为快照阶段切分分片的切分列。

STRING

否

无

表快照的 chunk key 列。读取快照时按 chunk key 将表拆分为多个 chunk。默认使用主键的第一列，必须从主键列中选择。

scan.incremental.snapshot.unbounded-chunk-first.enabled

是否在快照阶段优先分配无界 chunk，有助于降低 TaskManager 在读取最大无界 chunk 时发生 OOM 的风险。

BOOLEAN

否

true

无。

scan.incremental.snapshot.backfill.skip

是否跳过全量阶段的日志读取。

BOOLEAN

否

false

参数取值如下：

true：跳过。

增量阶段从低水位线开始读取日志。

如果下游算子或存储支持幂等性，建议跳过全量阶段日志的读取，缺点是仅能提供至少一次（At-Least Once）的语义保证
false（默认值）：不跳过。

全量阶段读取分片时，会读取低水位线和高水位线之间的日志来保证一致性。

如果SQL要做聚合、关联等操作，不建议跳过全量阶段日志的读取。

backfill仅在单个分片（chunk）快照查询期间生效，不覆盖整个全量读取过程。跳过backfill后，分片快照SQL执行时读到该时刻表的最新数据；分片已读完之后该分片上发生的更新，不再在全量阶段合并，会在进入增量阶段后从变更日志中读取。例如，chunk5快照期间发生的更新会直接体现在chunk5的最新数据中；若已读到chunk80时chunk5才发生更新，该更新会在增量阶段通过变更日志补回。

开启后，分片扫描期间及之后的变更在增量阶段仍会通过变更日志下发，可能与快照数据重复，仅提供at-least-once语义。请确认下游支持按主键幂等写入后再开启。

connect.timeout

连接超时时间。

DURATION

否

30s

无。

connect.max-retries

连接最大重试次数。

INTEGER

否

无。

connection.pool.size

连接池大小。

INTEGER

否

无。

debezium.*

Debezium属性参数。

STRING

否

无

更细粒度控制Debezium客户端的行为，详情请参见配置属性。

无特别需求不建议自行配置Debezium参数，可能导致无法正常读取数据。

类型映射

SQLServer和Flink字段类型对应关系如下。

SQLServer字段类型	Flink字段类型
bit	BOOLEAN
tinyint	SMALLINT
smallint	SMALLINT
int	INT
bigint	BIGINT
real	FLOAT
float	DOUBLE
numeric(p,s)	DECIMAL(p,s)
decimal(p,s)	DECIMAL(p,s)
money	DECIMAL(19,4)
smallmoney	DECIMAL(10,4)
date	DATE
time(p)	TIME(p)
datetime2(p)	TIMESTAMP(p)
datetime	TIMESTAMP(3)
smalldatetime	TIMESTAMP(0)
datetimeoffset(p)	TIMESTAMP_LTZ(p)
char(n)	CHAR(n)
nchar(n)	CHAR(n)
varchar(n)	VARCHAR(n)
nvarchar(n)	VARCHAR(n)
text	STRING
ntext
xml

元数据

SQLServer CDC 源表支持以下元数据列，在建表 DDL 中通过 METADATA FROM 语法声明。

Key	数据类型	说明
database_name	STRING NOT NULL	该行数据所属的数据库名称。
schema_name	STRING NOT NULL	该行数据所属的 Schema 名称。
table_name	STRING NOT NULL	该行数据所属的表名称。
op_ts	TIMESTAMP_LTZ(3) NOT NULL	该行数据在数据库中的变更时间。如果该行数据来自快照（全量阶段），则值为 0（即 1970-01-01 00:00:00）。
op_type	STRING NOT NULL	事件的类型，共计4种：+I（INSERT）、-D（DELETE）、-U（UPDATE_BEFORE）、+U（UPDATE_AFTER）。

Flink SQL 中声明SQLServer 元数据列示例：

CREATE TEMPORARY TABLE sqlserver_cdc_source (
  id INT,
  name STRING,
  -- 元数据列
  db_name STRING METADATA FROM 'database_name' VIRTUAL,
  tbl_name STRING METADATA FROM 'table_name' VIRTUAL,
  op_ts TIMESTAMP_LTZ(3) METADATA FROM 'op_ts' VIRTUAL,
  op_type STRING METADATA FROM 'op_type' VIRTUAL,
  PRIMARY KEY (id) NOT ENFORCED
) WITH (
  'connector' = 'sqlserver-cdc',
  'hostname' = '<yourHostname>',
  'port' = '1433',
  'username' = '<yourUsername>',
  'password' = '<yourPassword>',
  'database-name' = '<yourDatabaseName>',
  'schema-name' = 'dbo',
  'table-name' = '<yourTableName>'
);

数据摄入

语法结构

source:
  type: sqlserver
  name: SQLServer Source
  hostname: 127.0.0.1
  port: 1433
  username: sa
  password: Password!
  tables: inventory.dbo.orders

sink:
  type: starrocks
  name: StarRocks Sink
  jdbc-url: jdbc:mysql://127.0.0.1:9030
  load-url: 127.0.0.1:8030
  username: root
  password: pass

说明：tables 配置项使用三段式命名 database.schema.table，支持正则表达式匹配多表。例如 inventory.dbo.\.* 表示捕获 inventory 数据库 dbo schema 下的所有表。

配置项

参数	说明	数据类型	是否必填	默认值	备注
type	Source 类型。	STRING	是	无	固定值为 sqlserver。
hostname	SQLServer 数据库的 IP 地址或者 Hostname。	STRING	是	无	无。
username	SQLServer 数据库服务的用户名。	STRING	是	无	无。
password	SQLServer 数据库服务的密码。	STRING	是	无	无。
tables	需要捕获的表名。	STRING	是	无	使用三段式命名 database.schema.table，其中 database 必须为固定名称，不支持正则，schema和table支持正则表达式，。多个表用逗号（,）分隔。例如 `inventory.dbo.orders,inventory.dbo.users`。正则示例：`inventory.dbo.user_table_[0-9]+`` 匹配 user_table_0、user_table_1 等；`inventory.dbo.(app\|web)_order_\.*` 匹配 app_order_ 或 web_order_ 前缀的表。
port	SQLServer 数据库服务的端口号。	INTEGER	否	1433	无。
tables.exclude	需要排除的表名。	STRING	否	无	语法与 tables 相同，用于从已匹配的表中排除指定表。
scan.startup.mode	消费数据时的启动模式。	STRING	否	initial	参数取值如下： initial（默认）：在第一次启动时，会先扫描历史全量数据，然后读取最新的变更日志。 latest-offset：在第一次启动时，不会扫描历史全量数据，直接从最新的变更日志开始读取。 snapshot：仅扫描历史全量数据，不读取变更日志。 timestamp：从指定时间戳开始读取变更日志，需配合 scan.startup.timestamp-millis 使用。
scan.startup.timestamp-millis	启动时间戳（毫秒）。	LONG	否	无	仅在 scan.startup.mode 为 timestamp 时需要配置。
server-time-zone	数据库服务器的会话时区。	STRING	否	无	例如 "Asia/Shanghai"。如果未设置，则使用系统默认时区。
scan.incremental.snapshot.chunk.size	表快照的 chunk 大小（行数）。	INTEGER	否	8096	读取快照时，表会被拆分为多个 chunk。
scan.snapshot.fetch.size	每次轮询的最大拉取行数。	INTEGER	否	1024	无。
scan.incremental.snapshot.chunk.key-column	指定快照阶段的切分列。	STRING	否	无	默认使用主键的第一列，必须从主键列中选择。
scan.incremental.snapshot.backfill.skip	是否跳过全量阶段的日志回填。	BOOLEAN	否	true	设置为 true 时，全量阶段不读取日志，仅保证 At-Least-Once 语义。
schema-change.enabled	是否发送 Schema 变更事件。	BOOLEAN	否	true	设置为 false 时，上游的 DDL 变更不会同步到下游。
connect.timeout	连接超时时间。	DURATION	否	30s	无。
connect.max-retries	连接最大重试次数。	INTEGER	否	3	无。
connection.pool.size	连接池大小。	INTEGER	否	20	无。
scan.incremental.close-idle-reader.enabled	是否在快照结束后关闭空闲的 Reader。	BOOLEAN	否	false	该配置生效需要设置 execution.checkpointing.checkpoints-after-tasks-finish.enabled 为 true。
scan.incremental.snapshot.unbounded-chunk-first.enabled	是否在快照阶段优先分配无界 chunk。	BOOLEAN	否	false	有助于降低 TaskManager 在读取最大无界 chunk 时发生 OOM 的风险。
scan.newly-added-table.enabled	是否扫描新增的表。	BOOLEAN	否	false	仅在从 Savepoint/Checkpoint 恢复时有效。
metadata.list	需要传递给下游的元数据列表。	STRING	否	无	多个元数据用逗号分隔。可选值：database_name、schema_name、table_name、op_ts。
chunk-meta.group.size	chunk 元数据的分组大小。	INTEGER	否	1000	无。
chunk-key.even-distribution.factor.upper-bound	chunk key 分布因子上界。	DOUBLE	否	1000.0	分布因子用于判断表数据是否均匀分布。计算公式：(MAX(id) - MIN(id) + 1) / rowCount。
chunk-key.even-distribution.factor.lower-bound	chunk key 分布因子下界。	DOUBLE	否	0.05	同上。
debezium.*	Debezium 属性参数。	STRING	否	无	更细粒度控制 Debezium 客户端的行为。无特别需求不建议自行配置。
jdbc.properties.*	JDBC 连接属性。	STRING	否	无	传递给 JDBC 驱动的额外属性。

类型映射

SQLServer 和 Flink CDC 字段类型对应关系如下。

SQLServer 字段类型	Flink CDC 字段类型
bit	BOOLEAN
tinyint	SMALLINT
smallint	SMALLINT
int	INT
bigint	BIGINT
real	FLOAT
float	DOUBLE
numeric(p,s)	DECIMAL(p,s)
decimal(p,s)	DECIMAL(p,s)
money	DECIMAL(19,4)
smallmoney	DECIMAL(10,4)
date	DATE
time(n)	TIME(n)
datetime2(n)	TIMESTAMP(n)
datetime	TIMESTAMP(3)
smalldatetime	TIMESTAMP(0)
datetimeoffset(n)	TIMESTAMP_LTZ(n)
char(n)	CHAR(n)
nchar(n)	CHAR(n)
varchar(n)	VARCHAR(n)
nvarchar(n)	VARCHAR(n)
text	STRING
ntext	STRING
xml	STRING
uniqueidentifier	STRING
binary(n)	BYTES
varbinary(n)	BYTES
image	BYTES
timestamp / rowversion	BYTES

元数据

在Flink CDC数据摄入作业中，元数据分为两类：

1. Flink CDC 框架支持的元数据列：由 Flink CDC框架根据每条事件的属性自动推断而来，不需要在source模块配置 metadata.list，参考 Flink CDC的元数据列（Metadata Column）。

2. 数据源支持的元数据列：从数据源端变更事件中读取，需要在source模块配置 metadata.list，不同数据源支持的元数据不同，SQLServer 支持的元数据如下，声明多个元数据时用逗号分隔。

Key	数据类型	说明
database_name	STRING NOT NULL	该行数据所属的数据库名称。
schema_name	STRING NOT NULL	该行数据所属的 Schema 名称。
table_name	STRING NOT NULL	该行数据所属的表名称。
op_ts	TIMESTAMP_LTZ(3) NOT NULL	该行数据在数据库中的变更时间。如果该行数据来自快照（全量阶段），则值为 0（即 1970-01-01 00:00:00）。

Flink CDC 声明SQLServer元数据示例：

source:
  type: sqlserver
  name: SQLServer Source
  hostname: 127.0.0.1
  port: 1433
  username: sa
  password: Password!
  tables: inventory.dbo.orders
  -- SQLServer 数据源支持的元数据，声明多个时用逗号分隔
  metadata.list: database_name,schema_name,table_name,op_ts

transform:
  - source: inventory.dbo.orders
    -- * 表示引用源表全部字段，table_name,op_ts表示引用source提供的元数据列，op_type 表示引用框架提供的元数据列 
    projection: "*, table_name AS table_name, op_ts AS op_ts, __data_event_type__ AS op_type"

说明：__data_event_type__ 是Flink CDC框架支持的元数据列，可以用于判断事件类型，Flink CDC 有三种事件类型：插入，更新，删除。其中更新事件总是在一条记录中，这与Flink SQL的更新保存为两条独立记录不同，优势是可以保留完整的更新语义，使得Flink CDC支持将原始更新事件同步到下游系统。