flink平台项目-cnblog

# flink平台项目

目录

• 架构
• 以前架构
• 现在架构的说明
• CDH&集群规模
• 人员配备
• 开发周期
• 为什么用flinkcdc
• 项目好处
• 千表入湖工具
• flink操作hive
• flink集成hive的步骤
• flinksql 数据源为kafka
• flink读写sql有两种模式
• Temporal Join(时态表join)
• lookup join
• 常见面试题

title: flink平台项目
date: 2023-01-30T11:26:01Z
lastmod: 2023-02-02T19:27:41Z

---

架构

以前架构

问题:

• 需要第三方组件进行持久化,需要增加维护的工作量
• kafka计算的各分层数据存储在kafka集群中,增加持久化的链路
• Debezium 定继单节点 出现单点故障
• hbase存储的时候, kv键值对 , rowkey是主键,使用rowkey查询非常快,但是与非主键数据拉宽,效率较低

比如id 是rowkey,name不是rowkey ,关联name的时候不是rowkey,关联的时候就不快(可以使用二级索引(phenx)加快)

‍

现在架构的说明

dinky 千表入湖

hudi = kafka + hive(操作的是hdfs)

海量数据不丢失

hudi分钟级 准实时. T+1延迟问题得到解决

读取schema不再需要严格定义schema类型

支持数据库表结构的变化

hudi新版本现在支持外部表 0.11.0 ,doris直接外部表读hudi数据,也就是只是hudi中存一份数据

‍

CDH&集群规模

6.3 一台一万

阿里云主机(128G内存 20核cpu 40线程 8THDD 2TSSD) 每年5万

‍

人员配备

开发周期

‍

为什么用flinkcdc

支持全量+增量的功能

‍

项目好处

链路短好维护

• 时效性
• 流批一体
• 复杂的链路

‍

千表入湖工具

阿里云用ververica

‍

flink操作hive

和spark-thrift类似

‍

flink集成hive的步骤

flink 借用了hive 的metastore

1. 将jar包上传到flink lib 目录下
2. 配置sql-conf , 主要hive catelog ,后续的操作都是基于hive 库和表

   1. catelog是什么: 指定读取哪里的元数据

   2. ​

      

‍

flinksql 数据源为kafka

flink读写sql有两种模式

自带的模式

hive的模式

用处:

---

Temporal Join(时态表join)

单流驱动

一般指的是两个数据流

反应历史不同变化的维度数据

lookup join

指的是数据流和外部表 mysql redis 进行关联统计, 没有历史变化的信息

常见面试题