Delta Lake如何实现CDC实时入湖,相信很多没有经验的人对此束手无策,为此本文总结了问题出现的原因和解决方法,通过这篇文章希望你能解决这个问题。
什么是CDC
Change Data Capture(CDC)用来跟踪捕获数据源的数据变化,并将这些变化同步到目标存储(如数据湖或数据仓库),用于数据备份或后续分析,同步过程可以是分钟/小时/天等粒度,也可以是实时同步。CDC方案分为侵入式(intrusive manner)和非倾入性(non-intrusive manner)两种。
侵入式
侵入式方案直接请求数据源系统(如通过JDBC读取数据),会给数据源系统带来性能压力。常见的方案如下:
最后更新时间(Last Modified)
源表需要有修改时间列,同步作业需要指定最后修改时间参数,表明同步某个时间点之后变更的数据。该方法不能同步删除记录的变更,同一条记录多次变更只能记录最后一次。
自增id列
源表需要有一个自增id列,同步作业需要指定上次同步的最大id值,同步上次之后新增的记录行。该方法也不能同步删除记录的变更,而且老记录的变更也无法感知。
非侵入式
非侵入性一般通过日志的方式记录数据源的数据变化(如数据库的binlog),源库需要开启binlog的功能。数据源的每次操作都会被记录到binlog中(如insert/update/delete等),能够实时跟踪数据插入/删除/数据多次更新/DDL操作等。
示例:
insert into table testdb.test values("hangzhou",1);update testdb.test set b=2 where a="hangzhou";update testdb.test set b=3 where a="hangzhou";delete from testdb.test where a="hangzhou";
通过将binlog日志有序的回放到目标存储中,从而实现对数据源的数据导出同步功能。
常见的CDC方案实现
开源常见的CDC方案实现主要有两种:
Sqoop离线同步
sqoop是一个开源的数据同步工具,它可以将数据库的数据同步到HDFS/Hive中,支持全量同步和增量同步,用户可以配置小时/天的调度作业来定时同步数据。
sqoop增量同步是一种侵入式的CDC方案,支持Last Modified和Append模式。
缺点:
直接jdbc请求源库拉取数据,影响源库性能
小时/天调度,实时性不高
无法同步源库的删除操作,Append模式还不支持数据更新操作
binlog实时同步
binlog日志可以通过一些工具实时同步到kafka等消息中间件中,然后通过Spark/Flink等流引擎实时的回放binlog到目标存储(如Kudu/HBase等)。
缺点:
Kudu/HBase运维成本高
Kudu在数据量大的有稳定性问题, HBase不支持高吞吐的分析
Spark Streaming实现回放binlog逻辑复杂,使用java/scala代码具有一定门槛
Streaming SQL+Delta Lake实时入湖方案
前面介绍了两种常见的CDC方案,各自都有一些缺点。阿里云E-MapReduce团队提供了一种新的CDC解决方案,利用自研的Streaming SQL搭配Delta Lake可以轻松实现CDC实时入湖。这套解决方案同时通过阿里云最新发布的数据湖构建(Data Lake Formation,DLF)服务提供一站式的入湖体验。
Streaming SQL
Spark Streaming SQL在Spark Structured Streaming之上提供了SQL能力,降低了实时业务开发的门槛,使得离线业务实时化更简单方便。
下面以实时消费SLS为例:
# 创建loghub源表 spark-sql>, CREATE TABLE  loghub_intput_tbl (content 字符串) ,,,,,,,,在USING loghub ,,,,,,,,在选项 ,,,,,,,,祝辞,(…), #,创建三角洲目标表 spark-sql>, CREATE TABLE  delta_output_tbl (content 字符串) ,,,,,,,,在USING 三角洲 ,,,,,,,,在选项 ,,,,,,,,祝辞,(…); #,创建流式扫描 spark-sql> CREATE SCAN loghub_table_intput_test_stream ,,,,,,,,的在提醒;loghub_intput_tbl ,,,,,,,,祝辞,USING 流; #,将loghub源表数据插入三角洲目标表,,,,,,,,, spark-sql>, INSERT INTO  delta_output_tbl SELECT content 得到loghub_table_intput_test_stream;三角洲湖如何实现疾控中心实时入湖