一、Flink-CDC 1.x 痛點(diǎn)
Flink CDC 1.x 使用 Debezium 引擎集成來實(shí)現(xiàn)數(shù)據(jù)采集，支持全量加增量模式，確保數(shù)據(jù)的一致性。然而，這種集成存在一些痛點(diǎn)需要注意：
一致性通過加鎖保證：在保證數(shù)據(jù)一致性時(shí)，Debezium 需要對(duì)讀取的庫或表加鎖。全局鎖可能導(dǎo)致數(shù)據(jù)庫出現(xiàn)掛起情況，而表級(jí)鎖會(huì)影響表的寫操作。
只支持單并發(fā)讀取：Flink CDC 1.x版本只支持單并發(fā)讀取，對(duì)于大表讀取非常耗時(shí)。如果需要讀取的數(shù)據(jù)量較大，可能會(huì)導(dǎo)致性能瓶頸。
全量讀取階段不支持 checkpoint：CDC 的initial模式下讀取分為兩個(gè)階段，全量和增量。然而，在全量讀取階段，不支持 checkpoint 的功能。如果出現(xiàn)故障，必須重新進(jìn)行全量讀取操作。
1.1、全局鎖
在 Flink CDC 1.x 中，全量讀取時(shí)的鎖機(jī)制流程如下：
開始全量讀取：當(dāng) Flink CDC 啟動(dòng)全量讀取任務(wù)時(shí)，它會(huì)與 MySQL 數(shù)據(jù)庫建立連接，并開始讀取源表的數(shù)據(jù)。
獲取讀取的鎖：為了保證數(shù)據(jù)的一致性，F(xiàn)link CDC 在全量讀取過程中需要獲取讀取的鎖。在默認(rèn)情況下，F(xiàn)link CDC 使用全局鎖（Global Lock）來確保數(shù)據(jù)的一致性。
全局鎖的獲取：Flink CDC 通過向 MySQL 數(shù)據(jù)庫發(fā)送命令來獲取全局鎖。全局鎖將阻塞其他對(duì)源表進(jìn)行寫操作的事務(wù)，確保在全量讀取期間不會(huì)有數(shù)據(jù)的變更。
全量讀取數(shù)據(jù)：一旦獲得全局鎖，F(xiàn)link CDC 開始進(jìn)行全量讀取。它會(huì)掃描源表的所有數(shù)據(jù)，并將其傳輸?shù)侥繕?biāo)系統(tǒng)（如 Doris）進(jìn)行加載和處理。
釋放全局鎖：當(dāng)全量讀取完成后，F(xiàn)link CDC 會(huì)釋放全局鎖，允許其他事務(wù)對(duì)源表進(jìn)行寫操作。
全局鎖的獲取可能會(huì)導(dǎo)致一些潛在的問題：
- 長(zhǎng)時(shí)間鎖定：全局鎖通常需要在全量讀取過程中長(zhǎng)時(shí)間持有，這可能會(huì)對(duì)其他業(yè)務(wù)操作產(chǎn)生影響。如果全量讀取任務(wù)的持續(xù)時(shí)間較長(zhǎng)，其他事務(wù)可能需要等待較長(zhǎng)時(shí)間才能執(zhí)行讀寫操作。
- 性能影響：獲取全局鎖可能導(dǎo)致性能下降。當(dāng)全局鎖被獲取時(shí)，其他事務(wù)需要等待鎖的釋放，這可能導(dǎo)致并發(fā)性下降，特別是在高負(fù)載的情況下。長(zhǎng)時(shí)間的等待可能會(huì)導(dǎo)致數(shù)據(jù)庫掛起（hang），影響整體系統(tǒng)的吞吐量和響應(yīng)時(shí)間。
1.2、表級(jí)鎖
在 Flink CDC 1.x 中，全量讀取表時(shí)的表鎖機(jī)制流程如下：
開始全量讀?。寒?dāng) Flink CDC 啟動(dòng)全量讀取任務(wù)時(shí)，它會(huì)與 MySQL 數(shù)據(jù)庫建立連接，并準(zhǔn)備開始讀取源表的數(shù)據(jù)。
獲取表級(jí)鎖：為了確保數(shù)據(jù)的一致性，在全量讀取期間需要獲取源表的表級(jí)鎖。表級(jí)鎖將阻塞其他事務(wù)對(duì)源表進(jìn)行寫操作，以保證讀取過程中數(shù)據(jù)不會(huì)發(fā)生變化。
發(fā)起鎖請(qǐng)求：Flink CDC 向 MySQL 數(shù)據(jù)庫發(fā)送請(qǐng)求，嘗試獲取源表的表級(jí)鎖。這個(gè)請(qǐng)求將被發(fā)送到 MySQL 的鎖管理器。
等待鎖釋放：如果源表的表級(jí)鎖已經(jīng)被其他事務(wù)占用，F(xiàn)link CDC 將等待鎖釋放的信號(hào)。在等待期間，F(xiàn)link CDC 將一直保持連接并監(jiān)測(cè)鎖的狀態(tài)。
獲取鎖成功：一旦源表的表級(jí)鎖被成功獲取，F(xiàn)link CDC 可以開始進(jìn)行全量數(shù)據(jù)的讀取操作。它會(huì)掃描源表的所有數(shù)據(jù)，并將其傳輸?shù)侥繕?biāo)系統(tǒng)進(jìn)行加載和處理。
釋放表級(jí)鎖：當(dāng)全量讀取完成后，F(xiàn)link CDC 會(huì)釋放源表的表級(jí)鎖，允許其他事務(wù)對(duì)源表進(jìn)行寫操作。
表級(jí)鎖的獲取和釋放可能會(huì)帶來一些潛在的問題：
- 數(shù)據(jù)一致性問題：表級(jí)鎖在全量讀取期間會(huì)鎖定整張表，以保證數(shù)據(jù)的一致性。然而，在某些情況下，如果全量讀取過程中出現(xiàn)了長(zhǎng)時(shí)間的阻塞或異常情況，可能會(huì)導(dǎo)致數(shù)據(jù)一致性問題。
- 長(zhǎng)時(shí)間鎖定：表級(jí)鎖通常需要在讀取過程中長(zhǎng)時(shí)間持有，特別是在全量讀取時(shí)。這可能會(huì)對(duì)其他事務(wù)產(chǎn)生長(zhǎng)時(shí)間的阻塞，影響系統(tǒng)的響應(yīng)性能。
二、Flink-CDC 2.x 新特性
Flink 2.x不僅引入了增量快照讀取機(jī)制，還帶來了一些其他功能的改進(jìn)。以下是對(duì)Flink 2.x的主要功能的介紹：
- 增量快照讀取：Flink 2.x引入了增量快照讀取機(jī)制，這是一種全新的數(shù)據(jù)讀取方式。該機(jī)制支持并發(fā)讀取和以chunk為粒度進(jìn)行checkpoint。在增量快照讀取過程中，F(xiàn)link首先根據(jù)表的主鍵將其劃分為多個(gè)塊（chunk），然后將這些塊分配給多個(gè)讀取器并行讀取數(shù)據(jù)。這一機(jī)制極大地提高了數(shù)據(jù)讀取的效率。
- 精確一次性處理：Flink 2.x引入了Exactly-Once語義，確保數(shù)據(jù)處理結(jié)果的精確一次性。MySQL CDC 連接器是Flink的Source連接器，可以利用Flink的checkpoint機(jī)制來確保精確一次性處理。
- 動(dòng)態(tài)加表：Flink 2.x支持動(dòng)態(tài)加表，通過使用savepoint來復(fù)用之前作業(yè)的狀態(tài)，解決了動(dòng)態(tài)加表的問題。
- 無主鍵表的處理：Flink 2.x對(duì)無主鍵表的讀取和處理進(jìn)行了優(yōu)化。在無主鍵表中，F(xiàn)link可以通過一些額外的字段來識(shí)別數(shù)據(jù)記錄的唯一性，從而實(shí)現(xiàn)準(zhǔn)確的數(shù)據(jù)讀取和處理。
本文主要介紹了Flink 2.x引入的重要特性之一：增量快照讀取機(jī)制。該機(jī)制帶來了并發(fā)讀取、chunk粒度的checkpoint等優(yōu)勢(shì)，提升了數(shù)據(jù)讀取的效率。
三、增量快照讀取機(jī)制
3.1、功能
增量快照讀取基本功能：
- 并發(fā)讀?。涸谠隽靠煺兆x取期間，源（Source）可以支持并發(fā)讀取。這意味著多個(gè)讀取器可以同時(shí)讀取數(shù)據(jù)，從而提高讀取的速度和效率。
- Chunk級(jí)別的checkpoint：增量快照讀取期間，源可以進(jìn)行chunk級(jí)別的checkpoint。這意味著在讀取過程中，可以對(duì)數(shù)據(jù)進(jìn)行更細(xì)粒度的檢查點(diǎn)，提高故障恢復(fù)的準(zhǔn)確性和效率。
- 全量增量無鎖讀取算法：相比于舊的快照機(jī)制，全量快照讀取不需要源具有數(shù)據(jù)庫鎖權(quán)限。這降低了對(duì)數(shù)據(jù)庫的依賴和權(quán)限要求，簡(jiǎn)化了配置和部署的過程。
3.2、并發(fā)讀取
增量快照讀取的并行讀取功能利用了Flink的Source并行度來控制源的并行度。你可以通過設(shè)置作業(yè)的并行度（parallelism.default）來實(shí)現(xiàn)。
在SQL CLI中，可以使用以下命令進(jìn)行設(shè)置：
Flink SQL> SET 'parallelism.default' = 4;
通過將并行度設(shè)置為4，F(xiàn)link CDC Source算子將占用4個(gè)slot來并行讀取數(shù)據(jù)。這樣可以最大程度地利用系統(tǒng)資源，提高數(shù)據(jù)讀取的效率和速度。
3.3、Chunk級(jí)別的checkpoint
3.3.1、Chunk
為了充分利用并行Source，MySQL CDC Source在增量快照讀取過程中使用主鍵列將表劃分為多個(gè)分片（chunk）。默認(rèn)情況下，MySQL CDC Source會(huì)識(shí)別表的主鍵列，并使用主鍵中的第一列作為分片列。如果表中沒有主鍵，增量快照讀取將失敗。你可以通過禁用scan.incremental.snapshot.enabled來回退到舊的快照讀取機(jī)制。
對(duì)于數(shù)值和自動(dòng)增量拆分列，MySQL CDC Source會(huì)按照固定步長(zhǎng)高效地拆分塊。例如，如果你有一個(gè)主鍵列為id的表，類型為自動(dòng)增量的BIGINT，最小值為0，最大值為100，并設(shè)置表選項(xiàng)scan.incremental.snapshot.chunk.size的值為25，那么表將被拆分為以下塊：
(-∞, 25),
[25, 50),
[50, 75),
[75, 100),
[100, +∞)
對(duì)于其他類型的主鍵列，MySQL CDC Source執(zhí)行類似以下形式的語句來獲取每個(gè)塊的低值和高值：SELECT MAX(STR_ID) AS chunk_high FROM (SELECT * FROM TestTable WHERE STR_ID > 'uuid-001' limit 25)，然后將塊集分割如下：
(-∞, 'uuid-001'),
['uuid-001', 'uuid-009'),
['uuid-009', 'uuid-abc'),
['uuid-abc', 'uuid-def'),
[uuid-def, +∞).
通過這種分片方式，MySQL CDC Source可以高效地劃分表數(shù)據(jù)，以實(shí)現(xiàn)并行的增量快照讀取。每個(gè)讀取器將負(fù)責(zé)讀取和處理一個(gè)或多個(gè)分片的數(shù)據(jù)，從而提高整體的讀取性能和效率。
注意，scan.incremental.snapshot.chunk.size的默認(rèn)值為8096
3.3.2、原理
在 Flink CDC 中實(shí)現(xiàn) Chunk 級(jí)別的 checkpoint 本質(zhì)是使用 Flink 的 Checkpointing 機(jī)制和相應(yīng)的配置，啟用 Chunk 級(jí)別的 checkpoint 后，F(xiàn)link CDC 將在每個(gè) Chunk 完成讀取后進(jìn)行一次 checkpoint，以確保數(shù)據(jù)的一致性和容錯(cuò)性。
注意，F(xiàn)link 的 checkpoint 機(jī)制包括兩種類型的 checkpoint：時(shí)間驅(qū)動(dòng)和計(jì)數(shù)驅(qū)動(dòng)。但Flink CDC 中 Chunk 級(jí)別的 checkpoint 并不是直接利用Flink 計(jì)數(shù)驅(qū)動(dòng)的 checkpoint 來實(shí)現(xiàn)的，相反，它是 Flink CDC 根據(jù)自身的機(jī)制自己實(shí)現(xiàn)的。它提供了在每個(gè) Chunk 完成讀取時(shí)進(jìn)行一次 checkpoint 的能力，以實(shí)現(xiàn)更細(xì)粒度的數(shù)據(jù)一致性和容錯(cuò)性保障。
3.4、全量增量無鎖讀取算法【重點(diǎn)】
3.4.1、原理
3.4.1.1、全量無鎖讀取算法流程
首先，F(xiàn)linkCDC 會(huì)先根據(jù)主鍵和粒度將要讀取的表劃分為多個(gè)分片（chunk）。
每個(gè) MySQL CDC Source 負(fù)責(zé)讀取一個(gè)分片，多個(gè)Source 可以并發(fā)讀取多個(gè)chunk，完成當(dāng)前分片處理后才可以讀取下一個(gè)分片，直到讀取完所有分片。
-
在讀取每個(gè)分片時(shí)，F(xiàn)linkCDC 使用一種名為偏移信號(hào)算法的方法來獲取快照區(qū)塊的最終一致輸出。以下是該算法的簡(jiǎn)要步驟：
- (1) 在讀取chunk數(shù)據(jù)前先記錄當(dāng)前的 binlog 位置，即
LOW偏移量。 - (2) 執(zhí)行語句
SELECT * FROM MyTable WHERE id > chunk_low AND id <= chunk_high，讀取chunk分片內(nèi)的數(shù)據(jù)并緩存至快照區(qū)塊。 - (3) 讀取完chunk后再次記錄當(dāng)前的 binlog 位置記錄，即
HIGH偏移量，如下圖：
image.png
- (1) 在讀取chunk數(shù)據(jù)前先記錄當(dāng)前的 binlog 位置，即
- (4) 讀取binlog：從
LOW偏移量到HIGH偏移量之間的 binlog 記錄，讀取到的數(shù)據(jù) append 到上個(gè)隊(duì)列后面，并將此時(shí)binlog的最終offset保存至最后，如下圖：
- (5) 檢查讀取到的 binlog 每條記錄，如果屬于chunk分片范圍，則對(duì)之前緩存的chunk隊(duì)列里的數(shù)據(jù)進(jìn)行修正，最后將修正后的記錄作為快照區(qū)塊的最終輸出，如下圖：
- (6) 將此次chunk的元信息【lw,hw等】保存至
MySqlSourceReader進(jìn)行備份【checkponit階段也會(huì)保存此數(shù)據(jù)】，為后續(xù)增量讀取做準(zhǔn)備。
- 當(dāng)所有chunk都被消費(fèi)完畢后，即全量階段同步完畢，此時(shí)將結(jié)束Source的并發(fā)讀取，改為單線程讀取binlog日志進(jìn)行后續(xù)同步，此步驟在3.4.1.2、增量無鎖讀取算法流程。
- 為了方便理解舉例：表當(dāng)前總數(shù)據(jù)為9條，Chunk切分粒度
scan.incremental.snapshot.chunk.size=5；作業(yè)的并發(fā)數(shù)為2，故Mysql CDC Source 會(huì)有兩個(gè)Task并行讀取Chunk01，Chunk02，讀取過程如下：
- chunk01的數(shù)據(jù)流轉(zhuǎn)過程如下：由于update#6、update#9 不屬于chunk01分片范圍故不做處理。
- chunk02的數(shù)據(jù)流轉(zhuǎn)過程如下：update#9、delete#7屬于切片范圍故修正緩存數(shù)據(jù)，而 update#4 不屬于chunk02分片范圍故不做處理。
FAQ[常見問題]：
-
chunk01 與 chunk02階段有重疊部分，即 update#9，是否會(huì)影響數(shù)據(jù)準(zhǔn)確性？
- 答：不會(huì)，因?yàn)閏hunk只會(huì)對(duì)屬于該分片范圍的數(shù)據(jù)進(jìn)行處理，故不會(huì)重復(fù)執(zhí)行。
-
chunk01 與 chunk02 均未處理 update#4 日志，是否會(huì)影響數(shù)據(jù)準(zhǔn)確性？
- 答：不會(huì)，因?yàn)楫?dāng)所有chunk階段結(jié)束后，
MySqlSourceEnumerator調(diào)查員會(huì)根據(jù)所有chunk中的min(lw) 再次讀取binlog，選擇性補(bǔ)全數(shù)據(jù)，具體細(xì)節(jié)在：3.4.1.2、增量無鎖讀取算法流程
- 答：不會(huì)，因?yàn)楫?dāng)所有chunk階段結(jié)束后，
-
chun02 沒有讀取update#6的日志，是否會(huì)影響數(shù)據(jù)準(zhǔn)確性？
- 答：不會(huì)，因?yàn)閡pdate#6的日志 < lw，說明chunk02在lw時(shí)已經(jīng)讀取到了update#6后的最新數(shù)據(jù)，故不會(huì)影響數(shù)據(jù)準(zhǔn)確性。
3.4.1.2、增量無鎖讀取算法流程
- 當(dāng)全量階段同步完畢后，
MySqlSourceReader會(huì)將每個(gè) chunk 的 lw，hw等元數(shù)據(jù)匯報(bào)給MySqlSourceEnumerator調(diào)查員，如下圖：
-
MySqlSourceEnumerator調(diào)查員取所有chunk中最小的lw 作為offset 來讀取binlog日志，如下圖：
- 當(dāng)一個(gè) binlog 記錄屬于一個(gè)分片的主鍵范圍內(nèi)時(shí)，如果該記錄在這個(gè)分片的 hw 之后，則該記錄應(yīng)該發(fā)送給下游，如下圖：update#6、update#9雖然數(shù)據(jù)chunk02分片范圍但<=hw 故舍棄；而update#4屬于chunk01分片范圍 且 >hw 代表缺失該條記錄故發(fā)送至下游。
- 當(dāng)一個(gè) binlog 記錄已經(jīng)處于所有chunk中最大的hw時(shí)，即表示日志記錄已經(jīng)進(jìn)入 Pure Binlog Phase，對(duì)于這樣的 binlog 記錄，不需進(jìn)行比較，直接發(fā)送給下游，如下圖：
至此增量無鎖讀取算法流程完畢
3.4.2、源碼分析
- MySql cdc 類圖關(guān)系如下：
- 快照讀取chunk分片邏輯：MySqlSnapshotSplitReadTask#doExecute
protected SnapshotResult doExecute(
ChangeEventSourceContext context,
SnapshotContext snapshotContext,
SnapshottingTask snapshottingTask)
throws Exception {
final RelationalSnapshotChangeEventSource.RelationalSnapshotContext ctx =
(RelationalSnapshotChangeEventSource.RelationalSnapshotContext) snapshotContext;
ctx.offset = offsetContext;
final SignalEventDispatcher signalEventDispatcher =
new SignalEventDispatcher(
offsetContext.getPartition(),
topicSelector.topicNameFor(snapshotSplit.getTableId()),
dispatcher.getQueue());
final BinlogOffset lowWatermark = currentBinlogOffset(jdbcConnection);
LOG.info(
"Snapshot step 1 - Determining low watermark {} for split {}",
lowWatermark,
snapshotSplit);
((SnapshotSplitReader.SnapshotSplitChangeEventSourceContextImpl) (context))
.setLowWatermark(lowWatermark);
signalEventDispatcher.dispatchWatermarkEvent(
snapshotSplit, lowWatermark, SignalEventDispatcher.WatermarkKind.LOW);
LOG.info("Snapshot step 2 - Snapshotting data");
createDataEvents(ctx, snapshotSplit.getTableId());
final BinlogOffset highWatermark = currentBinlogOffset(jdbcConnection);
LOG.info(
"Snapshot step 3 - Determining high watermark {} for split {}",
highWatermark,
snapshotSplit);
signalEventDispatcher.dispatchWatermarkEvent(
snapshotSplit, highWatermark, SignalEventDispatcher.WatermarkKind.HIGH);
((SnapshotSplitReader.SnapshotSplitChangeEventSourceContextImpl) (context))
.setHighWatermark(highWatermark);
return SnapshotResult.completed(ctx.offset);
}
- chunk分片數(shù)據(jù)讀取后進(jìn)行格式處理歸一邏輯：RecordUtils#normalizedSplitRecords
/**
* Normalize the records of snapshot split which represents the split records state on high
* watermark. data input: [low watermark event] [snapshot events ] [high watermark event]
* [binlog events] [binlog-end event] data output: [low watermark event] [normalized events]
* [high watermark event]
*/
public static List<SourceRecord> normalizedSplitRecords(
MySqlSnapshotSplit snapshotSplit,
List<SourceRecord> sourceRecords,
SchemaNameAdjuster nameAdjuster) {
List<SourceRecord> normalizedRecords = new ArrayList<>();
Map<Struct, SourceRecord> snapshotRecords = new HashMap<>();
List<SourceRecord> binlogRecords = new ArrayList<>();
if (!sourceRecords.isEmpty()) {
SourceRecord lowWatermark = sourceRecords.get(0);
checkState(
isLowWatermarkEvent(lowWatermark),
String.format(
"The first record should be low watermark signal event, but is %s",
lowWatermark));
SourceRecord highWatermark = null;
int i = 1;
for (; i < sourceRecords.size(); i++) {
SourceRecord sourceRecord = sourceRecords.get(i);
if (!isHighWatermarkEvent(sourceRecord)) {
snapshotRecords.put((Struct) sourceRecord.key(), sourceRecord);
} else {
highWatermark = sourceRecord;
i++;
break;
}
}
if (i < sourceRecords.size() - 1) {
List<SourceRecord> allBinlogRecords =
sourceRecords.subList(i, sourceRecords.size() - 1);
for (SourceRecord binlog : allBinlogRecords) {
if (isDataChangeRecord(binlog)) {
Object[] key =
getSplitKey(snapshotSplit.getSplitKeyType(), binlog, nameAdjuster);
// 當(dāng)獲取chunk lw hw 的binlog后會(huì)先判斷是否數(shù)據(jù)chunk的區(qū)間內(nèi)，只有負(fù)責(zé)chunk區(qū)間內(nèi)的數(shù)據(jù)才會(huì)被更正
if (splitKeyRangeContains(
key, snapshotSplit.getSplitStart(), snapshotSplit.getSplitEnd())) {
binlogRecords.add(binlog);
}
}
}
}
checkState(
isHighWatermarkEvent(highWatermark),
String.format(
"The last record should be high watermark signal event, but is %s",
highWatermark));
// chunk數(shù)據(jù)修正邏輯函數(shù)：upsertBinlog
normalizedRecords =
upsertBinlog(
snapshotSplit,
lowWatermark,
highWatermark,
snapshotRecords,
binlogRecords);
}
return normalizedRecords;
}
-
chunk數(shù)據(jù)修正邏輯：RecordUtils#upsertBinlog
private static List<SourceRecord> upsertBinlog( MySqlSplit split, SourceRecord lowWatermarkEvent, SourceRecord highWatermarkEvent, Map<Struct, SourceRecord> snapshotRecords, List<SourceRecord> binlogRecords) { final List<SourceRecord> normalizedBinlogRecords = new ArrayList<>(); normalizedBinlogRecords.add(lowWatermarkEvent); // upsert binlog events to snapshot events of split if (!binlogRecords.isEmpty()) { for (SourceRecord binlog : binlogRecords) { Struct key = (Struct) binlog.key(); Struct value = (Struct) binlog.value(); if (value != null) { Envelope.Operation operation = Envelope.Operation.forCode( value.getString(Envelope.FieldName.OPERATION)); switch (operation) { case UPDATE: Envelope envelope = Envelope.fromSchema(binlog.valueSchema()); Struct source = value.getStruct(Envelope.FieldName.SOURCE); Struct updateAfter = value.getStruct(Envelope.FieldName.AFTER); Instant ts = Instant.ofEpochMilli( (Long) source.get(Envelope.FieldName.TIMESTAMP)); SourceRecord record = new SourceRecord( binlog.sourcePartition(), binlog.sourceOffset(), binlog.topic(), binlog.kafkaPartition(), binlog.keySchema(), binlog.key(), binlog.valueSchema(), envelope.read(updateAfter, source, ts)); snapshotRecords.put(key, record); break; case DELETE: snapshotRecords.remove(key); break; case CREATE: snapshotRecords.put(key, binlog); break; case READ: throw new IllegalStateException( String.format( "Binlog record shouldn't use READ operation, the the record is %s.", binlog)); } } } } normalizedBinlogRecords.addAll(snapshotRecords.values()); normalizedBinlogRecords.add(highWatermarkEvent); return normalizedBinlogRecords; }
- 全量快照結(jié)束后MySqlSourceReader 整合各個(gè)split，匯報(bào)給MySqlSourceEnumerator邏輯：handleSourceEvents
@Override
public void handleSourceEvents(SourceEvent sourceEvent) {
if (sourceEvent instanceof FinishedSnapshotSplitsAckEvent) {
FinishedSnapshotSplitsAckEvent ackEvent = (FinishedSnapshotSplitsAckEvent) sourceEvent;
LOG.debug(
"The subtask {} receives ack event for {} from enumerator.",
subtaskId,
ackEvent.getFinishedSplits());
for (String splitId : ackEvent.getFinishedSplits()) {
this.finishedUnackedSplits.remove(splitId);
}
} else if (sourceEvent instanceof FinishedSnapshotSplitsRequestEvent) {
// report finished snapshot splits
LOG.debug(
"The subtask {} receives request to report finished snapshot splits.",
subtaskId);
reportFinishedSnapshotSplitsIfNeed();
} else if (sourceEvent instanceof BinlogSplitMetaEvent) {
LOG.debug(
"The subtask {} receives binlog meta with group id {}.",
subtaskId,
((BinlogSplitMetaEvent) sourceEvent).getMetaGroupId());
fillMetaDataForBinlogSplit((BinlogSplitMetaEvent) sourceEvent);
} else {
super.handleSourceEvents(sourceEvent);
}
}
private void reportFinishedSnapshotSplitsIfNeed() {
if (!finishedUnackedSplits.isEmpty()) {
final Map<String, BinlogOffset> finishedOffsets = new HashMap<>();
for (MySqlSnapshotSplit split : finishedUnackedSplits.values()) {
finishedOffsets.put(split.splitId(), split.getHighWatermark());
}
FinishedSnapshotSplitsReportEvent reportEvent =
new FinishedSnapshotSplitsReportEvent(finishedOffsets);
context.sendSourceEventToCoordinator(reportEvent);
LOG.debug(
"The subtask {} reports offsets of finished snapshot splits {}.",
subtaskId,
finishedOffsets);
}
}
- MySqlSourceEnumerator 收到全量快照結(jié)束后處理邏輯：createBinlogSplit
當(dāng) MySqlSourceEnumerator 將所有 split 的 hw 收齊之后，會(huì)創(chuàng)建一個(gè) binlog split，該分片包含了需要讀取 binlog 的起始位置（所有分片 hw 的最小值）和所有分片的 hw 信息。
private MySqlBinlogSplit createBinlogSplit() {
final List<MySqlSnapshotSplit> assignedSnapshotSplit =
snapshotSplitAssigner.getAssignedSplits().values().stream()
.sorted(Comparator.comparing(MySqlSplit::splitId))
.collect(Collectors.toList());
Map<String, BinlogOffset> splitFinishedOffsets =
snapshotSplitAssigner.getSplitFinishedOffsets();
final List<FinishedSnapshotSplitInfo> finishedSnapshotSplitInfos = new ArrayList<>();
BinlogOffset minBinlogOffset = null;
for (MySqlSnapshotSplit split : assignedSnapshotSplit) {
// find the min binlog offset
BinlogOffset binlogOffset = splitFinishedOffsets.get(split.splitId());
if (minBinlogOffset == null || binlogOffset.isBefore(minBinlogOffset)) {
minBinlogOffset = binlogOffset;
}
finishedSnapshotSplitInfos.add(
new FinishedSnapshotSplitInfo(
split.getTableId(),
split.splitId(),
split.getSplitStart(),
split.getSplitEnd(),
binlogOffset));
}
// the finishedSnapshotSplitInfos is too large for transmission, divide it to groups and
// then transfer them
boolean divideMetaToGroups = finishedSnapshotSplitInfos.size() > splitMetaGroupSize;
return new MySqlBinlogSplit(
BINLOG_SPLIT_ID,
minBinlogOffset == null ? BinlogOffset.INITIAL_OFFSET : minBinlogOffset,
BinlogOffset.NO_STOPPING_OFFSET,
divideMetaToGroups ? new ArrayList<>() : finishedSnapshotSplitInfos,
new HashMap<>(),
finishedSnapshotSplitInfos.size());
}
- 增量階段邏輯：shouldEmit
當(dāng) MySqlSourceEnumerator 將 binlog 分片分配給 MySqlSourceReader 時(shí)，任務(wù)從全量階段轉(zhuǎn)變?yōu)樵隽侩A段。MySqlSourceReader 在讀取 binlog 數(shù)據(jù)后，使用 shouldEmit 來判斷是否應(yīng)該將該記錄發(fā)送給下游。
/**
* Returns the record should emit or not.
*
* <p>The watermark signal algorithm is the binlog split reader only sends the binlog event that
* belongs to its finished snapshot splits. For each snapshot split, the binlog event is valid
* since the offset is after its high watermark.
*
* <pre> E.g: the data input is :
* snapshot-split-0 info : [0, 1024) highWatermark0
* snapshot-split-1 info : [1024, 2048) highWatermark1
* the data output is:
* only the binlog event belong to [0, 1024) and offset is after highWatermark0 should send,
* only the binlog event belong to [1024, 2048) and offset is after highWatermark1 should send.
* </pre>
*/
private boolean shouldEmit(SourceRecord sourceRecord) {
if (isDataChangeRecord(sourceRecord)) {
TableId tableId = getTableId(sourceRecord);
BinlogOffset position = getBinlogPosition(sourceRecord);
// 判斷是否處于純凈的binlog區(qū)域
if (hasEnterPureBinlogPhase(tableId, position)) {
return true;
}
// only the table who captured snapshot splits need to filter
if (finishedSplitsInfo.containsKey(tableId)) {
RowType splitKeyType =
ChunkUtils.getSplitType(
statefulTaskContext.getDatabaseSchema().tableFor(tableId));
Object[] key =
getSplitKey(
splitKeyType,
sourceRecord,
statefulTaskContext.getSchemaNameAdjuster());
for (FinishedSnapshotSplitInfo splitInfo : finishedSplitsInfo.get(tableId)) {
if (RecordUtils.splitKeyRangeContains(
key, splitInfo.getSplitStart(), splitInfo.getSplitEnd())
&& position.isAfter(splitInfo.getHighWatermark())) { // 判斷該binlog是否屬于chunk區(qū)間且是否>該chunk的hw
return true;
}
}
}
// not in the monitored splits scope, do not emit
return false;
}
// always send the schema change event and signal event
// we need record them to state of Flink
return true;
}
private boolean hasEnterPureBinlogPhase(TableId tableId, BinlogOffset position) {
// the existed tables those have finished snapshot reading
if (maxSplitHighWatermarkMap.containsKey(tableId)
&& position.isAtOrAfter(maxSplitHighWatermarkMap.get(tableId))) {
return true;
}
// capture dynamically new added tables
// TODO: there is still very little chance that we can't capture new added table.
// That the tables dynamically added after discovering captured tables in enumerator
// and before the lowest binlog offset of all table splits. This interval should be
// very short, so we don't support it for now.
return !maxSplitHighWatermarkMap.containsKey(tableId)
&& capturedTableFilter.isIncluded(tableId);
}
