基于 Flink 实现解决数据库分库分表任务拆分

1、场景描述

例如订单库进行了分库分表，其示例如下图所示：

现在的需求是希望创建一个任务就将数据同步到MQ集群，而不是为每一个数据库实例单独创建一个任务，将其数据导入到MQ集群，因为同步任务除了库不同之外，表的结构、数据映射规则都是一致的。

2、flinkx 的解决方案详解

2.1 fink Stream API 开发基本流程

使用 Flink Stream API 编程的通用步骤如下图所示：

温馨提示：有关 Stream API 的详细内容将在后续的文章中展开，本文主要是关注 InputFormatSourceFunction，重点关注数据源的拆分。

2.2 flinkx Reader(数据源)核心类图

在 flinkx 中将不同的数据源封装成一个个 Reader，其基类为 BaseDataReader，上图中主要罗列了如下几个关键的类体系：

• InputFormatflink 核心API，主要是对输入源进行数据切分、读取数据的抽象，其核心接口说明如下：
• void configure(Configuration parameters)对输入源进行额外的配置，该方法在 Input 的生命周期中只需调用一次。BaseStatistics getStatistics(BaseStatistics cachedStatistics)返回 input 的统计数据，如果不需要统计，在实现的时候可以直接返回 null。T[] createInputSplits(int minNumSplits)对输入数据进行数据切片，使之支持并行处理，数据切片相关类体系见：InputSplit。InputSplitAssigner getInputSplitAssigner(T[] inputSplits)获取 InputSplit 分配器，主要是在具体执行任务时如何获取下一个 InputSplit，其声明如下图所示：

• void open(T split)

根据指定的数据分片 (InputSplit) 打开数据通道。为了加深对该方法的理解，下面看一下 Flinkx 关于 jdbc、es 的写入示例：

• boolean reachedEnd()数据是否已结束，在 Flink 中通常 InputFormat 的数据源通常表示有界数据 (DataSet)。
• OT nextRecord(OT reuse)从通道中获取下一条记录。
• void close()关闭。
• InputSplit数据分片根接口，只定义了如下方法：
• int getSplitNumber()获取当前分片所在所有分片中的序号。本文先简单介绍一下其通用实现子类：GenericInputSplit。
• int partitionNumber当前 split 所在的序号
• int totalNumberOfPartitions总分片数为了方便理解我们可以思考一下如下场景，对于一个数据量超过千万级别的表，在进行数据切分时可以考虑使用10个线程，即切割成 10分，那每一个数据线程查询数据时可以 id % totalNumberOfPartitions = partitionNumber，进行数据读取。
• SourceFunctionFlink 源的抽象定义。
• RichFunction富函数，定义了生命周期、可获取运行时环境上下文。
• ParallelSourceFunction支持并行的 source function。
• RichParallelSourceFunction并行的富函数
• InputFormatSourceFunctionFlink 默认提供的 RichParallelSourceFunction 实现类，可以当成是RichParallelSourceFunction 的通用写法，其内部的数据读取逻辑由 InputFormat 实现。
• BaseDataReaderflinkx 数据读取基类，在 flinkx 中将所有的数据读取源封装成 Reader 。

2.3 flinkx Reader构建 DataStream 流程

经过了上面类图的梳理，大家应该 flink 中提到的上述类的含义有了一个大概的理解，但如何运用呢？接下来将通过查阅 flinkx 的 DistributedJdbcDataReader(BaseDataReader的子类)的 readData 调用流程，体会一下其使用方法。

基本遵循创建 InputFormat、从而创建对应的 SourceFunction，然后通过 StreamExecutionEnvironment 的 addSource 方法将 SourceFunction 创建对应的 DataStreamSource。

2.4 flinkx 针对数据库分库分表任务拆分解决方案

正如本文开头部分的场景描述那样，某订单系统被设计成4库8表，每一个库(Schema)中包含2个表，如何提高数据导出的性能呢，如何提高数据的抽取性能呢？通常的解决方案如下：

1. 首先按库按表进行拆分，即4库8表，可以进行切分8份，每一个数据分配处理一个实例中的1个表。
2. 单个表的数据抽取再进行拆分，例如按ID进行取模进一步分解。

flinkx 就是采取上面的策略，我们来看一下其具体做法。

Step1：首先先根据数据库实例、表进行拆分，按表维度组织成一个 DataSource 列表，后续将基于这个原始数据执行拆分算法。

接下来具体的任务拆分在 InputFormat 中实现，本实例在 DistributedJdbcInputFormat 的 createInputSplitsInternal 中。

DistributedJdbcInputFormat#createInputSplitsInternal

Step2：根据分区创建 inputSplit 数组，这里分区的概念就相当于上文提到方案中的第一条。

DistributedJdbcInputFormat#createInputSplitsInternal

Step3：如果指定了 splitKey 的任务拆分算法，首先 DistributedJdbcInputSplit 继承自 GenericInputSplit，总分区数为 numPartitions，然后生成数据库的参数，这里主要是生成 SQL Where 语句中的 splitKey mod totalNumberOfPartitions = partitionNumber，其中 splitKey 为分片键，例如 id，而 totalNumberOfPartitions 表示分区总数，partitionNumber 表示当前分片的序号，通过 SQL 取模函数进行数据拆分。

DistributedJdbcInputFormat#createInputSplitsInternal

Step4：如果未指定表级别的数据拆分键，则拆分策略是对 sourceList 进行拆分，即一些分区处理其中几个表。

关于 flinkx 中关于任务切分的介绍就到这里了。

3、总结

本文主要是基于 flinkx 介绍 MySQL 分库分表情况下如何基于 flink 进行任务切分，简单介绍了 Flink 中关于基本的编程范式、InputFormat、SourceFunction 的基本类体系。

温馨提示：本文并没有太详细对 Flink API 进行深入研究，后续会单独对 Flink 内容进行逐一剖析，但 Flink 系列的文章组织，其文章的组织并不具备顺序性，笔者会在不断实践 Flink 的过程中对 FLink 进行剖析。

文章转载自公众号：  中间件兴趣圈