在上一篇文章中，我们已经把客户端的页面日志，启动日志，曝光日志分别发送到kafka对应的主题中。在本文中，我们将把业务数据也发送到对应的kafka主题中。通过maxwell采集业务数据变化，相当于是ods数据，把采集的数据发送到kafka的topic（ods_base_db_m）中，然后flink从kafka消费数据，这个过程有维度数据，就放到hbase中，其他事实数据再发送给kafka作为dwd层。flink消费kafka数据可以做一些简单的ETL处理，比如过滤空值，长度限制。 在上一篇文章中，我们已经把客户端的页面日志，启动日志，曝光日志分别发送到kafka对应的主题中。在本文中，我们将把业务数据也发送到对应的kafka主题中。
通过maxwell采集业务数据变化，相当于是ods数据，把采集的数据发送到kafka的topic（ods_base_db_m）中，然后flink从kafka消费数据，这个过程有维度数据，就放到hbase中，其他事实数据再发送给kafka作为dwd层。flink消费kafka数据可以做一些简单的ETL处理，比如过滤空值，长度限制。
项目地址：https://github.com/zhangbaohpu/gmall-flink-parent/tree/master/gmall-realtime
在模块 gmall-realtime 的dwd包下创建类：BaseDbTask.java
具体步骤就看代码了
import com.alibaba.fastjson.JSON;import com.alibaba.fastjson.JSONObject;import com.zhangbao.gmall.realtime.utils.MyKafkaUtil;import org.apache.flink.runtime.state.filesystem.FsStateBackend;import org.apache.flink.streaming.api.CheckpointingMode;import org.apache.flink.streaming.api.datastream.DataStreamSource;import org.apache.flink.streaming.api.datastream.SingleOutputStreamOperator;import org.apache.flink.streaming.api.environment.LocalStreamEnvironment;import org.apache.flink.streaming.api.environment.StreamExecutionEnvironment;import org.apache.flink.streaming.connectors.kafka.FlinkKafkaConsumer;?/** * 从kafka读取业务数据 * @author: zhangbao * @date: 2021/8/15 21:10 * @desc: **/public class BaseDbTask { public static void main(String[] args) { //1.获取flink环境 LocalStreamEnvironment env = StreamExecutionEnvironment.createLocalEnvironment(); //设置并行度 env.setParallelism(4); //设置检查点 env.enableCheckpointing(5000, CheckpointingMode.EXACTLY_ONCE); env.getCheckpointConfig().setCheckpointTimeout(60000); env.setStateBackend(new FsStateBackend("hdfs://hadoop101:9000/gmall/flink/checkpoint/baseDbApp")); //指定哪个用户读取hdfs文件 System.setProperty("HADOOP_USER_NAME","zhangbao");? //2.从kafka获取topic数据 String topic = "ods_base_db_m"; String group = "base_db_app_group"; FlinkKafkaConsumer<String> kafkaSource = MyKafkaUtil.getKafkaSource(topic, group); DataStreamSource<String> jsonStrDs = env.addSource(kafkaSource);? //3.对数据进行json转换 SingleOutputStreamOperator<JSONObject> jsonObjDs = jsonStrDs.map(jsonObj -> JSON.parseObject(jsonObj));? //4.ETL, table不为空，data不为空，data长度不能小于3 SingleOutputStreamOperator<JSONObject> filterDs = jsonObjDs.filter(jsonObject -> jsonObject.getString("table") != null && jsonObject.getJSONObject("data") != null && jsonObject.getString("data").length() > 3);? filterDs.print("json str --->>");? try { env.execute("base db task"); } catch (Exception e) { e.printStackTrace(); } }}由于MaxWell是把全部数据统一写入一个Topic中, 这样显然不利于日后的数据处理。所以需要把各个表拆开处理。但是由于每个表有不同的特点，有些表是维度表，有些表是事实表，有的表既是事实表在某种情况下也是维度表。
在实时计算中一般把维度数据写入存储容器，一般是方便通过主键查询的数据库比如HBase,Redis,MySQL 等。一般把事实数据写入流中，进行进一步处理，最终形成宽表。但是作为 Flink 实时计算任务，如何得知哪些表是维度表，哪些是事实表呢？而这些表又应该采集哪些字段呢？
我们可以将上面的内容放到某一个地方，集中配置。这样的配置不适合写在配置文件中，因为业务端随着需求变化每增加一张表，就要修改配置重启计算程序。所以这里需要一种动态配置方案，把这种配置长期保存起来，一旦配置有变化，实时计算可以自动感知。
这种可以有两个方案实现
一种是用 Zookeeper 存储，通过 Watch 感知数据变化。
另一种是用 mysql 数据库存储，周期性的同步或使用flink-cdc实时同步。
这里选择第二种方案，周期性同步，flink-cdc方式可自行尝试，主要是 mysql 对于配置数据初始化和维护管理，用 sql 都比较方便，虽然周期性操作时效性差一点，但是配置变化并不频繁。
所以就有了如下图：
业务数据保存到Kafka 的主题中，维度数据保存到Hbase 的表中。
① 在 gmall-realtime 模块添加依赖
<!--lomback 插件依赖--><dependency> <groupId>org.projectlombok</groupId> <artifactId>lombok</artifactId> <version>1.18.12</version> <scope>provided</scope></dependency><!--commons-beanutils 是 Apache 开源组织提供的用于操作 JAVA BEAN 的工具包。使用 commons-beanutils，我们可以很方便的对 bean 对象的属性进行操作--><dependency> <groupId>commons-beanutils</groupId> <artifactId>commons-beanutils</artifactId> <version>1.9.3</version></dependency><!--Guava 工程包含了若干被 Google 的 Java 项目广泛依赖的核心库,方便开发--><dependency> <groupId>com.google.guava</groupId> <artifactId>guava</artifactId> <version>29.0-jre</version></dependency><dependency> <groupId>mysql</groupId> <artifactId>mysql-connector-java</artifactId> <version>5.1.47</version></dependency>② 单独创建数据库gmall2021_realtime
create database gmall2021_realtime;?CREATE TABLE `table_process` (`source_table` varchar(200) NOT NULL COMMENT '来源表',`operate_type` varchar(200) NOT NULL COMMENT '操作类型 insert,update,delete',`sink_type` varchar(200) DEFAULT NULL COMMENT '输出类型 hbase kafka',`sink_table` varchar(200) DEFAULT NULL COMMENT '输出表(主题)',`sink_columns` varchar(2000) DEFAULT NULL COMMENT '输出字段',`sink_pk` varchar(200) DEFAULT NULL COMMENT '主键字段',`sink_extend` varchar(200) DEFAULT NULL COMMENT '建表扩展',PRIMARY KEY (`source_table`,`operate_type`)) ENGINE=InnoDB DEFAULT CHARSET=utf8;③ 创建实体类
package com.zhangbao.gmall.realtime.bean;import lombok.Data;/** * @author: zhangbao * @date: 2021/8/22 13:06 * @desc: **/@Datapublic class TableProcess { //动态分流 Sink 常量 改为小写和脚本一致 public static final String SINK_TYPE_HBASE = "hbase"; public static final String SINK_TYPE_KAFKA = "kafka"; public static final String SINK_TYPE_CK = "clickhouse";? //来源表 private String sourceTable; //操作类型 insert,update,delete private String operateType; //输出类型 hbase kafka private String sinkType; //输出表(主题) private String sinkTable; //输出字段 private String sinkColumns; //主键字段 private String sinkPk; //建表扩展 private String sinkExtend;}④ mysql工具类
package com.zhangbao.gmall.realtime.utils;import com.google.common.base.CaseFormat;import com.zhangbao.gmall.realtime.bean.TableProcess;import org.apache.commons.beanutils.BeanUtils;import org.apache.commons.lang.reflect.FieldUtils;import java.sql.*;import java.util.ArrayList;import java.util.List;/** * @author: zhangbao * @date: 2021/8/22 13:09 * @desc: **/public class MysqlUtil {? private static final String DRIVER_NAME = "com.mysql.jdbc.Driver"; private static final String URL = "jdbc:mysql://192.168.88.71:3306/gmall2021_realtime?characterEncoding=utf-8&useSSL=false&serverTimezone=GMT%2B8"; private static final String USER_NAME = "root"; private static final String USER_PWD = "123456";? public static void main(String[] args) { String sql = "select * from table_process"; List<TableProcess> list = getList(sql, TableProcess.class, true); for (TableProcess tableProcess : list) { System.out.println(tableProcess.toString()); } }? public static <T> List<T> getList(String sql,Class<T> clz, boolean under){ Connection conn = null; PreparedStatement ps = null; ResultSet rs = null; try { Class.forName(DRIVER_NAME); conn = DriverManager.getConnection(URL, USER_NAME, USER_PWD); ps = conn.prepareStatement(sql); rs = ps.executeQuery(); List<T> resultList = new ArrayList<>(); ResultSetMetaData metaData = rs.getMetaData(); int columnCount = metaData.getColumnCount(); while (rs.next()){ System.out.println(rs.getObject(1)); T obj = clz.newInstance(); for (int i = 1; i <= columnCount; i++) { String columnName = metaData.getColumnName(i); String propertyName = ""; if(under){ //指定数据库字段转换为驼峰命名法，guava工具类 propertyName = CaseFormat.LOWER_UNDERSCORE.to(CaseFormat.LOWER_CAMEL,columnName); } //通过guava工具类设置属性值 BeanUtils.setProperty(obj,propertyName,rs.getObject(i)); } resultList.add(obj); } return resultList; } catch (Exception throwables) { throwables.printStackTrace(); new RuntimeException("msql 查询失败！"); } finally { if(rs!=null){ try { rs.close(); } catch (SQLException throwables) { throwables.printStackTrace(); } } if(ps!=null){ try { ps.close(); } catch (SQLException throwables) { throwables.printStackTrace(); } } if(conn!=null){ try { conn.close(); } catch (SQLException throwables) { throwables.printStackTrace(); } } } return null; }}
如图定义一个mapFunction函数
1.在open方法中初始化配置信息，并周期开启一个任务刷新配置
2.在任务中根据配置创建数据表
3.分流
主任务流程
package com.zhangbao.gmall.realtime.app.dwd;import com.alibaba.fastjson.JSON;import com.alibaba.fastjson.JSONObject;import com.zhangbao.gmall.realtime.app.func.TableProcessFunction;import com.zhangbao.gmall.realtime.bean.TableProcess;import com.zhangbao.gmall.realtime.utils.MyKafkaUtil;import org.apache.flink.runtime.state.filesystem.FsStateBackend;import org.apache.flink.streaming.api.CheckpointingMode;import org.apache.flink.streaming.api.datastream.DataStream;import org.apache.flink.streaming.api.datastream.DataStreamSource;import org.apache.flink.streaming.api.datastream.SingleOutputStreamOperator;import org.apache.flink.streaming.api.environment.LocalStreamEnvironment;import org.apache.flink.streaming.api.environment.StreamExecutionEnvironment;import org.apache.flink.streaming.connectors.kafka.FlinkKafkaConsumer;import org.apache.flink.util.OutputTag;?/** * 从kafka读取业务数据 * @author: zhangbao * @date: 2021/8/15 21:10 * @desc: **/public class BaseDbTask { public static void main(String[] args) { //1.获取flink环境 LocalStreamEnvironment env = StreamExecutionEnvironment.createLocalEnvironment(); //设置并行度 env.setParallelism(4); //设置检查点 env.enableCheckpointing(5000, CheckpointingMode.EXACTLY_ONCE); env.getCheckpointConfig().setCheckpointTimeout(60000); env.setStateBackend(new FsStateBackend("hdfs://hadoop101:9000/gmall/flink/checkpoint/baseDbApp")); //指定哪个用户读取hdfs文件 System.setProperty("HADOOP_USER_NAME","zhangbao");? //2.从kafka获取topic数据 String topic = "ods_base_db_m"; String group = "base_db_app_group"; FlinkKafkaConsumer<String> kafkaSource = MyKafkaUtil.getKafkaSource(topic, group); DataStreamSource<String> jsonStrDs = env.addSource(kafkaSource);? //3.对数据进行json转换 SingleOutputStreamOperator<JSONObject> jsonObjDs = jsonStrDs.map(jsonObj -> JSON.parseObject(jsonObj));? //4.ETL, table不为空，data不为空，data长度不能小于3 SingleOutputStreamOperator<JSONObject> filterDs = jsonObjDs.filter(jsonObject -> jsonObject.getString("table") != null && jsonObject.getJSONObject("data") != null && jsonObject.getString("data").length() > 3);? //5.动态分流，事实表写会kafka，维度表写入hbase OutputTag<JSONObject> hbaseTag = new OutputTag<JSONObject>(TableProcess.SINK_TYPE_HBASE){}; //创建自定义mapFunction函数 SingleOutputStreamOperator<JSONObject> kafkaTag = filterDs.process(new TableProcessFunction(hbaseTag));? DataStream<JSONObject> hbaseDs = kafkaTag.getSideOutput(hbaseTag);? filterDs.print("json str --->>");? try { env.execute("base db task"); } catch (Exception e) { e.printStackTrace(); } }}创建TableProcessFunction自定义任务
这里包括上面说的四个步骤
初始化并周期读取配置数据
执行每条数据
过滤字段
标记数据流向，根据配置写入对应去向，维度数据就写入hbase，事实数据就写入kafka
package com.zhangbao.gmall.realtime.app.func;import com.alibaba.fastjson.JSONObject;import com.zhangbao.gmall.realtime.bean.TableProcess;import com.zhangbao.gmall.realtime.common.GmallConfig;import com.zhangbao.gmall.realtime.utils.MysqlUtil;import lombok.extern.log4j.Log4j2;import org.apache.commons.lang3.StringUtils;import org.apache.flink.configuration.Configuration;import org.apache.flink.streaming.api.functions.ProcessFunction;import org.apache.flink.util.Collector;import org.apache.flink.util.OutputTag;import java.sql.Connection;import java.sql.DriverManager;import java.sql.PreparedStatement;import java.sql.SQLException;import java.util.*;?/** * @author: zhangbao * @date: 2021/8/26 23:24 * @desc: **/@Log4j2(topic = "gmall-logger")public class TableProcessFunction extends ProcessFunction<JSONObject,JSONObject> { //定义输出流标记 private OutputTag<JSONObject> outputTag; //定义配置信息 private Map<String , TableProcess> tableProcessMap = new HashMap<>(); //在内存中存放已经创建的表 Set<String> existsTable = new HashSet<>(); //phoenix连接对象 Connection con = null;? public TableProcessFunction(OutputTag<JSONObject> outputTag) { this.outputTag = outputTag; }? //只执行一次 @Override public void open(Configuration parameters) throws Exception { //初始化配置信息 log.info("查询配置表信息"); //创建phoenix连接 Class.forName("org.apache.phoenix.jdbc.PhoenixDriver"); con = DriverManager.getConnection(GmallConfig.PHOENIX_SERVER); refreshDate(); //启动一个定时器，每隔一段时间重新获取配置信息 //delay：延迟5000执行，每隔5000执行一次 Timer timer = new Timer(); timer.schedule(new TimerTask() { @Override public void run() { refreshDate(); } },5000,5000); }? //每进来一个元素，执行一次 @Override public void processElement(JSONObject jsonObj, Context context, Collector<JSONObject> collector) throws Exception { //获取表的修改记录 String table = jsonObj.getString("table"); String type = jsonObj.getString("type"); JSONObject data = jsonObj.getJSONObject("data"); if(type.equals("bootstrap-insert")){ //maxwell更新历史数据时，type类型是bootstrap-insert type = "insert"; jsonObj.put("type",type); } if(tableProcessMap != null && tableProcessMap.size()>0){ String key = table + ":" + type; TableProcess tableProcess = tableProcessMap.get(key); if(tableProcess!=null){ //数据发送到何处，如果是维度表，就发送到hbase，如果是事实表，就发送到kafka String sinkType = tableProcess.getSinkType(); jsonObj.put("sink_type",sinkType); String sinkColumns = tableProcess.getSinkColumns(); //过滤掉不要的数据列，sinkColumns是需要的列 filterColumns(data,sinkColumns);? }else { log.info("no key {} for mysql",key); } if(tableProcess!=null && tableProcess.getSinkType().equals(TableProcess.SINK_TYPE_HBASE)){ //根据sinkType判断，如果是维度表就分流，发送到hbase context.output(outputTag,jsonObj); }else if(tableProcess!=null && tableProcess.getSinkType().equals(TableProcess.SINK_TYPE_KAFKA)){ //根据sinkType判断，如果是事实表就发送主流，发送到kafka collector.collect(jsonObj); }? } }? //过滤掉不要的数据列，sinkColumns是需要的列 private void filterColumns(JSONObject data, String sinkColumns) { String[] cols = sinkColumns.split(","); //转成list集合，用于判断是否包含需要的列 List<String> columnList = Arrays.asList(cols); Set<Map.Entry<String, Object>> entries = data.entrySet(); Iterator<Map.Entry<String, Object>> iterator = entries.iterator(); while (iterator.hasNext()){ Map.Entry<String, Object> next = iterator.next(); String key = next.getKey(); //如果不包含就删除不需要的列 if(!columnList.contains(key)){ iterator.remove(); } } }? //读取配置信息，并创建表 private void refreshDate() { List<TableProcess> processList = MysqlUtil.getList("select * from table_process", TableProcess.class, true); for (TableProcess tableProcess : processList) { String sourceTable = tableProcess.getSourceTable(); String operateType = tableProcess.getOperateType(); String sinkType = tableProcess.getSinkType(); String sinkTable = tableProcess.getSinkTable(); String sinkColumns = tableProcess.getSinkColumns(); String sinkPk = tableProcess.getSinkPk(); String sinkExtend = tableProcess.getSinkExtend(); String key = sourceTable+":"+operateType; tableProcessMap.put(key,tableProcess); //在phoenix创建表 if(TableProcess.SINK_TYPE_HBASE.equals(sinkType) && operateType.equals("insert")){ boolean noExist = existsTable.add(sinkTable);//true则表示没有创建表 if(noExist){ createTable(sinkTable,sinkColumns,sinkPk,sinkExtend); } } } }? //在phoenix中创建表 private void createTable(String table, String columns, String pk, String ext) { if(StringUtils.isBlank(pk)){ pk = "id"; } if(StringUtils.isBlank(ext)){ ext = ""; } StringBuilder sql = new StringBuilder("create table if not exists " + GmallConfig.HBASE_SCHEMA + "." + table +"("); String[] split = columns.split(","); for (int i = 0; i < split.length; i++) { String field = split[i]; if(pk.equals(field)){ sql.append(field + " varchar primary key "); }else { sql.append("info." + field +" varchar "); } if(i < split.length-1){ sql.append(","); } } sql.append(")").append(ext); //创建phoenix表 PreparedStatement ps = null; try { log.info("创建phoenix表sql - >{}",sql.toString()); ps = con.prepareStatement(sql.toString()); ps.execute(); } catch (SQLException throwables) { throwables.printStackTrace(); }finally { if(ps!=null){ try { ps.close(); } catch (SQLException throwables) { throwables.printStackTrace(); throw new RuntimeException("创建phoenix表失败"); } } } if(tableProcessMap == null || tableProcessMap.size()==0){ throw new RuntimeException("没有从配置表中读取配置信息"); } }}flink程序在运行时，有错误会抛出异常，程序就停止了，但当开始checkpoint检查点时，flink重启策略就是开启的，如果程序出现异常了，程序就会一直重启，并且重启次数是Integer.maxValue，这个过程也看不到错误信息，是很不友好的。
flink可以设置重启策略，所以在我们开启checkpoint检查点时，设置不需要重启就可以看到错误信息了:
env.setRestartStrategy(RestartStrategies.noRestart());
下面我们测试一下。
package com.zhangbao.gmall.realtime.app.dwd;?import com.alibaba.fastjson.JSON;import com.alibaba.fastjson.JSONObject;import com.zhangbao.gmall.realtime.app.func.TableProcessFunction;import com.zhangbao.gmall.realtime.bean.TableProcess;import com.zhangbao.gmall.realtime.utils.MyKafkaUtil;import org.apache.flink.api.common.restartstrategy.RestartStrategies;import org.apache.flink.runtime.executiongraph.restart.RestartStrategy;import org.apache.flink.runtime.state.filesystem.FsStateBackend;import org.apache.flink.streaming.api.CheckpointingMode;import org.apache.flink.streaming.api.datastream.DataStream;import org.apache.flink.streaming.api.datastream.DataStreamSource;import org.apache.flink.streaming.api.datastream.SingleOutputStreamOperator;import org.apache.flink.streaming.api.environment.LocalStreamEnvironment;import org.apache.flink.streaming.api.environment.StreamExecutionEnvironment;import org.apache.flink.streaming.connectors.kafka.FlinkKafkaConsumer;import org.apache.flink.util.OutputTag;?/** * 从kafka读取业务数据 * @author: zhangbao * @date: 2021/8/15 21:10 * @desc: **/public class Test { public static void main(String[] args) { //1.获取flink环境 LocalStreamEnvironment env = StreamExecutionEnvironment.createLocalEnvironment(); //设置并行度 env.setParallelism(4); //设置检查点 env.enableCheckpointing(5000, CheckpointingMode.EXACTLY_ONCE); env.getCheckpointConfig().setCheckpointTimeout(60000); env.setStateBackend(new FsStateBackend("hdfs://hadoop101:9000/gmall/flink/checkpoint/baseDbApp")); //指定哪个用户读取hdfs文件 System.setProperty("HADOOP_USER_NAME","zhangbao"); //flink重启策略， // 如果开启上面的checkpoint，重启策略就是自动重启，程序有问题不会有报错， // 如果没有开启checkpoint，就不会自动重启，所以这里设置不需要重启，就可以查看错误信息 env.setRestartStrategy(RestartStrategies.noRestart());? //2.从kafka获取topic数据 String topic = "ods_base_db_m"; String group = "test_group"; FlinkKafkaConsumer<String> kafkaSource = MyKafkaUtil.getKafkaSource(topic, group); DataStreamSource<String> jsonStrDs = env.addSource(kafkaSource);? jsonStrDs.print("转换前-->"); //3.对数据进行json转换 SingleOutputStreamOperator<JSONObject> jsonObjDs = jsonStrDs.map(jsonObj ->{ System.out.println(4/0); JSONObject jsonObject = JSON.parseObject(jsonObj); return jsonObject; });? jsonObjDs.print("转换后-->");? try { env.execute("base db task"); } catch (Exception e) { e.printStackTrace(); } }}在程序对数据进行转换过程中，我们加了 System.out.println(4/0); 这样一行代码，肯定会抛出异常的。
在设置不需要重启后，就可以看到错误信息了，当你把设置不需要重启一行代码注释掉，就会发现程序是一直在运行中的，并且没有任何错误信息。
在实际应用中，根据需要可以自行设置。