本文首发于我的个人博客网站 等待下一个秋-Flink
什么是CDC？
CDC是（Change Data Capture 变更数据获取）的简称。核心思想是，监测并捕获数据库的变动（包括数据 或 数据表的插入INSERT、更新UPDATE、删除DELETE等），将这些变更按发生的顺序完整记录下来，写入到消息中间件中以供其他服务进行订阅及消费。
1. 环境准备
-
mysql
-
hbase
-
flink 1.13.5 on yarn
说明：如果没有安装hadoop，那么可以不用yarn，直接用flink standalone环境吧。
2. 下载下列依赖包
下面两个地址下载flink的依赖包，放在lib目录下面。
如果你的Flink是其它版本，可以来这里下载。
我是flink1.13，这里flink-sql-connector-mysql-cdc，需要1.4.0以上版本。
如果你是更高版本的flink，可以自行https://github.com/ververica/flink-cdc-connectors下载新版mvn clean install -DskipTests 自己编译。
这是我编译的最新版2.2，传上去发现太新了，如果重新换个版本，我得去gitee下载源码，不然github速度太慢了，然后用IDEA编译打包，又得下载一堆依赖。我投降，我直接去网上下载了个1.4的直接用了。
我下载的jar包，放在flink的lib目录下面：
flink-sql-connector-hbase-1.4_2.11-1.13.5.jar
flink-sql-connector-mysql-cdc-1.4.0.jar3. 启动flink-sql client
1) 先在yarn上面启动一个application，进入flink13.5目录，执行：
bin/yarn-session.sh -d -s 2 -jm 1024 -tm 2048 -qu root.sparkstreaming -nm flink-cdc-hbase2) 进入flink sql命令行
bin/sql-client.sh embedded -s flink-cdc-hbase
4. 同步数据
这里有一张mysql表：
CREATE TABLE `product_view` (
`id` int(11) NOT NULL AUTO_INCREMENT,
`user_id` int(11) NOT NULL,
`product_id` int(11) NOT NULL,
`server_id` int(11) NOT NULL,
`duration` int(11) NOT NULL,
`times` varchar(11) NOT NULL,
`time` datetime NOT NULL,
PRIMARY KEY (`id`),
KEY `time` (`time`),
KEY `user_product` (`user_id`,`product_id`) USING BTREE,
KEY `times` (`times`) USING BTREE
) ENGINE=InnoDB DEFAULT CHARSET=utf8mb4;
-- 样本数据
INSERT INTO `product_view` VALUES ('1', '1', '1', '1', '120', '120', '2020-04-24 13:14:00');
INSERT INTO `product_view` VALUES ('2', '1', '1', '1', '120', '120', '2020-04-24 13:14:00');
INSERT INTO `product_view` VALUES ('3', '1', '1', '3', '120', '120', '2020-04-24 13:14:00');
INSERT INTO `product_view` VALUES ('4', '1', '1', '2', '120', '120', '2020-04-24 13:14:00');
INSERT INTO `product_view` VALUES ('5', '8', '1', '1', '120', '120', '2020-05-14 13:14:00');
INSERT INTO `product_view` VALUES ('6', '8', '1', '2', '120', '120', '2020-05-13 13:14:00');
INSERT INTO `product_view` VALUES ('7', '8', '1', '3', '120', '120', '2020-04-24 13:14:00');
INSERT INTO `product_view` VALUES ('8', '8', '1', '3', '120', '120', '2020-04-23 13:14:00');
INSERT INTO `product_view` VALUES ('9', '8', '1', '2', '120', '120', '2020-05-13 13:14:00');1) 创建数据表关联mysql
CREATE TABLE product_view_source (
`id` int,
`user_id` int,
`product_id` int,
`server_id` int,
`duration` int,
`times` string,
`time` timestamp,
PRIMARY KEY (`id`) NOT ENFORCED
) WITH (
'connector' = 'mysql-cdc',
'hostname' = '192.168.1.2',
'port' = '3306',
'username' = 'bigdata',
'password' = 'bigdata',
'database-name' = 'test',
'table-name' = 'product_view'
);这样，我们在flink sql client操作这个表相当于操作mysql里面的对应表。
2) 创建数据表关联hbase
CREATE TABLE product_view_hbase (
rowkey INT,
family1 ROW<user_id INT, product_id INT, server_id INT, duration INT>,
PRIMARY KEY (rowkey) NOT ENFORCED
) WITH (
'connector' = 'hbase-1.4',
'table-name' = 'product_view',
'zookeeper.quorum' = 'cdh-001:2181'
);这里，需要提前在hbase里面创建好product_view这个主题。
3) 同步数据
建立同步任务，可以使用sql如下：
insert into product_view_hbase select id as rowkey, ROW(user_id, product_id, server_id, duration) from product_view_source;这个时候是可以退出flink sql-client的，然后进入flink web-ui，可以看到mysql表数据已经同步到hbase中了，对mysql进行插入，hbase都是同步更新的。
进入hbase shell，可以看到数据已经从mysql同步到hbase了：
hbase(main):009:0> scan 'product_view'
ROW COLUMN+CELL
\x00\x00\x00\x01 column=family1:duration, timestamp=1663223736391, value=\x00\x00\x00x
\x00\x00\x00\x01 column=family1:product_id, timestamp=1663223736391, value=\x00\x00\x00\x01
\x00\x00\x00\x01 column=family1:server_id, timestamp=1663223736391, value=\x00\x00\x00\x01
\x00\x00\x00\x01 column=family1:user_id, timestamp=1663223736391, value=\x00\x00\x00\x01
\x00\x00\x00\x02 column=family1:duration, timestamp=1663223736391, value=\x00\x00\x00x
\x00\x00\x00\x02 column=family1:product_id, timestamp=1663223736391, value=\x00\x00\x00\x01
\x00\x00\x00\x02 column=family1:server_id, timestamp=1663223736391, value=\x00\x00\x00\x01
\x00\x00\x00\x02 column=family1:user_id, timestamp=1663223736391, value=\x00\x00\x00\x01
\x00\x00\x00\x03 column=family1:duration, timestamp=1663223736391, value=\x00\x00\x00x
\x00\x00\x00\x03 column=family1:product_id, timestamp=1663223736391, value=\x00\x00\x00\x01
\x00\x00\x00\x03 column=family1:server_id, timestamp=1663223736391, value=\x00\x00\x00\x03
\x00\x00\x00\x03 column=family1:user_id, timestamp=1663223736391, value=\x00\x00\x00\x01
\x00\x00\x00\x04 column=family1:duration, timestamp=1663223736391, value=\x00\x00\x00x
\x00\x00\x00\x04 column=family1:product_id, timestamp=1663223736391, value=\x00\x00\x00\x01
\x00\x00\x00\x04 column=family1:server_id, timestamp=1663223736391, value=\x00\x00\x00\x02
\x00\x00\x00\x04 column=family1:user_id, timestamp=1663223736391, value=\x00\x00\x00\x01
\x00\x00\x00\x05 column=family1:duration, timestamp=1663223736391, value=\x00\x00\x00x
\x00\x00\x00\x05 column=family1:product_id, timestamp=1663223736391, value=\x00\x00\x00\x01
\x00\x00\x00\x05 column=family1:server_id, timestamp=1663223736391, value=\x00\x00\x00\x01
\x00\x00\x00\x05 column=family1:user_id, timestamp=1663223736391, value=\x00\x00\x00\x08
\x00\x00\x00\x06 column=family1:duration, timestamp=1663223736391, value=\x00\x00\x00x
\x00\x00\x00\x06 column=family1:product_id, timestamp=1663223736391, value=\x00\x00\x00\x01
\x00\x00\x00\x06 column=family1:server_id, timestamp=1663223736391, value=\x00\x00\x00\x02
\x00\x00\x00\x06 column=family1:user_id, timestamp=1663223736391, value=\x00\x00\x00\x08
\x00\x00\x00\x07 column=family1:duration, timestamp=1663223736391, value=\x00\x00\x00x
\x00\x00\x00\x07 column=family1:product_id, timestamp=1663223736391, value=\x00\x00\x00\x01
\x00\x00\x00\x07 column=family1:server_id, timestamp=1663223736391, value=\x00\x00\x00\x03
\x00\x00\x00\x07 column=family1:user_id, timestamp=1663223736391, value=\x00\x00\x00\x08
\x00\x00\x00\x09 column=family1:duration, timestamp=1663223736391, value=\x00\x00\x00x
\x00\x00\x00\x09 column=family1:product_id, timestamp=1663223736391, value=\x00\x00\x00\x01
\x00\x00\x00\x09 column=family1:server_id, timestamp=1663223736391, value=\x00\x00\x00\x03
\x00\x00\x00\x09 column=family1:user_id, timestamp=1663223736391, value=\x00\x00\x00\x08
\x00\x00\x00\x0A column=family1:duration, timestamp=1663223736391, value=\x00\x00\x00x
\x00\x00\x00\x0A column=family1:product_id, timestamp=1663223736391, value=\x00\x00\x00\x01
\x00\x00\x00\x0A column=family1:server_id, timestamp=1663223736391, value=\x00\x00\x00\x02
\x00\x00\x00\x0A column=family1:user_id, timestamp=1663223736391, value=\x00\x00\x00\x08
9 row(s)
Took 0.1656 seconds 直接在flink-sql client里面查询hbase数据，也是可以的：
Flink SQL> select * from product_view_hbase ;
2022-09-15 15:38:23,205 INFO org.apache.flink.yarn.YarnClusterDescriptor [] - No path for the flink jar passed. Using the location of class org.apache.flink.yarn.YarnClusterDescriptor to locate the jar
2022-09-15 15:38:23,207 INFO org.apache.hadoop.yarn.client.ConfiguredRMFailoverProxyProvider [] - Failing over to rm72
2022-09-15 15:38:23,212 INFO org.apache.flink.yarn.YarnClusterDescriptor [] - Found Web Interface cdh-001:35225 of application 'application_1633924491541_7321'.执行上面查询sql，就会进入界面，这就是hbase里面的数据了：
5. 关联查询
在这个flink-sql client环境中，这里有两张表：product_view_source（mysql的表）和product_view_hbase（hbase的表），后者是有前者查询导入的，这里为了简单，我没有再关联其它第三张表，就用这两张表，做关联查询，达到演示的目的。
select product_view_source.*, product_view_hbase.* from product_view_source
inner join product_view_hbase
on product_view_source.id = product_view_hbase.rowkey;这里做了个简单的关联查询，通过id跟rowkey关联，然后打开web-ui，通过flink web-ui结果可以看出，这里是个hash join，两个source，到join，一共3个task。
看看查出来的结果吧，这是flnk-sql client：
比如我选中这一行，进来后是这条数据的详细情况，是没有问题的：
参考资料
https://nightlies.apache.org/flink/flink-docs-release-1.13/zh/docs/connectors/table/hbase/
文章评论