【干货分享】带你了解什么是批流统一的高效数据同步插件—FlinkX

【干货分享】带你了解什么是批流统一的高效数据同步插件—FlinkX - 袋鼠云数栈DTinsight的个人空间 - OSCHINA - 中文开源技术交流社区

一、什么是FlinkX

FlinkX是一款基于Flink的分布式离线/实时数据同步插件，可实现多种异构数据源高效的数据同步，其由袋鼠云于2016年初步研发完成，目前有稳定的研发团队持续维护，已在Github上开源（开源地址详见文章末尾），并维护该开源社区。目前已完成批流统一，离线计算与流计算的数据同步任务都可基于FlinkX实现。

FlinkX将不同的数据源库抽象成不同的Reader插件，目标库抽象成不同的Writer插件，具有以下特点：

• 基于Flink开发，支持分布式运行；
• 双向读写，某数据库既可以作为源库，也可以作为目标库；
• 支持多种异构数据源，可实现MySQL、Oracle、SQLServer、Hive、Hbase等20多种数据源的双向采集。
• 高扩展性，强灵活性，新扩展的数据源可与现有数据源可即时互通。

二、FlinkX应用场景

FlinkX数据同步插件主要应用于大数据开发平台的数据同步/数据集成模块，通常采用将底层高效的同步插件和界面化的配置方式相结合的方式，使大数据开发人员可简洁、快速的完成数据同步任务开发，实现将业务数据库的数据同步至大数据存储平台，从而进行数据建模开发，以及数据开发完成后，将大数据处理好的结果数据同步至业务的应用数据库，供企业数据业务使用。

三、FlinkX工作原理详解

linkX基于Flink实现，其选型及优势详见

https://mp.weixin.qq.com/s/uQbGLY3_cj0h2H_PZZFRGw。FlinkX数据同步任务的本质是一个Flink程序，读出写入的数据同步任务会被翻译成StreamGraph在Flink执行，FlinkX开发者只需要关注InputFormat和OutputFormat接口实现即可。工作原理如下：

Engine是袋鼠云封装的任务调度引擎，WEB端配置好的数据同步任务首先会提交至任务调度引擎，Template模块根据同步任务的配置信息加载源数据库和目标数据库对应的Reader和Writer插件，Reader插件实现InputFormat接口，从数据库获取DataStream对象，Writer插件实现OutFormat接口，将目标数据库与DataStream对象相关联，从而通过DataStream对象将读出写入串接在一起，组装成一个Flink任务提交至Flink集群上进行运行。

之前基于Flink的分片、累加器特性，解决了数据同步过程中的增量同步、多通道控制、脏数据管理与错误管理等场景。19年基于Flink的checkpoint机制，实现了断点续传、流数据续跑等功能，来了解一下它的新特性吧。

（1）断点续传

数据同步过程中，假如一个任务要同步500G的数据到目标库，已经跑了15min，但到400G的时候由于集群资源不够、网络等因素数据同步失败了，若需要重头跑此任务，想必该同学要抓狂了。FlinkX基于checkpoin机制可支持断点续传，当同步任务由于上述原因失败时，不需要重跑任务，只需从断点继续同步，节省重跑时间和集群资源。

Flink的Checkpoint功能是其实现容错的核心功能，它能够根据配置周期性地对任务中的Operator/task的状态生成快照，将这些状态数据定期持久化存储下来，当Flink程序一旦意外崩溃时，重新运行程序时可以有选择地从这些快照进行恢复，从而修正因为故障带来的程序数据异常。

并且断点续传可和任务失败重试机制配合，即当任务执行失败，系统会自动进行重试，若重试成功则系统会接着断点位置继续同步，从而减少人为运维。

（2）实时采集与续跑

19年6月份，袋鼠云数栈研发团队基于FlinkX实现批流数据采集统一，可对MySQL Binlog、Filebeats、Kafka等数据源进行实时采集，并可写入Kafka、Hive、HDFS、Greenplum等数据源，采集任务也支持作业并发数与作业速率的限制，以及脏数据管理。并基于checkpoint机制，可实现实时采集任务的续跑。当产生业务数据或Flink程序引起的采集进程中断时，可基于Flink定期存储的快照，对流数据的读取节点进行保存，从而在进行故障修复时，可选择历史保存的数据断点进行续跑操作，保证数据的完整性。此功能在袋鼠云的StreamWorks产品中实现，欢迎大家了解。

（3）流数据的脏数据管理

之前在BatchWorks离线计算产品中，已实现离线数据同步的脏数据管理，并基于Flink的累加器实现脏数据的错误管理，当错误量达到配置时，置任务失败。目前流数据实时采集也支持了此功能，即在将源库数据写入目标库的过程中，将错误记录进行存储，以便后续分析数据同步过程中的脏数据，并进行处理。但由于是流数据采集，任务具有不间断性，没有进行错误数记录达到阈值的触发任务停止操作，待后续用户自行对脏数据分析，进行处理。

（4）数据写入至Greenplum、OceanBase数据源

Greenplum是基于PostgreSQL的MPP数据库，支持海量数据的存储与管理，目前在市场上也被很多企业采用。于最近，数栈基于FlinkX实现多类型数据源写入Greenplum，除全量同步外，也支持部分数据库增量同步写入。OceanBase是阿里研发的一款可扩展的金融领域关系型数据库，其用法与MySQL基本一致，实现OceanBase的数据读入写出也是基于jdbc的连接方式，进行数据表与字段的同步与写入，也支持对OceanBase进行增量写入，以及作业同步通道、并发的控制。

写入Greenplum等关系数据库时，默认是不使用事务的，因为数据量特别大的情况下，一旦任务失败，就会对业务数据库产生巨大的影响。但是在开启断点续传的时候必须开启事务，如果数据库不支持事务，则无法实现断点续传的功能。开启断点续传时，会在Flink生成快照的时候提交事务，把当前的数据写入数据库，如果两次快照期间任务失败了，则这次事务里的数据不会写入数据库，任务恢复时从上一次快照记录的位置继续同步数据，这样就可以做到任务多次失败续跑的情况下准确的同步数据。

四、写在后面

FlinkX经过袋鼠云内部使用以及在大量的数据中台项目中实践，支持以下数据源。且在FlinkX的高扩展特性下，将持续支撑更多的数据源。

---

本文首发于：数栈研习社

数栈是云原生—站式数据中台PaaS，我们在github上有一个有趣的开源项目：FlinkX。FlinkX是一个基于Flink的批流统一的数据同步工具，既可以采集静态的数据，比如MySQL，HDFS等，也可以采集实时变化的数据，比如MySQL binlog，Kafka等，是全域、异构、批流一体的数据同步引擎，大家如果有兴趣，欢迎来github社区找我们玩~