flink-connector-elasticsearch-source flink elasticsearch source table 集成elasticsearch-hadoop connector开发
flink elasticsearch source table 集成 connector开发
代码 https://github.com/cclient/flink-connector-elasticsearch-source
使用示例,查询条件只能通过es.query指定，flink 通过elasticsearch-hadoop(又封装的scroll) 拉数据(string格式)，通过flink table scheme ，json解析并转为table 后 应用flink-sql
支持flink-sql的所有功能，多表的join,开窗函数等
CREATE TABLE flink_es_table_copy_source(
_metadata ROW<_index STRING,_type STRING,_id STRING>,
int_key INT,int_array ARRAY<INT>,int_object MAP<STRING,INT>,int_nested ARRAY<ROW<key_3 INT,key_4 INT>>
) WITH (
'connector.type'='elasticsearch',
'es.resource'='flink_es_table_copy/_doc',
'es.nodes'='127.0.0.1:9200',
'es.port'='9200',
'es.query'='?q=*',
'es.nodes.client.only'='false',
'es.nodes.discovery'='false',
'es.nodes.wan.only'='true'
);
select * from flink_es_table_copy_source;
result
SQL Query Result (Table)
Table program finished. Page: Last of 1 Updated: 11:25:32.615
_metadata int_key
+I[flink_es_table_copy, _doc,~ 10
+I[flink_es_table_copy, _doc,~ 20
Q Quit + Inc Refresh G Goto Page N Next Page O Open Row
R Refresh - Dec Refresh L Last Page P Prev Page
---
_metadata (ROW<`_index` STRING, `_type` STRING, `_id` STRING>):
+I[flink_es_table_copy, _doc, es_id_1]
int_key (INT):
10
int_array (ARRAY<INT>):
[11, 12]
int_object (MAP<STRING, INT>):
{key_2=14, key_1=13}
int_nested (ARRAY<ROW<`key_3` INT, `key_4` INT>>):
[+I[15, 16], +I[17, 18]]
原理上不支持谓词下推，所以大数据量的agg,join开销相对较大
也可以通过分别create flink的es-source-table, es-sink-table,再通过写sql，例 insert into flink_es_table_copy_sink SELECT _id,int_key,int_array,int_object,int_nested FROM flink_es_table 实现es 通过flink的es数据迁移，在经过flink时会严格规范doc的结构
迁移的高性能方案有很多，原生reindex，中间store sharding,备份恢复等，这方式只是测试参考
flink 官方集成了es connector 的sink 整体上完成度很高-在性能上比elasticsearch-hadoop差些，不过接口和应用简单，反而方便定制开发
source 这方面比较冷门，没有官方的方案
因为es本身有自已的query/aggs的dsl语法，新版本官方也集成了sql并可以免费应用
source 的方案并不多
因为flink本身有对hadoop的兼容性支持
个人也较深度的使用过elasticsearch-hadoop，大量的读写应用，及一些源码级的feature添加
对elasticsearch-hadoop较为熟悉
完全从无到有开发一个flink的elasticsearch source connector 成本较高
就想能否结合elasticsearch-hadoop 实现es的source
最终验证可行，各方面特性良好，其间也有很多坑，临时代码很多，最后都精简了，保留了最简单的核心代码
开发过程有以下几个坑
1 flink connector 支持两种表，table和dynamic table,目前大量的connector都改用了dynamic table，只保留了很少一部分的table
起初尝试使用dynamic table实现source，但因为dynamic table的一个方法较难重载(方法提供可操作的入口不多)，方法要求提供<rowdata,?>参数，而flink的hadoop兼容层，无法提供
因此放弃使用最新的dynamic table，而是用table的方式实现
2 elasticsearch-hadoop 默认可以提供两种outputformt Text和Map,都是hadoop的writable实现类，但是此Map flink却不能直接解析，必须自已把Map转为java的标准map才可用
试过实现,mapWritable到java.map的转换，不完美，基本放弃了使用mapwritable
试过实现Text转json，再转为map，也不完美，但这时想到，flink本身支持一些序列化，包括json,就想能否用flink-json内的方法实现
3 json序列化，简而言之,json序列化是和dynamic table方法深度集成的，加载创建json序列化类时，需要依赖dynamic table 一些方法的上下文，最直接的是context对象，但是因为问题1 ，我是按table来实现，并没有可用的入口
4 查看dynamic table，json序列化相关的代码，比较幸运的，能脱离context,把json序列化工具实例的构造提取出来
json序列化主要供dynamic table使用，dynamic table的行类是rowdata,而因此官方集成的的序列化工具类(包括json)返序列化出来的是个 rowdata对象
5 rowdata对象 table使用异常，因为table需要的是row对象
因此需要实现rowdata 对象到row对象的转换
这是个坑，思维定势了，按以上的步骤一步步来，转换也想着自已来，又是看源码，又是写代码，又是测试的，搞到半夜1点多，总算把rowdata 到row的转换写完了，但这有个缺陷
方式是遍历rowdata的每一个列，对每一列，判断列的实际类型，判断flink的声名类型，做类型转换后再构造新的row出来，但我只转换了json的最外层结构，对嵌套结构只能以String的方法展示，内层结构需要深度递归，理论上也好实现，精力有限，已经搞到半夜两点，核心问题告一段落，先去休息了
第二天起床转念一想，rowdata和row和转换是应该是比较通用的方法,flink同时支持table/dynamic table, row/rowdata 会不会官方代码内部就有转换代码呢？
文档当然查不到，直接从源码里找
看了一圈可疑代码一查果真有，而且嵌套解析完美
5行代码完全替换掉了我自已实现的，各种类型判断，类型转换又递归的几十行自定义rowdata row转换类
public Row parseToRow(byte[] message) throws Exception {
RowData rowData = deserializationSchema.deserialize(message);
RowRowConverter rowRowConverter = RowRowConverter.create(producedDataType);
rowRowConverter.toExternal(rowData);
Row row = rowRowConverter.toExternal(rowData);
return row;
}
以上几个大问题，中间阶段还有不少的小问题，比如参数构造，参数传递，参数用途...
本来预期会有些问题，只能做到可用，但多少有些应用受限，意外的感觉完成度还挺高
包装了elasticsearch-hadoop，可用elasticsearch-hadoop的所有特性，并实现了source/table，基于table的sql应用良好
同时结合官方sink实现，同时做读写
对es这么应用有些不伦不类，部分场景低效，但还是有一些应用场景的
最大的缺点是性能，因为多了一步row到rowdata的转换,但读es最受限的还是网络io和dsl查询开销上上，性能转换的影响整体可以接受
