1.Flink CDC：基于 Apache Flink 的架架构流式数据集成框架
2.Flink mysql-cdc connector 源码解析
3.Flink Collector Output 接口源码解析
4.Flink源码编译
5.Flink深入浅出：JDBC Connector源码分析
6.FLINK 部署（阿里云）、监控 和 源码案例
Flink CDC：基于 Apache Flink 的构源流式数据集成框架
摘要：本文整理自阿里云 Flink SQL 团队研发工程师于喜千（yux）在 SECon 全球软件工程技术大会中数据集成专场沙龙的分享。内容主要为以下四部分： 1. Flink CDC 开源社区介绍； 2. Flink CDC 的原理演进历史； 3. Flink CDC 3.x 核心特性解读； 4. 基于Flink CDC 的实时数据集成实践。
1. **Flink CDC 开源社区介绍
**- **1.1 Flink CDC 的架架构演进历史
**- Flink CDC 从 GitHub 开源社区开始，于 年 7 月在 Ververica 公司的构源 GitHub 仓库下以 Apache 2.0 协议开放源代码。初期主要支持从 MySQL 和 PG SQL 数据库捕获变化数据。原理dtw动作识别源码2.0 版本增强了运行效率、架架构稳定性和故障恢复机制，构源并扩展了源数据库支持范围至 Oracle、原理MongoDB 实时数据抽取。架架构
- 年 月发布的构源 CDC 3.0 版本引入了 YAML pipeline 作业，使其成为独立的原理端到端数据集成框架，通过简化语法提供更便捷的架架构数据集成作业描述。
- **1.2 Flink CDC 社区现状
**- CDC 作为 Flink 的构源一个子项目，于 年初正式加入 Apache 软件基金会，原理遵循 ASF 标准进行迭代开发。截至最新版本 3.1.1，累计超过 名贡献者提交了 余次代码提交，GitHub 收获超过 颗 star。
- 社区生态多元，GitHub Top 代码贡献者来自 家公司，覆盖 MongoDB、Oracle、Db2、OceanBase 等连接器及 Pipeline Transform 等核心功能。社区通过多种渠道保持与用户沟通，如钉钉群、邮件列表和 Slack 频道。
2. **Flink CDC 的演进历史
**- **2.1 CDC 技术简介
**- CDC 技术专注于实时监控数据变更，并将变化记录实时写入数据流，用于数据同步、分发和加载到数据仓库或数据湖。技术包括 Query-based CDC 和 Log-based CDC，后者通过监听数据库日志来实现低延迟变化捕获，减轻数据库压力，确保数据处理一致性。
- **2.2 早期 CDC 技术局限
**- 早期实现存在实用性问题，如依赖数据库查询、并发处理和状态管理的复杂性，以及对数据库性能的高要求。
- **2.3 Flink CDC 接入增量快照框架
**- Flink CDC 2.0 引入增量快照算法，支持任意多并发快照读取，网页源码允许无需数据库加锁，实现故障恢复。通过 Netflix DBlog 论文中的无锁快照算法，实现了高效并发处理。
- **2.4 Flink CDC 增强
**- 引入 SplitEnumerator 和 Reader 架构，实现数据源的逻辑划分和并发读取，增强了处理效率和吞吐量。支持 Schema Evolution，允许在不重启作业的情况下处理表结构变更，提高了作业的稳定性和维护性。
3. **Flink CDC 3.0 核心特性解读
**- **3.1 Flink CDC 2.x 版本回顾
**- CDC 2.x 版本提供 SQL 和 Java API，但缺乏直观的 YAML API 和高级进阶能力支持。
- **3.2 Flink CDC 3.0 设计目标
**- 3.0 版本引入 YAML API，提供端到端数据集成流程描述。支持 Schema Evolution、Transform 和路由功能，增强数据处理灵活性。
- **3.3 Flink CDC 3.0 核心架构
**- 采用无状态设计，简化部署和运维。分离连接层，保留对 Flink 生态系统的兼容性，支持多样化的部署架构和集群环境。
- **3.4 Flink CDC 3.0 API 设计
**- YAML API 提供直观的数据集成任务配置，支持转换、过滤、路由等高级功能，简化了开发和配置流程。
- **3.5 Flink CDC 3.0 Schema Evolution 功能
**- 提供了在不重启作业的情况下处理表结构变更的机制，确保数据处理的一致性和稳定性。
4. **基于 Flink CDC 的实时数据集成实践
**- **4.1 实例：MySQL 到 Kafka 实时传输
**- Flink CDC 3.0 内建 Kafka 输出连接器，简化了 MySQL 数据至 Kafka 的实时传输过程，无需额外基础设施配置。
- **4.2 实时数据集成实践
**- Flink CDC 3.0 支持模式进化、列操作和丰富的内置函数，提供了高度可定制的预处理能力，提升数据处理的灵活性与效率。
总结：Flink CDC 是一个高效、易用的实时数据集成框架，通过不断演进优化，满足了数据同步、分发和加载到数据仓库或数据湖的挂机打怪源码需求。社区活跃，支持多渠道沟通，鼓励代码贡献和用户参与，是实时数据处理领域的有力工具。
Flink mysql-cdc connector 源码解析
Flink 1. 引入了 CDC功能，用于实时同步数据库变更。Flink CDC Connectors 提供了一组源连接器，支持从MySQL和PostgreSQL直接获取增量数据，如Debezium引擎通过日志抽取实现。以下是Flink CDC源码解析的关键部分：
首先，MySQLTableSourceFactory是实现的核心，它通过DynamicTableSourceFactory接口构建MySQLTableSource对象，获取数据库和表的信息。MySQLTableSource的getScanRuntimeProvider方法负责创建用于读取数据的运行实例，包括DeserializationSchema转换源记录为Flink的RowData类型，并处理update操作时的前后数据。
DebeziumSourceFunction是底层实现，继承了RichSourceFunction和checkpoint接口，确保了Exactly Once语义。open方法初始化单线程线程池以进行单线程读取，run方法中配置DebeziumEngine并监控任务状态。值得注意的是，目前只关注insert, update, delete操作，表结构变更暂不被捕捉。
为了深入了解Flink SQL如何处理列转行、与HiveCatalog的结合、JSON数据解析、DDL属性动态修改以及WindowAssigner源码，可以查阅文章。你的支持是我写作的动力，如果文章对你有帮助，请给予点赞和关注。
本文由文章同步助手协助完成。
Flink Collector Output 接口源码解析
Flink Collector Output 接口源码解析
Flink中的Collector接口和其扩展Output接口在数据传递中起关键作用。Output接口增加了Watermark功能，是数据传输的基石。本文将深入解析collect方法及相关重要实现类，帮助理解数据传递的逻辑和场景划分。Collector和Output接口
Collector接口有2个核心方法，Output接口则增加了4个功能，WatermarkGaugeExposingOutput接口则专注于显示Watermark值。不二源码主要关注collect方法，它是数据发送的核心操作，Flink中有多个Output实现类，针对不同场景如数据传递、Metrics统计、广播和时间戳处理。Output实现类分类
Output类可以归类为：同一operatorChain内的数据传递（如ChainingOutput和CopyingChainingOutput）、跨operatorChain间（RecordWriterOutput）、统计Metrics（CountingOutput）、广播（BroadcastingOutputCollector）和时间戳处理（TimestampedCollector）。示例应用与调用链路
通过一个示例，我们了解了Kafka Source与Map算子之间的数据传递使用ChainingOutput，而Map到Process之间的传递则用RecordWriterOutput。在不同Output的选择中，objectReuse配置起着决定性作用，影响性能和安全性。 总结来说，ChainingOutput用于operatorChain内部，RecordWriterOutput处理跨chain，CountingOutput负责Metrics，BroadcastingOutputCollector用于广播，TimestampedCollector则用于设置时间戳。开启objectReuse会影响选择的Output类型。阅读推荐
Flink任务实时监控
Flink on yarn日志收集
Kafka Connector更新
自定义Kafka反序列化
SQL JSON Format源码解析
Yarn远程调试源码
State Processor API状态操作
侧流输出源码
Broadcast流状态源码解析
Flink启动流程分析
Print SQL Connector取样功能
Flink源码编译
1. 下载Flink稳定版1..2，可以从官方下载链接获取，将源码同步至远程机器，使用Jetbrains Gateway打开。
2. 以Jetbrains Gateway打开源码，源码目录存放于远程机器，它会自动解析为Maven项目。
3. 注意事项：在flink-runtime-web/pom.xml文件中，需将部分内容替换，具体如下：
确保先安装npm，通过命令`yum install npm`。否则编译过程中可能会出现错误。
为了编译时内存充足，需要调整Maven设置，增加JDK可用内存。在命令行中，可以在/etc/profile中配置，或在Maven配置中指定更大的红绿彩带源码内存。
编译命令如下，对于Jetbrains Gateway，需在Run Configurations中新增配置，调整执行参数以执行mvn install或mvn clean。
编译完成后，每个模块目标文件夹会生成相应的文件。
4. 接下来进行运行。首先启动JobManager，查看flink-runtime下的StandaloneSessionClusterEntrypoint类，配置文件目录需指定，如`--configDir configpath`，并配置日志参数。
主类缺失时，需在IDEA的项目结构模块中给flink-runtime添加依赖，从flink-dist/target目录下添加jar包。
修改配置文件，将允许访问的IP设置为0.0.0.0，以便外部访问。然后映射web端口，启动JobManager后可通过外部IP访问。
运行TaskManager的参数与JobManager类似，启动后自动注册到JobManager，外部访问验证成功。
源码编译与启动完成后，其他机器无需重复编译，只需在相应环境中执行预编译的可执行文件，即可实现分布式环境的Flink使用。
Flink深入浅出：JDBC Connector源码分析
大数据开发中，数据分析与报表制作是日常工作中最常遇到的任务。通常，我们通过读取Hive数据来进行计算，并将结果保存到数据库中，然后通过前端读取数据库来进行报表展示。然而，使用FlinkSQL可以简化这一过程，通过一个SQL语句即可完成整个ETL流程。
在Flink中，读取Hive数据并将数据写入数据库是常见的需求。本文将重点讲解数据如何写入数据库的过程，包括刷写数据库的机制和原理。
以下是本文将讲解的几个部分，以解答在使用过程中可能产生的疑问：
1. 表的定义
2. 定义的表如何找到具体的实现类（如何自定义第三方sink）
3. 写入数据的机制原理
（本篇基于1..0源码整理而成）
1. 表的定义
Flink官网提供了SQL中定义表的示例，以下以oracle为例：
定义好这样的表后，就可以使用insert into student执行插入操作了。接下来，我们将探讨其中的技术细节。
2. 如何找到实现类
实际上，这一过程涉及到之前分享过的SPI（服务提供者接口），即DriverManager去寻找Driver的过程。在Flink SQL执行时，会通过translate方法将SQL语句转换为对应的Operation，例如insert into xxx中的xxx会转换为CatalogSinkModifyOperation。这个操作会获取表的信息，从而得到Table对象。如果这个Table对象是CatalogTable，则会进入TableFactoryService.find()方法找到对应的实现类。
寻找实现类的过程就是SPI的过程。即通过查找路径下所有TableFactory.class的实现类，加载到内存中。这个SPI的定义位于resources下面的META-INFO下，定义接口以及实现类。
加载到内存后，首先判断是否是TableFactory的实现类，然后检查必要的参数是否满足（如果不满足会抛出异常，很多人在第一次使用Flink SQL注册表时，都会遇到NoMatchingTableFactoryException异常，其实都是因为配置的属性不全或者Jar报不满足找不到对应的TableFactory实现类造成的）。
找到对应的实现类后，调用对应的createTableSink方法就能创建具体的实现类了。
3. 工厂模式+创建者模式，创建TableSink
JDBCTableSourceSinkFactory是JDBC表的具体实现工厂，它实现了stream的sinkfactory。在1..0版本中，它不能在batch模式下使用，但在1.版本中据说会支持。这个类使用了经典的工厂模式，其中createStreamTableSink负责创建真正的Table，基于创建者模式构建JDBCUpsertTableSink。
创建出TableSink之后，就可以使用Flink API，基于DataStream创建一个Sink，并配置对应的并行度。
4. 消费数据写入数据库
在消费数据的过程中，底层基于PreparedStatement进行批量提交。需要注意的是提交的时机和机制。
控制刷写触发的最大数量 'connector.write.flush.max-rows' = ''
控制定时刷写的时间 'connector.write.flush.interval' = '2s'
这两个条件先到先触发，这两个参数都是可以通过with()属性配置的。
JDBCUpsertFunction很简单，主要的工作是包装对应的Format，执行它的open和invoke方法。其中open负责开启连接，invoke方法负责消费每条数据提交。
接下来，我们来看看关键的format.open()方法：
接下来就是消费数据，执行提交了
AppendWriter很简单，只是对PreparedStatement的封装而已
5. 总结
通过研究代码，我们应该了解了以下关键问题：
1. JDBC Sink执行的机制，比如依赖哪些包？（flink-jdbc.jar，这个包提供了JDBCTableSinkFactory的实现）
2. 如何找到对应的实现？基于SPI服务发现，扫描接口实现类，通过属性过滤，最终确定对应的实现类。
3. 底层如何提交记录？目前只支持append模式，底层基于PreparedStatement的addbatch+executeBatch批量提交
4. 数据写入数据库的时机和机制？一方面定时任务定时刷新，另一方面数量超过限制也会触发刷新。
更多Flink内容参考：
FLINK 部署（阿里云）、监控 和 源码案例
FLINK部署、监控与源码实例详解
在实际部署FLINK至阿里云时，POM.xml配置是一个关键步骤。为了减小生产环境的包体积并提高效率，我们通常选择将某些依赖项设置为provided，确保在生产环境中这些jar包已预先存在。而在本地开发环境中，这些依赖需要被包含以支持测试。 核心代码示例中，数据流API的运用尤其引人注目。通过Flink，我们实现了从Kafka到Hologres的高效数据流转。具体步骤如下：Kafka配置：首先，确保Kafka作为数据源的配置正确无误，包括连接参数、主题等，这是整个流程的开端。
Flink处理：Flink的数据流API在此处发挥威力，它可以实时处理Kafka中的数据，执行各种复杂的数据处理操作。
目标存储：数据处理完成后，Flink将结果无缝地发送到Hologres，作为最终的数据存储和分析目的地。
flink自定义trigger-实现窗口随意输出
之前，我曾简要介绍过flink的窗口以及与Spark Streaming窗口的对比。
关于flink的窗口操作，尤其是基于事件时间的窗口操作，以下三个关键知识点是大家需要掌握的：
flink提供了多种内置的触发器，其中用于基于事件时间的窗口触发器被称为EventTimeTrigger。
若要实现基于事件时间的窗口随意输出，例如每个元素触发一次输出，我们可以通过修改这个触发器来实现。
可能你没有注意到之前提到的触发器的重要性，因为没有触发器的话，在允许事件滞后的情况下，输出时间会延迟较大。而我们需要尽早看到数据，这时就可以自定义窗口触发。
自定义触发器
可以通过修改基于处理时间的触发器来实现，以下是源码：
主要实现逻辑是在onElement函数中，增加了每个元素触发一次计算结果输出的逻辑。
主函数
代码测试已通过。
明天将在知识星球分享一篇干货和代码案例。
深度解析Flink flatMap算子的自定义方法（附代码例子）
本文深入解读了Flink中flatMap算子的自定义方法，并提供了代码实例。在使用Flink的算子时，通常需要自定义，自定义时可以采用Lambda表达式或继承并重写函数类。
对于map、flatMap、reduce等操作，开发者可以实现MapFunction、FlatMapFunction、ReduceFunction等接口类。这些函数类拥有泛型参数，定义了输入或输出数据类型。要自定义函数，需要继承这些类并重写内部函数，例如FlatMapFunction接口由Flink的Function接口继承，且具备Serializable接口，用于确保在任务管理器之间进行序列化和反序列化。
在使用FlatMapFunction时，接口定义了两个泛型参数：T和O，分别对应输入和输出数据类型。自定义函数主要关注重写flatMap方法，该方法接受输入值value和Collector类out作为参数，负责处理输入数据并输出相应的结果。
本文提供了一个继承FlatMapFunction并实现flatMap的示例，用于对长度超过特定限制的字符串进行切词处理。
当处理逻辑简单时，使用Lambda表达式可能是更优的选择。Flink的Scala源码中提供三种定义flatMap的实现方式，每种方式在Lambda表达式的输入、输出类型和使用场景上有所不同。Lambda表达式可以简化代码编写，但需要注意类型匹配，以避免Intellij IDEA的类型检查提示。
本文还介绍了另一种实现方法——使用Intellij IDEA的类型检查和匹配功能，帮助开发者在代码编写过程中快速识别并修正类型不匹配的问题。
在某些情况下，Flink提供了更高级的Rich函数类，增加了Rich前缀的函数类在普通的函数类基础上增加了额外的功能，如RuntimeContext的访问，用于在分布式环境下进行更复杂的操作，如累加器的使用。
综上所述，Flink的自定义方法提供了丰富的功能，包括Lambda表达式、普通函数类和Rich函数类等。开发者可以根据实际需求选择合适的方法进行自定义，以实现高效的数据处理任务。
十二、flink源码解析-创建和启动TaskManager二
深入探讨Flink源码中创建与启动TaskManager的过程，我们首先聚焦于内部启动onStart阶段。此阶段核心在于启动TaskExecutorServices服务，具体步骤包括与ResourceManager的连接、注册和资源分配。
当TaskExecutor启动时，首先生成新的注册并创建未完成的future，随后等待注册成功并执行注册操作。这一过程由步骤1至步骤5组成，确保注册与资源连接的无缝集成。一旦注册成功，资源管理器会发送SlotReport报告至TaskExecutor，然后分配slot。
TaskSlotTable开始分配slot，JobTable获取并提供slot至JobManager。这一流程确保资源的有效分配与任务的高效执行。与此同时，ResourceManager侧的TaskExecutor注册流程同样重要，包括连接与注册TaskExecutor。
一旦完成注册与资源分配，ResourceManager会发送SlotReport报告至JobMaster，提供slot以供调度任务。这一步骤标志着slot的分配与JobManager的准备工作就绪，为后续任务部署打下基础。
在ResourceManager侧，slot管理组件注册新的taskManager，根据规则更新slot状态、释放资源或继续执行注册。这一过程确保资源的高效管理与任务的顺利进行。
在JobMaster侧，slot的分配与管理通过slotPool进行，确保待调度任务能够得到所需资源。这一阶段标志着任务调度与执行的准备就绪。
流程的最后，回顾整个创建与启动TaskManager的过程，从资源连接与注册到slot分配与任务调度，各个环节紧密相连，确保Flink系统的高效运行与任务的顺利执行。