首页 > Python资料博客日记

Flink批处理快速入门

2024-10-25 06:00:11Python资料围观32次

Python资料网推荐Flink批处理快速入门这篇文章给大家，欢迎收藏Python资料网享受知识的乐趣

作为流批一体的计算框架，Flink不仅能够提供低延迟的流式数据处理（Streaming Data Processsing），也能进行高吞吐的批处理（Batch Data Processing）。实时计算Flink版对批处理能力进行了专门的支持，提供了包括作业开发、作业运维、作业编排、资源队列管理、数据结果探查等能力，可以利用Flink批处理能力更好地解决业务需求。本文通过具体的示例为您介绍如何利用实时计算Flink版关键功能进行数据批处理。

功能介绍

实时计算Flink版提供了以下关键功能来支持Flink批处理：

SQL作业开发：在SQL开发页面的作业草稿页签，可以创建批作业草稿，批作业草稿会以批作业的形式被部署和执行。
作业管理：在作业运维页面，可以直接部署JAR或Python类型的批作业。在顶部下拉框中选择批作业，查看已部署的批作业。展开目标批作业，可查看其作业实例列表。通常，一个批作业的不同作业实例具有相同的处理逻辑，但是采用不同的参数，例如处理的数据所属日期。
查询脚本：在SQL开发页面的查询脚本页签，可以执行一些DDL或短查询，快速地进行数据管理和数据探查。这些短查询执行在预创建的Flink Session中，通过资源复用，实现低延迟的简单查询。
管理元数据：在元数据管理页面，可以创建和查看Catalog，包括其中的数据库和表的信息。您也可以在SQL开发页面的元数据页签进行查看，提高开发效率。
任务编排（公测）：在任务编排页面，可以定义工作流，通过可视化的操作方式，编排一系列批作业的执行依赖。工作流会作为一个整体，根据定义好的依赖关系执行包含的批作业。支持通过手动触发或定时调度方式来执行创建好的工作流。
管理资源队列：在队列管理页面，可以对工作空间中的资源进行划分，从而避免流作业和批作业、以及不同优先级的作业间发生资源争抢。

注意事项

已创建Flink工作空间，详情请参见开通实时计算Flink版。
已开通对象存储OSS，详情请参见控制台快速入门。OSS Bucket的存储类型需要为标准存储，详情请参见存储类型概述。
由于本文示例使用Apache Paimon存储数据，仅实时计算引擎VVR 8.0.5及以上版本支持本文示例。

示例场景

本文以一个电子商务平台的业务场景为例，使用Apache Paimon的湖仓格式对数据进行存储。模拟了一个数据仓库结构，包括ODS（操作数据存储）、DWD（数据仓库细节级）、DWS（数据仓库汇总级）的存储层级。通过Flink的批处理能力，对数据进行加工清洗后写入Paimon表，从而实现数据分层结构的搭建。

准备工作

创建查询脚本。

通过查询脚本页签，您可以创建Catalog以及其中的数据库和表，并且向表中插入一些模拟的数据。

创建Paimon Catalog。

在查询脚本的文本编辑区域，输入如下SQL语句。

CREATE CATALOG `my_catalog` WITH (
  'type' = 'paimon',
  'metastore' = 'filesystem',
  'warehouse' = '<warehouse>',
  'fs.oss.endpoint' = '<fs.oss.endpoint>',
  'fs.oss.accessKeyId' = '<fs.oss.accessKeyId>',
  'fs.oss.accessKeySecret' = '<fs.oss.accessKeySecret>'
);

参数配置项如下。

配置项	说明	是否必填	备注
type	Catalog类型。	是	固定值为Paimon。
metastore	元数据存储类型。	是	本文示例填写filesystem，其他类型详情请参见管理Paimon Catalog。
warehouse	OSS服务中所指定的数仓目录。	是	格式为oss://<bucket>/<object>。其中： bucket：表示您创建的OSS Bucket名称。 object：表示您存放数据的路径。请在OSS管理控制台上查看您的Bucket和Object名称。
fs.oss.endpoint	OSS服务的连接地址。	否	当warehouse指定的OSS Bucket与Flink工作空间不在同一地域，或使用其它账号下的OSS bucket时需要填写。请参见访问域名和数据中心。
fs.oss.accessKeyId	拥有读写OSS权限的阿里云账号或RAM账号的AccessKey。	否	当warehouse指定的OSS Bucket与Flink工作空间不在同一地域，或使用其它账号下的OSS Bucket时需要填写。获取方法请参见创建AccessKey。
fs.oss.accessKeySecret	拥有读写OSS权限的阿里云账号或RAM账号的AccessKey Secret。	否

选中上述代码，单击左侧的运行。

返回The following statement has been executed successfully!信息表示Catalog创建成功。此时可以在元数据管理页面（或是SQL开发页面的元数据子页面），查看新创建的Catalog。

操作流程

步骤一：创建ODS表并插入测试数据

说明

为了简化本示例，我们直接向ODS表中插入了一些测试数据，用于后续的DWD/DWS表的数据生成。在实际生产中，一般会使用Flink流处理从外部数据源读取数据并写入到湖中作为ODS层，具体可以参见 Paimon快速开始：基本功能。

在查询脚本文本编辑区域，输入如下SQL语句并单击左侧的运行。

CREATE DATABASE `my_catalog`.`order_dw`;

USE `my_catalog`.`order_dw`;

CREATE TABLE orders (
  order_id BIGINT,
  user_id STRING,
  shop_id BIGINT,
  product_id BIGINT,
  buy_fee BIGINT,   
  create_time TIMESTAMP,
  update_time TIMESTAMP,
  state INT
);

CREATE TABLE orders_pay (
  pay_id BIGINT,
  order_id BIGINT,
  pay_platform INT, 
  create_time TIMESTAMP
);

CREATE TABLE product_catalog (
  product_id BIGINT,
  catalog_name STRING
);

-- 插入测试数据

INSERT INTO orders VALUES
(100001, 'user_001', 12345, 1, 5000, TO_TIMESTAMP('2023-02-15 16:40:56'), TO_TIMESTAMP('2023-02-15 18:42:56'), 1),
(100002, 'user_002', 12346, 2, 4000, TO_TIMESTAMP('2023-02-15 15:40:56'), TO_TIMESTAMP('2023-02-15 18:42:56'), 1),
(100003, 'user_003', 12347, 3, 3000, TO_TIMESTAMP('2023-02-15 14:40:56'), TO_TIMESTAMP('2023-02-15 18:42:56'), 1),
(100004, 'user_001', 12347, 4, 2000, TO_TIMESTAMP('2023-02-15 13:40:56'), TO_TIMESTAMP('2023-02-15 18:42:56'), 1),
(100005, 'user_002', 12348, 5, 1000, TO_TIMESTAMP('2023-02-15 12:40:56'), TO_TIMESTAMP('2023-02-15 18:42:56'), 1),
(100006, 'user_001', 12348, 1, 1000, TO_TIMESTAMP('2023-02-15 11:40:56'), TO_TIMESTAMP('2023-02-15 18:42:56'), 1),
(100007, 'user_003', 12347, 4, 2000, TO_TIMESTAMP('2023-02-15 10:40:56'), TO_TIMESTAMP('2023-02-15 18:42:56'), 1);

INSERT INTO orders_pay VALUES
(2001, 100001, 1, TO_TIMESTAMP('2023-02-15 17:40:56')),
(2002, 100002, 1, TO_TIMESTAMP('2023-02-15 17:40:56')),
(2003, 100003, 0, TO_TIMESTAMP('2023-02-15 17:40:56')),
(2004, 100004, 0, TO_TIMESTAMP('2023-02-15 17:40:56')),
(2005, 100005, 0, TO_TIMESTAMP('2023-02-15 18:40:56')),
(2006, 100006, 0, TO_TIMESTAMP('2023-02-15 18:40:56')),
(2007, 100007, 0, TO_TIMESTAMP('2023-02-15 18:40:56'));

INSERT INTO product_catalog VALUES
  (1, 'phone_aaa'),
  (2, 'phone_bbb'),
  (3, 'phone_ccc'),
  (4, 'phone_ddd'),
  (5, 'phone_eee');

说明

本文创建的是不带主键的Paimon Append Only表，其相比于Paimon主键表具有更好的批量写入性能，但不支持基于主键的更新操作。

执行结果会包含多个子标签页，返回The following statement has been executed successfully!信息表示对应的DDL语句执行成功。

INSERT等DML语句则会返回一个JobId，表明生成了Flink作业并在Flink Session中执行，单击结果栏左侧的在Flink UI中查看，可观察到这几条SQL语句的执行情况，等待数秒至其执行完成。

探查ODS表数据。

在查询脚本文本编辑区域，输入如下SQL语句并单击左侧的运行。
```
SELECT count(*) as order_count FROM `my_catalog`.`order_dw`.`orders`;
SELECT count(*) as pay_count FROM `my_catalog`.`order_dw`.`orders_pay`;
SELECT * FROM `my_catalog`.`order_dw`.`product_catalog`;
```
这些SQL语句也会在Flink Session中执行，最终可以在3个查询的结果页面中查看返回结果。

步骤二：创建DWD和DWS表

在查询脚本文本编辑区域，输入如下SQL语句并单击左侧的运行。

USE `my_catalog`.`order_dw`;

CREATE TABLE dwd_orders (
    order_id BIGINT,
    order_user_id STRING,
    order_shop_id BIGINT,
    order_product_id BIGINT,
    order_product_catalog_name STRING,
    order_fee BIGINT,
    order_create_time TIMESTAMP,
    order_update_time TIMESTAMP,
    order_state INT,
    pay_id BIGINT,
    pay_platform INT COMMENT 'platform 0: phone, 1: pc',
    pay_create_time TIMESTAMP
) WITH (
    'sink.parallelism' = '2'
);

CREATE TABLE dws_users (
    user_id STRING,
    ds STRING,
    total_fee BIGINT COMMENT '当日完成支付的总金额'
) WITH (
    'sink.parallelism' = '2'
);

CREATE TABLE dws_shops (
    shop_id BIGINT,
    ds STRING,
    total_fee BIGINT COMMENT '当日完成支付总金额'
) WITH (
    'sink.parallelism' = '2'
);

说明

此处创建的仍然是Paimon Append Only表。Paimon表作为Flink Sink不支持自动并发推导，需要显式设置其并发度，否则可能会报错。

步骤三：创建与部署DWD和DWS作业

创建和部署DWD作业。

创建DWD表更新作业。

在数据开发 > ETL页面新建空白的批作业草稿，命名为dwd_orders，将如下SQL语句复制到文本编辑区域中。由于DWD表是Paimon Append Only表，因此此处使用INSERT OVERWRITE语句进行整体的覆写。

INSERT OVERWRITE my_catalog.order_dw.dwd_orders
SELECT 
    o.order_id,
    o.user_id,
    o.shop_id,
    o.product_id,
    c.catalog_name,
    o.buy_fee,
    o.create_time,
    o.update_time,
    o.state,
    p.pay_id,
    p.pay_platform,
    p.create_time
FROM 
    my_catalog.order_dw.orders as o, 
    my_catalog.order_dw.product_catalog as c, 
    my_catalog.order_dw.orders_pay as p
WHERE o.product_id = c.product_id AND o.order_id = p.order_id

单击页面右上方的部署，单击确定，部署dwd_orders作业。

创建和部署DWS作业。

创建DWS表更新作业。

在数据开发 > ETL页面新建两个空白的批作业草稿，分别命名为dws_shops和dws_users，将下列SQL语句分别复制到对应草稿的文本编辑区域中。

INSERT OVERWRITE my_catalog.order_dw.dws_shops
SELECT 
    order_shop_id,
    DATE_FORMAT(pay_create_time, 'yyyyMMdd') as ds,
    SUM(order_fee) as total_fee
FROM my_catalog.order_dw.dwd_orders
WHERE pay_id IS NOT NULL AND order_fee IS NOT NULL
GROUP BY order_shop_id, DATE_FORMAT(pay_create_time, 'yyyyMMdd');

INSERT OVERWRITE my_catalog.order_dw.dws_users
SELECT 
    order_user_id,
    DATE_FORMAT(pay_create_time, 'yyyyMMdd') as ds,
    SUM(order_fee) as total_fee
FROM my_catalog.order_dw.dwd_orders
WHERE pay_id IS NOT NULL AND order_fee IS NOT NULL
GROUP BY order_user_id, DATE_FORMAT(pay_create_time, 'yyyyMMdd');

单击页面右上方的部署，单击确定，部署dws_shops和dws_users作业。

步骤四：启动与查看DWD和DWS作业

启动与查看DWD作业数据。
1. 在运维中心 > 作业运维页面，在下拉框中选择批作业，单击dwd_orders作业操作列下的启动。
  
  对应批作业实例列表中，生成了一个启动中的批作业实例，如下图所示。
  
  当该作业实例的状态变为已完成时，表示数据处理完毕。
2. 探查数据结果。
  
  在查询脚本文本编辑区域，输入如下SQL语句并单击左侧的运行，查询DWD表的数据。
```
SELECT * FROM `my_catalog`.`order_dw`.`dwd_orders`;
```
  结果如下所示。
启动与查看DWS作业数据。
1. 在运维中心 > 作业运维页面，在下拉框中选择批作业，单击dws_shops和dws_users作业操作列下的启动。
2. 在查询脚本文本编辑区域，输入如下SQL语句并单击左侧的运行，查询DWS表的数据。
```
SELECT * FROM `my_catalog`.`order_dw`.`dws_shops`;
SELECT * FROM `my_catalog`.`order_dw`.`dws_users`;
```
  结果如下所示。

步骤五：通过作业编排构建批处理链路

本部分将把前面创建的作业编排成一个工作流，使得它们可以被统一的触发并有序的执行。

创建工作流。
1. 单击左侧的运维中心 > 任务编排，单击创建工作流。
2. 在弹出的面板中，填入名称wf_orders，调度类型保持不变（默认为手动触发），资源队列选择default-queue后，单击创建，进入工作流编辑页面。
3. 编辑工作流。
  1. 单击初始的节点，命名为v_dwd_orders，选取其作业为dwd_orders。
  2. 单击添加节点，创建节点v_dws_shops，选取其作业为dws_shops，上游节点为v_dwd_orders。
  3. 再次单击添加节点，创建节点v_dws_users，选取其作业为dws_users，上游节点为v_dwd_orders。
  4. 单击右上角的保存并确定。
    
    创建的工作流如下所示。
手动触发工作流运行

说明

工作流也可以被修改为定时调度的工作流，只需要在任务编排页面，单击工作流右侧的编辑工作流，将调度模式修改为周期调度即可，详情请参见任务编排（公测）。
1. 在触发工作流运行前，先给ODS表插入一些新数据，用于验证工作流的执行结果。
  
  在查询脚本文本编辑区域，输入如下SQL语句并单击左侧的运行。
```
USE `my_catalog`.`order_dw`;

INSERT INTO orders VALUES
(100008, 'user_001', 12346, 1, 10000, TO_TIMESTAMP('2023-02-15 17:40:56'), TO_TIMESTAMP('2023-02-15 18:42:56'), 1),
(100009, 'user_002', 12347, 2, 20000, TO_TIMESTAMP('2023-02-15 18:40:56'), TO_TIMESTAMP('2023-02-15 18:42:56'), 1),
(100010, 'user_003', 12348, 3, 30000, TO_TIMESTAMP('2023-02-15 19:40:56'), TO_TIMESTAMP('2023-02-15 18:42:56'), 1);

INSERT INTO orders_pay VALUES
(2008, 100008, 1, TO_TIMESTAMP('2023-02-15 20:40:56')),
(2009, 100009, 1, TO_TIMESTAMP('2023-02-15 20:40:56')),
(2010, 100010, 1, TO_TIMESTAMP('2023-02-15 20:40:56'));
```
  单击结果栏左侧的在Flink UI，观察作业状态。
2. 在运维中心 > 任务编排页面，单击上一部分创建的工作流操作列下的触发运行，单击确定，触发工作流运行。
  
  单击工作流名称，进入工作流实例列表与详情页面，可以看到工作流实例列表。
  
  单击运行中的工作流实例运行ID，即可进入工作流实例的执行详情页面，观察到各个节点的执行状态。等待整个工作流执行完成。
查看工作流执行结果
1. 在查询脚本文本编辑区域，输入如下SQL语句并单击左侧的运行。
```
SELECT * FROM `my_catalog`.`order_dw`.`dws_shops`;
SELECT * FROM `my_catalog`.`order_dw`.`dws_users`;
```
2. 查看工作流的执行结果。
  
  可以看到，ODS层新增数据经过处理已经写入DWS表中。