开源数据湖搭建技术（KLOOK客路旅行基于ApacheHudi的数据湖实践）

客路旅行（KLOOK）是一家专注于境外目的地旅游资源整合的在线旅行平台，提供景点门票、一日游、特色体验、当地交通与美食预订服务。覆盖全球100个国家及地区，支持12种语言和41种货币的支付系统,与超过10000家商户合作伙伴紧密合作，为全球旅行者提供10万多种旅行体验预订服务。KLOOK数仓RDS数据同步是一个很典型的互联网电商公司数仓接入层的需求。对于公司数仓，约60%以上的数据直接来源与业务数据库，数据库有很大一部分为托管的AWS RDS-MYSQL 数据库，有超100 数据库/实例。RDS直接通过来的数据通过标准化清洗即作为数仓的ODS层，公司之前使用第三方商业工具进行同步，限制为每隔8小时的数据同步，无法满足公司业务对数据时效性的要求，数据团队在进行调研及一系列poc验证后，最后我们选择Debezium Kafka Flink Hudi的ods层pipeline方案，数据秒级入湖，后续数仓可基于近实时的ODS层做更多的业务场景需求。

2.1 改造前架构

整体依赖于第三服务，通过Google alooma进行RDS全量增量数据同步，每隔8小时进行raw table的consolidation，后续使用data flow 每24小时进行刷入数仓ODS层

2.2 新架构

1. 1. 使用AWS DMS 数据迁移工具，将全量RDS Mysql 数据同步至S3存储中；

2. 2. 通过Flink SQL Batch 作业将S3数据批量写入Hudi 表；

3. 3. 建立Debeizum MySQL binlog 订阅任务，将binlog 数据实时同步至Kafka;

4. 4. 通过Flink SQL 启动两个流作业，一个将数据实时写入Hudi，另一个作业将数据追加写入到S3，S3 binlog文件保存30天，以备数据回溯使用；

5. 5. 通过hive-hudi meta data sync tools,同步hudi catalog数据至Hive，通过Hive/Trino提供OLAP数据查询。

2.3 新架构收益

• • 数据使用及开发灵活度提升，地方放同步服务限制明显，改进后的架构易于扩展，并可以提供实时同步数据供其它业务使用；

• • 数据延迟问题得到解决，基于Flink on Hudi 的实时数据写入，对于RDS数据摄入数仓可以缩短至分钟甚至秒级，对于一些库存、风控、订单类的数据可以更快的进行数据取数分析，整体从原来近8小时的consolidation缩减至5分钟；

• • 成本更加可控，基于Flink on Hudi存算分离的架构，可以有效通过控制对数据同步计算处理资源配额、同步刷新数据表落盘时间、数据存储冷热归档等进行成本控制，与第三方服务成本整体对比预计可以缩减40%。

3.1 Debezium 增量Binlog同步配置

Kafka connect 关键配置信息

bootstrap.servers=localhost:9092# unique name for the cluster, used in forming the Connect cluster group. Note that this must not conflict with consumer group IDsgroup.id=connect-cluster# The converters specify the format of data in Kafka and how to translate it into Connect data. Every Connect user will# need to configure these based on the format they want their data in when loaded from or stored into Kafkakey.converter=org.apache.kafka.connect.json.JsonConvertervalue.converter=org.apache.kafka.connect.json.JsonConverter# Converter-specific settings can be passed in by prefixing the Converter's setting with the converter we want to applykey.converter.schemas.enable=truevalue.converter.schemas.enable=true# Topic to use for storing offsets. This topic should have many partitions and be replicated and compacted.# Kafka Connect will attempt to create the topic automatically when needed, but you can always manually create# the topic before starting Kafka Connect if a specific topic configuration is needed.# Most users will want to use the built-in default replication factor of 3 or in some cases even specify a larger value.# Since this means there must be at least as many brokers as the maximum replication factor used, we'd like to be able# to run this example on a single-broker cluster and so here we instead set the replication factor to 1.offset.storage.topic=connect-offsets# Topic to use for storing connector and task configurations; note that this should be a single partition, highly replicated,# and compacted topic. Kafka Connect will attempt to create the topic automatically when needed, but you can always manually create# the topic before starting Kafka Connect if a specific topic configuration is needed.# Most users will want to use the built-in default replication factor of 3 or in some cases even specify a larger value.# Since this means there must be at least as many brokers as the maximum replication factor used, we'd like to be able# to run this example on a single-broker cluster and so here we instead set the replication factor to 1.config.storage.topic=connect-configs# Topic to use for storing statuses. This topic can have multiple partitions and should be replicated and compacted.# Kafka Connect will attempt to create the topic automatically when needed, but you can always manually create# the topic before starting Kafka Connect if a specific topic configuration is needed.# Most users will want to use the built-in default replication factor of 3 or in some cases even specify a larger value.# Since this means there must be at least as many brokers as the maximum replication factor used, we'd like to be able# to run this example on a single-broker cluster and so here we instead set the replication factor to 1.status.storage.topic=connect-status

查询 MySQL 最近binlog file 信息

SQLMySQL [(none)]> show binary logs;| mysql-bin-changelog.094531 | 176317 || mysql-bin-changelog.094532 | 191443 || mysql-bin-changelog.094533 | 1102466 || mysql-bin-changelog.094534 | 273347 || mysql-bin-changelog.094535 | 141555 || mysql-bin-changelog.094536 | 4808 || mysql-bin-changelog.094537 | 146217 || mysql-bin-changelog.094538 | 29607 || mysql-bin-changelog.094539 | 141260 | ---------------------------- ----------- MySQL [(none)]> show binlog events in 'mysql-bin-changelog.094539';MySQL [(none)]> show binlog events in 'mysql-bin-changelog.094539' limit 10; ---------------------------- ----- ---------------- ------------ ------------- --------------------------------------------------------------------------- | Log_name | Pos | Event_type | Server_id | End_log_pos | Info | ---------------------------- ----- ---------------- ------------ ------------- --------------------------------------------------------------------------- | mysql-bin-changelog.094539 | 4 | Format_desc | 1399745413 | 123 | Server ver: 5.7.31-log, Binlog ver: 4 || mysql-bin-changelog.094539 | 123 | Previous_gtids | 1399745413 | 194 | 90710e1c-f699-11ea-85c0-0ec6a6bed381:1-108842347 |

指定server name key 发送offset 记录到offset.storage.topic

$ ./bin/kafka-console-producer.sh -bootstrap-server localhost:9092 --topic connect-offsets --property "parse.key=true" --property "key.separator=>"$>["test_servername",{"server":"test_servername"}]>{"ts_sec":1647845014,"file":"mysql-bin-changelog.007051","pos":74121553,"row":1,"server_id":1404217221,"event":2}

编辑task api 请求，启动debezium task

{"name":"test_servername","config":{"connector.class":"io.debezium.connector.mysql.MySqlConnector","snapshot.locking.mode":"none","database.user":"db_user","transforms.Reroute.type":"io.debezium.transforms.ByLogicalTableRouter","database.server.id":"1820615119","database.history.kafka.bootstrap.servers":"localhost:9092","database.history.kafka.topic":"history-topic","inconsistent.schema.handling.mode":"skip","transforms":"Reroute", // 配置binlog数据转发到一个topic，默认一个表一个topic"database.server.name":"test_servername","transforms.Reroute.topic.regex":"test_servername(.*)","database.port":"3306","include.schema.changes":"true","transforms.Reroute.topic.replacement":"binlog_data_topic","table.exclude.list":"table_test","database.hostname":"host","database.password":"******","name":"test_servername","database.whitelist":"test_db","database.include.list":"test_db","snapshot.mode":"schema_only_recovery" // 使用recovery模式从指定binlog文件的offset同步}}

3.2 Hudi 全量接增量数据写入

在已经有全量数据在Hudi表的场景中，后续从kafka消费的binlog数据需要增量upsert到Hudi表。debezium的binlog格式携带每条数据更新的信息，需要将其解析为可直接插入的数据。

示例解析生成Flink SQL的Python代码

# 写入数据到ODS Raw表insert_hudi_raw_query = '''INSERT INTO{0}_ods_raw.{1}SELECT{2}FROM{0}_debezium_kafka.kafka_rds_{1}_logWHEREREGEXP(GET_JSON_OBJECT(payload, '$.source.table'), '^{3}$')AND GET_JSON_OBJECT(payload, '$.source.db') = '{4}'AND IF(GET_JSON_OBJECT(payload, \'$.op\') = \'d\', GET_JSON_OBJECT(payload, \'$.before.{5}\'), GET_JSON_OBJECT(payload, \'$.after.{5}\')) IS NOTAND GET_JSON_OBJECT(payload, '$.op') IN ('d', 'c', 'u')'''.format(database_name,table_name,hudi_schema,mysql_table_name,mysql_database_name,primary_key)

如上对Debezium的三种binlog数据进行解析，我们将insert及update的数据只取after后的数据，对于delete，我们追加一个硬删除字段标记进行插入，Hudi则会自动去重。在这里为了保证增量更新的hudi数据不重复，需要开启index bootstrap功能。

Hudi配置参数

1. 1. CREATE TABLE 创建和 Hoodie 表对应的语句，注意 table type 要正确

2. 2. 设置 index.bootstrap.enabled = true开启索引加载功能

3. 3. 索引加载为并发加载，根据数据量大小加载时间不同，可以在log中搜索finish loading the index under partition 和 Load records from file 日志来观察索引加载进度

4. 4. 重启任务将 index.bootstrap.enabled 关闭，参数配置到合适的大小，如果RowDataToHoodieFunction 和 BootstrapFunction 并发不同，可以重启避免 shuffle

3.3 Hudi同步Metastore自定义分区格式改写

Hudi 提供了HIVE Sync Tool https://hudi.apache.org/docs/syncing_metastore 用来将Hudi的meta data 同步至Hive 进行查询，同时 PrestoDB / Trino 可以直接通过配置Hive的catalog信息实现Hudi表的秒级查询。但目前HiveSyncTool 仅自带支持几种格式的Hudi partion ，源码位置如下位置：

如果要同步的hudi表没有分区，或者符合hive 的’yyyy-MM-dd’ / ‘yyyy-MM-dd-HH’ 分区格式，可以直接使用参数--partition-value-extractor 指定到Non/SlashEncodedDayPartitionValueExtractor/SlashEncodedHourPartitionValueExtractor 进行同步，如下命令：

sh run_sync_tool.sh --jdbc-url jdbc:hive2:\/\xxxx:10000 --user hive --pass hive --partitioned-by partition --partition-value-extractor org.apache.hudi.hive.SlashEncodedHourPartitionValueExtractor --base-path s3://xxx/raw/order_business_db/ord_basics --auto-create-database --database order_business_db_ods_raw_hive_sync --table ord_basics

但存在分区不满足上述格式，如果使用non分区同步，则会出现查询不到数据的问题，这个时候需要自己实现一个Extractor，实现代码位于package org.apache.hudi.hive，继承 PartitionValueExtractor 定义 SlashEncodedHourPartitionValueExtractor 实现extractPartitionValuesInPath 方法，代码片段如下，实现格式 dd-MM-yy，代码片段截取如下：

然后重新打包，执行如下命令，随后在PrestoDB/Hive/Trino 均可直接进行查询。

sh run_sync_tool.sh --jdbc-url jdbc:hive2:\/\/xxxx10000 --user hive --pass hive --partitioned-by partition --partition-value-extractor org.apache.hudi.hive.KlookEncodedDayPartitionValueExtractor --base-path s3://xxxx/raw/order_business_db/ord_basics --auto-create-database --database order_business_db_ods_raw_hive_sync --table ord_basics

AWS EMR 上需要注意的：

• • 找不到log4j 修改run_sync_tool.sh HADOOP_HIVE_JARS=${HIVE_JARS}:${HADOOP_HOME}/:${HADOOP_HOME}/lib/:/usr/lib/hadoop-hdfs/:/usr/lib/hadoop-mapreduce/:/usr/share/aws/emr/emrfs/lib/:/usr/share/aws/emr/emrfs/auxlib/:${GLUE_JARS}

• • 找不到libfb修改 java -cp $HUDI_HIVE_UBER_JAR:${HADOOP_HIVE_JARS}:${HIVE_CONF_DIR}:${HADOOP_CONF_DIR}:${EMRFS_CONF_DIR}:/usr/lib/hudi/cli/lib/libfb303-0.9.3.jar org.apache.hudi.hive.HiveSyncTool "$@"

• • 当前整体RDS数据同步解决了对数据时效性及灵活扩展性的业务需求，但如上述，数据链路较长带来大量手动操作。因此，我们做了一些流程自动化的工作，使用Airflow 将DMS全量同步S3，S3同步Hudi的Flink 批作业进行自动调度触发，使得我们填写简单数据库同步参数就可完成一个链路的数据入湖。对于增量Debezium 数据同步，我们也通过编写一些脚本，在启动Flink Stream SQL作业时，同步拉取最新MySQL schema，生成解析binlog数据的SQL ，进行自动任务提交。

• • 在稳定性方面，当前主要考虑增量流作业的稳定性，我们从kafka备份了binlog原始数据，这些数据会在S3保存30天，如果出现流作业写入Hudi异常，我们可以很快跑一个批任务将数据回溯。

• • 该方案运行近一年时间，期间Hudi版本快速迭代fix很多问题，例如前期Hudi在增量接全量时开启index后，必须一次将index缓存在state，index阶段为了提升速度，我们设置了较大的并行度资源，需要人工值守等待一个checkpoint周期然后调低。初期，咨询社区后，提出了全量也使用流读等方式，避免增加改表参数的问题，后续社区也做了一些优化，异步执行index并发加载索引等，无需等待checkpoint完成，index不会阻塞数据写入checkpoint等。

• • 在OLAP选择上，我们在采用Trino进行数据查询Hudi时，由于需要同步工具对Hudi所有分区进行索引同步，我们也遇到了需要兼容分区策略等问题。我们参考了Hudi同步metastore工具编写了转换类兼容了自定义分区。

在使用Hudi开源组件过程中，我们体会到必须紧密与社区保持沟通，及时反馈问题，也可以与来自其它公司不同业务场景的工程师进行交流，分享我们遇到的问题及解决思路。后续的改进，我们会从脱离第三方服务DMS 试图直接使用Flink 进行全量数据同步，减少链路中组件的维护数量，同样的，我们将积极跟随Hudi及Flink的发展，优化整体链路的效率。