01.Flink实时数据管理—自定义MysqlSource + 广播变量创建

需求背景：ETL离线作业，需要实时监控运行状况，由于调度使用Azkaban，故同步获取其后台配置库Mysql；本文记录第一步：获取projects工程码表，并作为广播变量，供后续使用。

Flink + Scalikejdbc + Scala

注意事项：

1. 接入层

Canal、Flume、Kafka

针对业务系统数据，Canal监控Binlog日志，发送至kafka；

针对日志数据，由Flume来进行统一收集，并发送至kafka。

消息队列的数据既是离线数仓的原始数据，也是实时计算的原始数据，这样可以保证实时和离线的原始数据是统一的。

2. 计算层

Flink

有了源数据，在 计算层 经过Flink实时计算引擎做一些加工处理，然后落地到存储层中不同存储介质当中。

3. 存储层

HBase、Kafka、ES、Mysql、Hive、Redis

不同的 存储介质 是通过不同的应用场景来选择。

4. 数据应用层

风控、模型、图谱、大屏展示

通过存储层应用于不同的 数据应用 ，数据应用可能是我们的正式产品或者直接的业务系统

二、技术实现

1. 计算引擎

实时计算引擎的功能要求

提供高级 API，支持常见的数据 *** 作比如关联聚合，最好是能支持 SQL

具有状态管理和自动支持久化方案，减少对存储的依赖

可靠的容错机制，低延时，最好能够保证Exactly-once

Flink的优势

Flink的API、容错机制与状态管理都满足实时数仓计算引擎的需求

Flink高吞吐、低延时的特性

端到端的Exactly-once

WaterMark&Event Time的支持

Flink 不仅支持了大量常用的 SQL 语句，还有丰富的数据类型、内置函数以及灵活的自定义函数，基本覆盖了我们的开发场景

2. 存储引擎

根据不同的业务场景，使用最适合的存储引擎：

Kafka主要用于中间数据表的存储

ES主要针对日志数据的存储和分析

HBase、Redis可用于维表存储

Hive用于数据校验

Mysql可以用于指标计算结果的存储

三、数据分层

数据源：目前数据源主要是Binlog，通过Canal监控各个业务系统的Mysql，将binlog发送至kafka。

ODS层：主要将Binlog数据存储至Kafka，这一层不对数据进行任何 *** 作，存储最原始的数据，Binlog 日志在这一层为库级别，即：一个库的变更数据存放在同一个 Kafka Topic 中。

DWD层：主要对数据进行简单的清洗。拆分主题，将库级别的主题拆分为表级别；打平数据，将data数组格式打平。

DWS层：主要根据不同的业务的需求，将该需求所涉及到的表进行join所得。

APP层：根据指标计算需求，对数据进行处理后，存储HBase，为了方便模型查询，主要将表存储为索引表和明细表，直接对数据进行指标计算后，将计算结果存储到HBase。

四、数据监控及校验

1. 数据监控

目前数据的监控的架构是pushgateway + Prometheus + Grafana

数据监控主要是接入Flink的Metric，通过Grafana对Flink系统指标及自定义指标进行图形化界面的展示，对关键指标进行监控报警

2. 数据校验

目前数据的监控的架构是Grafana + Mysql

Grafana用于监控指标的展示及相关阈值数据的报警，Mysql主要用于监控数据的存储

将每个服务的source收到的数据、sink发出的数据，根据表的不同将数据关键字段写入mysql中，通过统计各个阶段各个表中的数据条数，对数据完整性进行监控校验，若出现数据缺时，先查找原因，然后指定时间戳重启服务

五、系统管理

元数据管理

表，字段元数据管理，实时感知元数据的变化，大幅度降低使用数据的成本。

系统配置

对应用启动参数及相关配置参数的管理，对任务进行灵活配置及管理。

血缘管理

主要是梳理实时计算平台中数据依赖关系，以及实时任务的依赖关系，从底层ODS到DWD再到DWS，以及APP层用到哪些数据，将整个链度串联起来。

六、问题及解决方案

1. 数据倾斜

由于要拆分主题，要以table为key对数据进行keyBy，但是由于每个表的数据量相差较大，会出现数据倾斜

解决方案：

加盐，给key加前缀

前缀不能随便加，为了保证同一id的数据在相同的分区中，所以根据id_table进行keyBy

2. 数据重复

任务在进行自动或手动重启时，为了保证数据不丢失，数据会出现重复计算的问题，如果下游只是对数据进行HBase存储的话，由于幂等性，这种重复可以解。但是，如果下游要对数据进行聚合，这样会导致数据被计算多次，影响计算结果的准确性

解决方案：

上游在对数据进行发送时，对kafka producer 进行 exactly once的设置

在对数据统计时进行数据去重

3. 数据延时

由于所处理的数据表的大小不一样，处理大表时，会出现数据延时的问题。

解决方案：

针对大表数据增加并行度

4.数据乱序

由于Flink kafka producer默认是根据hash对数据进行随机分区，kafka consumer在对数据进行消费时，每个分区消费速度不同，这样最终在存储数据时，就会出现乱序即相同的id会出现老数据覆盖新数据的问题

解决方案：

对kafka每个阶段进行自定义分区，将id相同的数据分到同一个分区，保证同一id的数据的有序性

由于整个数据处理过程中可能会出现shuffle，导数数据重新乱序，所以在对数据存储前对数据进行排序

对数据进行排序的关键点时要保证每条数据的唯一性，即要有标记数据先后顺序的字段

5 . 数据唯一标记（很重要）

由于要对数据进行去重或者排序，所以要保证数据的唯一性

解决办法：

使用时间戳不可以，因为数据量很大的情况下，同一时间会处理上百条数据

在最初发出数据的时候，为数据打上标记，使用 partition + offset + idx 的组合来确认数据的唯一性及顺序性

6. 数据可靠性

我们对服务重启或对服务升级时，可能会出现数据的丢失

解决方案：

结合Flink 的checkpoint及savepoint机制保证数据的可靠性

开启Flink的checkpoint机制，服务进行自动重启时，会自动读取上次保存在checkpoint中offset，或者我们指定offset进行数据消费

对服务进行升级时，先将服务的状态保存至savepoint中，重启时指定savepoint进行服务启动，保证数据不丢失

7. 无感升级

由于我们目前数据量比较庞大，且在对服务进行升级时，耗时较长，会影响调用方的使用。

解决办法：

在对服务进行升级时，将数据写入备用库，等数据追上且服务稳定运行后，再将存储库进行切换