Flink同步Kafka資料到ClickHouse分散式表

ITPUB社群發表於2022-12-21

業務需要一種OLAP引擎,可以做到實時寫入儲存和查詢計算功能,提供高效、穩健的實時資料服務,最終決定ClickHouse

什麼是ClickHouse?

ClickHouse是一個用於聯機分析(OLAP)的列式資料庫管理系統(DBMS)。

列式資料庫更適合於OLAP場景(對於大多數查詢而言,處理速度至少提高了100倍),下面詳細解釋了原因(透過圖片更有利於直觀理解),圖片來源於ClickHouse中文官方文件。

行式

圖片

列式

圖片

我們使用Flink編寫程式,消費kafka裡面的主題資料,清洗、歸一,寫入到clickhouse裡面去。

這裡的關鍵點,由於第一次使用,無法分清應該建立什麼格式的clickhouse表,出現了一些問題,最大的問題就是程式將資料寫入了,查詢發現資料不完整,只有一部分。我也在網上查了一些原因,總結下來。

為什麼有時看不到已經建立好的表並且查詢結果一直抖動時多時少?

  • 常見原因1:

建表流程存在問題。ClickHouse的分散式叢集搭建並沒有原生的分散式DDL語義。如果您在自建ClickHouse叢集時使用create table建立表,查詢雖然返回了成功,但實際這個表只在當前連線的Server上建立了。下次連線重置換一個Server,您就看不到這個表了。

解決方案:建表時,請使用create table <table_name> on cluster default語句,on cluster default宣告會把這條語句廣播給default叢集的所有節點進行執行。示例程式碼如下。Create table test on cluster default (a UInt64) Engine = MergeTree() order by tuple(); 在test表上再建立一個分散式表引擎,建表語句如下。Create table test_dis on cluster default as test Engine = Distributed(default, default, test, cityHash64(a));

  • 常見原因2:

ReplicatedMergeTree儲存表配置有問題。ReplicatedMergeTree表引擎是對應MergeTree表引擎的主備同步增強版,在單副本例項上限定只能建立MergeTree表引擎,在雙副本例項上只能建立ReplicatedMergeTree表引擎。

解決方案:在雙副本例項上建表時,請使用ReplicatedMergeTree(‘/clickhouse/tables/{database}/{table}/{shard}’, ‘{replica}’)或ReplicatedMergeTree()配置ReplicatedMergeTree表引擎。其中,ReplicatedMergeTree(‘/clickhouse/tables/{database}/{table}/{shard}’, ‘{replica}’)為固定配置,無需修改。

這裡引出了複製表的概念,這裡介紹一下,只有 MergeTree 系列裡的表可支援副本:

  • ReplicatedMergeTree
  • ReplicatedSummingMergeTree
  • ReplicatedReplacingMergeTree
  • ReplicatedAggregatingMergeTree ReplicatedCollapsingMergeTree
  • ReplicatedVersionedCollapsingMergeTree
  • ReplicatedGraphiteMergeTree

副本是表級別的,不是整個伺服器級的。所以,伺服器裡可以同時有複製表和非複製表。副本不依賴分片。每個分片有它自己的獨立副本。

建立複製表

先做好準備工作,該建表的建表,然後編寫程式。在表引擎名稱上加上 Replicated 字首。例如:ReplicatedMergeTree。

  1. 首先建立一個分散式資料庫
create database test on cluster default_cluster;
  1. 建立本地表

由於clickhouse是分散式的,建立本地表本來應該在每個節點上建立的,但是指定on cluster關鍵字可以直接完成,建表語句如下:

CREATE TABLE test.test_data_shade on cluster default_cluster
(
    `data` Map(StringString),
    `uid` String,
    `remote_addr` String,
    `time` Datetime64,
    `status` Int32,
    ...其它欄位省略
    `dt` String
)
ENGINE = ReplicatedMergeTree()
partition by dt
order by (dt, sipHash64(uid));

這裡表引擎為ReplicatedMergeTree,即有副本的表,根據dt按天分割槽,提升查詢效率,sipHash64是一個hash函式,根據uid雜湊使得相同uid資料在同一個分片上面,如果有去重需求,速度更快,因為可以計算每個分片去重,再彙總一下即可。

  1. 建立分散式表
CREATE TABLE test.test_data_all on cluster default_cluster as test.test_data_shade ENGINE = Distributed('default_cluster''test''test_data_shade', sipHash64(uid));

在多副本分散式 ClickHouse 叢集中,通常需要使用 Distributed 表寫入或讀取資料,Distributed 表引擎自身不儲存任何資料,它能夠作為分散式表的一層透明代理,在叢集內部自動開展資料的寫入、分發、查詢、路由等工作。

透過jdbc寫入

這個我是看的官方文件,裡面有2種選擇,感興趣的同學可以都去嘗試一下。

Flink同步Kafka資料到ClickHouse分散式表

這裡貼一下我的Pom依賴

<dependency>
    <groupId>ru.yandex.clickhouse</groupId>
    <artifactId>clickhouse-jdbc</artifactId>
    <version>0.3.1-patch</version>
    <classifier>shaded</classifier>
    <exclusions>
        <exclusion>
            <groupId>*</groupId>
            <artifactId>*</artifactId>
        </exclusion>
    </exclusions>
</dependency>

Flink主程式,消費kafka,做清洗,然後寫入clickhouse,這都是常規操作,這裡貼一下關鍵程式碼吧。

Flink同步Kafka資料到ClickHouse分散式表

連線clickhouse有2種方式,8123埠的http方式,和基於9000埠的tcp方式。

這裡官方推薦的是連線驅動是0.3.2:

<dependency>
    <!-- please stop using ru.yandex.clickhouse as it's been deprecated -->
    <groupId>com.clickhouse</groupId>
    <artifactId>clickhouse-jdbc</artifactId>
    <version>0.3.2-patch11</version>
    <classifier>all</classifier>
    <exclusions>
        <exclusion>
            <groupId>*</groupId>
            <artifactId>*</artifactId>
        </exclusion>
    </exclusions>
</dependency>

Note: ru.yandex.clickhouse.ClickHouseDriver has been deprecated and everything under ru.yandex.clickhouse will be removed in 0.3.3.

Flink同步Kafka資料到ClickHouse分散式表

官方推薦升級到0.3.2,上面表格給出了升級方法,文件地址:

來自 “ ITPUB部落格 ” ,連結:http://blog.itpub.net/70024420/viewspace-2928895/,如需轉載,請註明出處,否則將追究法律責任。

相關文章