詳解Flink同步Kafka資料到ClickHouse分散式表

引言

業務需要一種OLAP引擎，可以做到實時寫入儲存和查詢計算功能，提供高效、穩健的實時資料服務，最終決定ClickHouse

什麼是ClickHouse？

ClickHouse是一個用於聯機分析(OLAP)的列式資料庫管理系統(DBMS)。

列式資料庫更適合於OLAP場景(對於大多數查詢而言，處理速度至少提高了100倍)，下面詳細解釋了原因(通過圖片更有利於直觀理解)，圖片來源於ClickHouse中文官方檔案。

行式

列式

我們使用Flink編寫程式，消費kafka裡面的主題資料，清洗、歸一，寫入到clickhouse裡面去。

這裡的關鍵點，由於第一次使用，無法分清應該建立什麼格式的clickhouse表，出現了一些問題，最大的問題就是程式將資料寫入了，查詢發現資料不完整，只有一部分。我也在網上查了一些原因，總結下來。

為什麼有時看不到已經建立好的表並且查詢結果一直抖動時多時少？

常見原因1：

建表流程存在問題。ClickHouse的分散式叢集搭建並沒有原生的分散式DDL語意。如果您在自建ClickHouse叢集時使用create table建立表，查詢雖然返回了成功，但實際這個表只在當前連線的Server上建立了。下次連線重置換一個Server，您就看不到這個表了。

解決方案：

建表時，請使用create table <table_name> on cluster default語句，on cluster default宣告會把這條語句廣播給default叢集的所有節點進行執行。範例程式碼如下。 Create table test on cluster default (a UInt64) Engine = MergeTree() order by tuple(); 在test表上再建立一個分散式表引擎，建表語句如下。 Create table test_dis on cluster default as test Engine = Distributed(default, default, test, cityHash64(a));

常見原因2：

ReplicatedMergeTree儲存表設定有問題。ReplicatedMergeTree表引擎是對應MergeTree表引擎的主備同步增強版，在單副本範例上限定只能建立MergeTree表引擎，在雙副本範例上只能建立ReplicatedMergeTree表引擎。

解決方案：

在雙副本範例上建表時，請使用ReplicatedMergeTree(‘/clickhouse/tables/{database}/{table}/{shard}’, ‘{replica}’)或ReplicatedMergeTree()設定ReplicatedMergeTree表引擎。其中，ReplicatedMergeTree(‘/clickhouse/tables/{database}/{table}/{shard}’, ‘{replica}’)為固定設定，無需修改。

這裡引出了複製表的概念，這裡介紹一下，只有 MergeTree 系列裡的表可支援副本：

ReplicatedMergeTree

ReplicatedSummingMergeTree

ReplicatedReplacingMergeTree

ReplicatedAggregatingMergeTree ReplicatedCollapsingMergeTree

ReplicatedVersionedCollapsingMergeTree

ReplicatedGraphiteMergeTree

副本是表級別的，不是整個伺服器級的。所以，伺服器裡可以同時有複製表和非複製表。副本不依賴分片。每個分片有它自己的獨立副本。

建立複製表

先做好準備工作，該建表的建表，然後編寫程式。在表引擎名稱上加上 Replicated 字首。例如：ReplicatedMergeTree。

• 首先建立一個分散式資料庫

create database test on cluster default_cluster;

• 建立本地表

由於clickhouse是分散式的，建立本地表本來應該在每個節點上建立的，但是指定on cluster關鍵字可以直接完成，建表語句如下：

CREATE TABLE test.test_data_shade on cluster default_cluster
(
    `data` Map(String, String),
    `uid` String,
    `remote_addr` String,
    `time` Datetime64,
    `status` Int32,
    ...其它欄位省略
    `dt` String
)
ENGINE = ReplicatedMergeTree()
partition by dt
order by (dt, sipHash64(uid));

這裡表引擎為ReplicatedMergeTree，即有副本的表，根據dt按天分割區，提升查詢效率，sipHash64是一個hash函數，根據uid雜湊使得相同uid資料在同一個分片上面，如果有去重需求，速度更快，因為可以計算每個分片去重，再彙總一下即可。

• 建立分散式表

CREATE TABLE test.test_data_all on cluster default_cluster as test.test_data_shade ENGINE = Distributed('default_cluster', 'test', 'test_data_shade', sipHash64(uid));

在多副本分散式 ClickHouse 叢集中，通常需要使用 Distributed 表寫入或讀取資料，Distributed 表引擎自身不儲存任何資料，它能夠作為分散式表的一層透明代理，在叢集內部自動開展資料的寫入、分發、查詢、路由等工作。

通過jdbc寫入

這個我是看的官方檔案，裡面有2種選擇，感興趣的同學可以都去嘗試一下。

這裡貼一下我的Pom依賴

<dependency>
    <groupId>ru.yandex.clickhouse</groupId>
    <artifactId>clickhouse-jdbc</artifactId>
    <version>0.3.1-patch</version>
    <classifier>shaded</classifier>
    <exclusions>
        <exclusion>
            <groupId>*</groupId>
            <artifactId>*</artifactId>
        </exclusion>
    </exclusions>
</dependency>

Flink主程式，消費kafka，做清洗，然後寫入clickhouse，這都是常規操作，這裡貼一下關鍵程式碼吧。

連線clickhouse有2種方式，8123埠的http方式，和基於9000埠的tcp方式。

這裡官方推薦的是連線驅動是0.3.2：

<dependency>
    <!-- please stop using ru.yandex.clickhouse as it's been deprecated -->
    <groupId>com.clickhouse</groupId>
    <artifactId>clickhouse-jdbc</artifactId>
    <version>0.3.2-patch11</version>
    <classifier>all</classifier>
    <exclusions>
        <exclusion>
            <groupId>*</groupId>
            <artifactId>*</artifactId>
        </exclusion>
    </exclusions>
</dependency>

Note: ru.yandex.clickhouse.ClickHouseDriver has been deprecated and everything under ru.yandex.clickhouse will be removed in 0.3.3.

官方推薦升級到0.3.2，上面表格給出了升級方法，檔案地址：

github.com/ClickHouse/…

以上就是詳解Flink同步Kafka資料到ClickHouse分散式表的詳細內容，更多關於Flink資料同步Kafka ClickHouse的資料請關注it145.com其它相關文章！