README.md

flinkStreamSQL

• 基于开源的flink，对其实时sql进行扩展

• 自定义create table 语法（包括源表,输出表,维表）
• 自定义create view 语法
• 自定义create function 语法
• 实现了流与维表的join
• 支持原生FLinkSQL所有的语法
• 扩展了输入和输出的性能指标到promethus

BUG修复：

1. oracle维表获取索引问题。
2. Perjob模式下UDF类加载异常问题。
3. queue 参数设置无效的问题。

新特性：

1. 支持从kafka读取嵌套JSON格式数据,暂不支持数组类型字段。例如： info.name varchar as info_name。
2. 支持kafka结果表数据写入。
3. 支持为ROWTIME绑定时区，默认为本地时区。例如：timezone="America/New_York"
4. 支持从kafka自定义偏移量中消费数据。

已支持

• 源表：kafka 0.9，1.x版本，serverSocket
• 维表：mysql，SQlServer,oracle,hbase，mongo，redis,cassandra
• 结果表：mysql，SQlServer,oracle,hbase，elasticsearch5.x，mongo，redis,cassandra，console

后续开发计划

• 维表快照
• sql优化（谓词下移等）
• kafka avro格式
• topN

1.2 执行环境

• Java: JDK8及以上
• Flink集群: 1.4,1.5（单机模式不需要安装Flink集群）
• 操作系统：理论上不限

1.3 打包

进入项目根目录，使用maven打包：

mvn clean package -Dmaven.test.skip

打包结束后，项目根目录下会产生plugins目录，plugins目录下存放编译好的数据同步插件包,在lib目下存放job提交的包

1.4 启动

1.4.1 启动命令

sh submit.sh -sql D:\sideSql.txt  -name xctest -remoteSqlPluginPath /opt/dtstack/150_flinkplugin/sqlplugin   -localSqlPluginPath D:\gitspace\flinkStreamSQL\plugins   -addjar \["udf.jar\"\] -mode yarn -flinkconf D:\flink_home\kudu150etc  -yarnconf D:\hadoop\etc\hadoopkudu -confProp \{\"time.characteristic\":\"EventTime\",\"sql.checkpoint.interval\":10000\}

1.4.2 命令行参数选项

• 单机模式：对应Flink集群的单机模式

• standalone模式：对应Flink集群的分布式模式

• yarn模式：对应Flink集群的yarn模式

• mode

  • 描述：执行模式，也就是flink集群的工作模式
    • local: 本地模式
    • standalone: 提交到独立部署模式的flink集群
    • yarn: 提交到yarn模式的flink集群(即提交到已有flink集群)
    • yarnPer: yarn per_job模式提交(即创建新flink application)
  • 必选：否
  • 默认值：local

• name

  • 描述：flink 任务对应名称。
  • 必选：是
  • 默认值：无

• sql

  • 描述：执行flink sql 的主体语句。
  • 必选：是
  • 默认值：无

• localSqlPluginPath

  • 描述：本地插件根目录地址，也就是打包后产生的plugins目录。
  • 必选：是
  • 默认值：无

• remoteSqlPluginPath

  • 描述：flink执行集群上的插件根目录地址（将打包好的插件存放到各个flink节点上,如果是yarn集群需要存放到所有的nodemanager上）。
  • 必选：否
  • 默认值：无

• addjar

  • 描述：扩展jar路径,当前主要是UDF定义的jar；
  • 格式：json
  • 必选：否
  • 默认值：无

• confProp

  • 描述：一些参数设置
  • 格式: json
  • 必选：是 （如无参数填写空json即可）
  • 默认值：无
  • 可选参数:
    • sql.env.parallelism: 默认并行度设置
    • sql.max.env.parallelism: 最大并行度设置
    • time.characteristic: 可选值[ProcessingTime|IngestionTime|EventTime]
    • sql.checkpoint.interval: 设置了该参数表明开启checkpoint(ms)
    • sql.checkpoint.mode: 可选值[EXACTLY_ONCE|AT_LEAST_ONCE]
    • sql.checkpoint.timeout: 生成checkpoint的超时时间(ms)
    • sql.max.concurrent.checkpoints: 最大并发生成checkpoint数
    • sql.checkpoint.cleanup.mode: 默认是不会将checkpoint存储到外部存储,[true(任务cancel之后会删除外部存储)|false(外部存储需要手动删除)]
    • flinkCheckpointDataURI: 设置checkpoint的外部存储路径,根据实际的需求设定文件路径,hdfs://, file://
    • jobmanager.memory.mb: per_job模式下指定jobmanager的内存大小(单位MB, 默认值:768)
    • taskmanager.memory.mb: per_job模式下指定taskmanager的内存大小(单位MB, 默认值:768)
    • taskmanager.num: per_job模式下指定taskmanager的实例数(默认1)
    • taskmanager.slots：per_job模式下指定每个taskmanager对应的slot数量(默认1)
    • prometheus 相关参数 per_job可指定metric写入到外部监控组件,以prometheus pushgateway举例

• flinkconf

  • 描述：flink配置文件所在的目录（单机模式下不需要），如/hadoop/flink-1.4.0/conf
  • 必选：否
  • 默认值：无

• yarnconf

  • 描述：Hadoop配置文件（包括hdfs和yarn）所在的目录（单机模式下不需要），如/hadoop/etc/hadoop
  • 必选：否
  • 默认值：无

• savePointPath

  • 描述：任务恢复点的路径
  • 必选：否
  • 默认值：无

• allowNonRestoredState

  • 描述：指示保存点是否允许非还原状态的标志
  • 必选：否
  • 默认值：false

• flinkJarPath

  • 描述：per_job 模式提交需要指定本地的flink jar存放路径
  • 必选：否
  • 默认值：false

• queue

  • 描述：per_job 模式下指定的yarn queue
  • 必选：否
  • 默认值：false

2 结构

2.1 源表插件

• kafka 源表插件

2.2 结果表插件

• elasticsearch 结果表插件
• hbase 结果表插件
• mysql 结果表插件
• mongo 结果表插件
• redis 结果表插件
• cassandra 结果表插件

2.3 维表插件

• hbase 维表插件
• mysql 维表插件
• mongo 维表插件
• redis 维表插件
• cassandra 维表插件

3 性能指标(新增)

kafka插件

• 业务延迟： flink_taskmanager_job_task_operator_dtEventDelay(单位s)
  数据本身的时间和进入flink的当前时间的差值.

• 各个输入源的脏数据：flink_taskmanager_job_task_operator_dtDirtyData
  从kafka获取的数据解析失败的视为脏数据

• 各Source的数据输入TPS: flink_taskmanager_job_task_operator_dtNumRecordsInRate
  kafka接受的记录数(未解析前)/s

• 各Source的数据输入RPS: flink_taskmanager_job_task_operator_dtNumRecordsInResolveRate
  kafka接受的记录数(解析后)/s

• 各Source的数据输入BPS: flink_taskmanager_job_task_operator_dtNumBytesInRate
  kafka接受的字节数/s

• Kafka作为输入源的各个分区的延迟数: flink_taskmanager_job_task_operator_topic_partition_dtTopicPartitionLag
  当前kafka10,kafka11有采集该指标

• 各个输出源RPS: flink_taskmanager_job_task_operator_dtNumRecordsOutRate
  写入的外部记录数/s

4 样例

CREATE (scala|table) FUNCTION CHARACTER_LENGTH WITH com.dtstack.Kun;


CREATE TABLE MyTable(
    name varchar,
    channel varchar,
    pv int,
    xctime bigint,
    CHARACTER_LENGTH(channel) AS timeLeng //自定义的函数
 )WITH(
    type ='kafka09',
    bootstrapServers ='172.16.8.198:9092',
    zookeeperQuorum ='172.16.8.198:2181/kafka',
    offsetReset ='latest',
    topic ='nbTest1',
    parallelism ='1'
 );

CREATE TABLE MyResult(
    channel varchar,
    pv varchar
 )WITH(
    type ='mysql',
    url ='jdbc:mysql://172.16.8.104:3306/test?charset=utf8',
    userName ='dtstack',
    password ='abc123',
    tableName ='pv2',
    parallelism ='1'
 );

CREATE TABLE workerinfo(
    cast(logtime as TIMESTAMP) AS rtime,
    cast(logtime) AS rtime
 )WITH(
    type ='hbase',
    zookeeperQuorum ='rdos1:2181',
    tableName ='workerinfo',
    rowKey ='ce,de',
    parallelism ='1',
    zookeeperParent ='/hbase'
 );

CREATE TABLE sideTable(
    cf:name varchar as name,
    cf:info varchar as info,
    PRIMARY KEY(name),
    PERIOD FOR SYSTEM_TIME //维表标识
 )WITH(
    type ='hbase',
    zookeeperQuorum ='rdos1:2181',
    zookeeperParent ='/hbase',
    tableName ='workerinfo',
    cache ='LRU',
    cacheSize ='10000',
    cacheTTLMs ='60000',
    parallelism ='1'
 );

insert
into
    MyResult
    select
        d.channel,
        d.info
    from
        (      select
            a.*,b.info
        from
            MyTable a
        join
            sideTable b
                on a.channel=b.name
        where
            a.channel = 'xc2'
            and a.pv=10      ) as d

招聘

1.大数据平台开发工程师，想了解岗位详细信息可以添加本人微信号ysqwhiletrue,注明招聘，如有意者发送简历至[email protected]。