基于 Paimon 的袋鼠云实时湖仓入湖实战剖析
在当今数据驱动的时代，企业对数据的实施性能力提出了前所未有的高要求。为了应对这一挑战，构建高效、灵活且可扩展的实时湖仓成为数字化转型的关键。本文将深入探讨袋鼠云数栈如何通过三大核心实践——ChunJun 融合 Flink CDC、MySQL 一键入湖至 Paimon 的实践，以及湖仓一体治理 Paimon 的实践，重塑实时湖仓的架构与管理，为企业打造实时数据分析的新引擎。
ChunJun 融合 Flink CDC
Flink CDC（Change Data Capture）是由 Apache Flink 提供的一个流数据集成工具，它允许用户通过 YAML 文件优雅地定义 ETL（Extract, Transform, Load）流程，并自动生成定制化的 Flink 算子和提交 Flink 作业。
Flink CDC 的核心特性包括：端到端数据集成框架、易于构建作业的 API、多表支持、整库同步精确一次语义、增量快照算法等诸多特性。ChunJun 融合 Flink CDC 能够更好支持数据的入湖入仓，带来了多方面的变化：
· 高吞吐、低延迟：Flink CDC 能够以高吞吐量和低延迟的方式捕获和传输数据库的变更
· 全增量一体化：Flink CDC 支持全量数据和增量数据的同步，无需手动操作即可实现全量快照与增量日志的自动衔接
· 支持异构数据源：Flink CDC 支持多种数据源，可以轻松实现异构数据源的集成，通过 Flink SQL 定义不同类型的 CDC 表，实现数据融合
· 实时性：支持近实时的数据同步，满足对数据时效性要求高的场景
· 链路短组件少：Flink CDC 的架构设计让整个数据捕获和处理的链路变得更为简洁，所涉及的组件数量相对有限，这不但降低了系统的繁杂程度，还削减了学习与运维的成本
MySQL 一键入湖 Paimon 实践
ChunJun 融合 Flink CDC 增加了实时湖仓数据接入的方式，结合 FLink CDC 提供的 MySQL 数据到 Paimon 的数据同步能力，能够高效地将 MySQL 表数据实时写入 Paimon 中。在融合的同时，还支持历史 Json 格式构建任务、脏数据、Mertic、表血缘、可视化配置等功能。
接下来通过内部实践案例进行深入分析。
● 采集配置 Flink CDC 来源
实时采集配置 Flink CDC 来源为 MySQL 时，向导模式配置还原范围采用全量+增量模式。
首先，对数据库表进行全表快照读取，生成数据的一致性快照，以同步来源表的历史全量数据。在全量快照读取完成后，会自动切换至增量模式，对数据库的增量变化进行采集。表选择的方式多样，支持整库同步、分库分表同步、单表选择同步，同时也支持通过正则的方式选择表。
对于 DDL 变更，当上游产生 DDL 操作时，若选择支持，下游会自动执行；若选择不支持，则对上游产生的 DDL 做异常捕获，此时任务会失败。搭配告警功能，可及时告知出现异常的情况。出现异常后，需要手动执行 DDL 操作，任务才能恢复正常运行。
● 采集配置目标端
目标源通过 HiveMetastore 方式配置目标 Paimon 表。写入表的方式具有一定灵活性，支持手动选择表。对于上游存在多表写入同一下游表的场景，有一定要求，必须保证上下游表结构保持一致。
同时，支持使用相同表名、自定义表名的方式。在同步前，会先创建写入的目标表，如果已存在，则直接使用现成表。表分区方面，通过输入固定的语法，将对应上游的主键表字段作为目标 Piamon 表的分区字段。
● 调度运行采集任务
实时采集任务在通过语法检查后，提交至调度运维中运行。采集任务的指标包括 Mertic 输入输出指标展示、脏数据指标以及数据血缘解析等。
● 查询入湖数据
通过实时平台中 FlinkSQL 任务所提供的功能，对 Paimon 表进行查询并插入数据。利用 FlinkSQL 的 SqlQuery 功能构建 Select 查询语句，并采用流模式实时查询 Paimon 表，以采集插入数据的情况。
湖仓一体治理 Paimon 实践
在构建和维护数据湖与数据仓库（湖仓）的一体化架构进程中，袋鼠云凭借湖仓治理机制，不断推进实时数据湖的优化与完备。
然而，Paimon 在数据处理期间可能会引发数据碎片化的问题，像小文件的急剧增多、过时快照的持续累积以及孤儿文件的出现，这些状况均有可能给数据湖表的读写效率带来极为显著的不良影响。
为有效应对这一挑战，袋鼠云于数栈湖仓一体中引入了文件治理机制，支持定期开展数据整理操作，例如合并小文件、清理过期的数据快照以及清除孤儿文件等。此类治理活动旨在增强数据湖的整体读写性能，保障数据流的高效运行和分析工作的顺利开展。借由这些数据治理手段，袋鼠云能够为湖仓架构的稳定性和性能提供稳固支撑，进而助力企业在大数据时代实现敏捷决策和深度洞察。
元数据管理
● Paimon 分区概览
Paimon 运用了与 Apache Hive 相同的分区理念来对数据进行分离。分区属于一种可选的形式，能够依据日期、城市和部门等特定列的值，将表划分成相关的部分。每个表能够拥有一个或多个分区键，以识别某一特定的分区。分区概览会展示分区的数据记录、文件数量以及文件的大小，并且支持对分区的删除操作。
● Paimon 快照概览
快照记录了一个表在某一特定时间点的状态。用户能够借助最新的快照获取一个表的最新数据。利用时间旅行，用户还可以通过较早的快照访问表的先前状态。快照概览展示了当前表的所有快照、最新 snapshot，支持手动创建标签并在列表中展示引用关系，同时支持快照的删除和回滚操作。
● Paimon 标签概览
标签是对快照的引用，能够基于某个特定快照创建。用户能够在特定的快照上添加标签，如此一来，即便快照过期且被删除，只要标签仍然存在，就能够通过标签访问到相应的数据。标签概览展示了表的所有历史标签版本、标签与快照的引用关系，并且支持标签的删除操作。
湖表治理
● Paimon 小文件合并
随着时间的不断推移，持续的写入操作或许会产生大量的小文件，这将致使查询性能降低，原因在于系统需要打开并读取更多的文件。Compaction 能够通过合并这些小文件，从而减少文件的总数。在数据文件治理中，支持对 Paimon Table、Database 的小文件进行治理。
Compaction Table 支持三种排序策略，通过配置不同的治理方式，支持周期性地对表进行治理。Compaction Database 支持对单个或者多个库执行文件的合并操作。
● Paimon 孤儿文件清理
孤儿文件指的是那些不再被任何快照所引用的文件，其可能因异常的写入操作、未完成的事务或者错误的删除操作而出现。清理此类孤儿文件是维系数据湖健康状态的关键环节，毕竟它们会占据存储空间。
袋鼠云实时湖仓能够通过配置表的孤儿文件清理策略，支持清理 24 小时以前的孤儿文件，同时还能够通过配置周期治理，实现周期性地对孤儿文件进行治理。
● Paimon 过期快照清理
Paimon Writer 在每次提交数据时，会生成一个或两个快照。这些快照可能包含新增的数据文件，也可能将一些旧的数据文件标记为删除。需要注意的是，即使数据文件被标记为删除，它们也不会立即从物理存储中真正删除。通过配置过期快照清理和过期快照保留数量，可以对快照进行物理存储的删除操作。
一键 Hive 表转 Paimon 表
● 原地转表
使用 Spark 内置的 migrate_table 进行表迁移时，会先创建一个临时的 Paimon 表，然后将源表的文件直接移动到该临时表中，接着对临时 Paimon 表进行 rename 操作，使其表名与源表一致，这样原来的 Hive 表就不再存在。
● New 新表
袋鼠云实时湖仓自定义了一个全新的存储过程 migrate_to_target_table ，该存储过程会读取源表的数据，创建目标 Target 表，并把源表的数据写入到新创建的 Target 表中，在此过程中原有的 Hive 表依然得以保留。
《行业指标体系白皮书》下载地址：https://www.dtstack.com/resources/1057?src=szsm
《数栈产品白皮书》下载地址：https://www.dtstack.com/resources/1004?src=szsm
《数据治理行业实践白皮书》下载地址：https://www.dtstack.com/resources/1001?src=szsm
想了解或咨询更多有关大数据产品、行业解决方案、客户案例的朋友，浏览袋鼠云官网：https://www.dtstack.com/?src=szbky
