陳胡：Apache SeaTunnel實現 非CDC數據抽取實踐
- 2022 年 5 月 19 日
- 筆記
- DataFunTalk, 人工智慧, 大數據, 演算法
導讀： 隨著全球數據量的不斷增長，越來越多的業務需要支撐高並發、高可用、可擴展、以及海量的數據存儲，在這種情況下，適應各種場景的數據存儲技術也不斷的產生和發展。與此同時，各種資料庫之間的同步與轉化的需求也不斷增多，數據集成成為大數據領域的熱門方向，於是SeaTunnel應運而生。SeaTunnel是一個分散式、高性能、易擴展、易使用、用于海量數據（支援實時流式和離線批處理）同步和轉化的數據集成平台，架構於Apache Spark和Apache Flink之上。本文主要介紹SeaTunnel 1.X在交管行業中的應用，以及其中如何實現從Oracle資料庫把數據增量導入數倉這樣一個具體的場景。
今天的介紹會圍繞下面六點展開：
- SeaTunnel簡介
- SeaTunnel應用場景
- 相關業務痛點
- 選擇SeaTunnel的原因
- 具體實現方案
- 具體實現流程
—
01 SeaTunnel簡介
下面對SeaTunnel從產品功能，技術特性、工作流程、環境依賴、用戶使用等方面做一個總體的介紹。
1. Apache SeaTunnel整體介紹
互聯網行業數據量非常大，對性能還有其他各方面的技術要求都非常高，在筆者所在的交管行業中，情況就不太一樣，各方面的要求也沒有互聯網行業那麼高，在具體的數據集成應用中，主要是使用SeaTunnel1.X版本。
上圖所示內容引用了Apache SeaTunnel官網中的介紹。
Apache Spark對於分散式數據處理來說是一個偉大的進步，但是直接使用Spark框架還是有一定門檻的，SeaTunnel這個產品把業界使用Spark的優質經驗固化到了其中，明顯降低了學習成本，加快分散式數據處理能力在生產環境中落地。在SeaTunnel2.X版本中，除了Spark，也增加了對Flink的支援。
除此之外，SeaTunnel還可以較好的解決實際業務場景中碰到的下列問題：
- 數據丟失與重複
- 數據集成中任務堆積與延遲
- 數據同步較低的吞吐量
- Spark/Flink應用到生產環境周期較長、複雜度較高
- 缺少應用運行狀態的監控
2. Apache SeaTunnel技術特性
SeaTunnel具備如上圖所示的技術特性：
- 簡單易用，開發配置簡單、靈活，無需編碼開發，支援通過SQL進行數據處理和聚合，使用成本低
- 分散式，高性能，經歷大規模生產環境使用和海量數據檢驗，成熟穩定
- 模組化和插件化，內置豐富插件，並且可以開發訂製個性化插件，支援熱插拔，具備高擴展性
- 使用Spark/Flink作為底層數據同步引擎使其具備分散式執行能力
3. Apache SeaTunnel工作流程
SeaTunnel的架構和整個工作流程如下圖所示，Input/Source [數據源輸入] -> Filter/Transform [數據處理] -> Output/Sink [結果輸出]，數據處理流水線由多個過濾器構成，以滿足多種數據處理需求。如果用戶習慣了SQL，也可以直接使用SQL構建數據處理管道，更加簡單高效。目前，SeaTunnel支援的過濾器列表也在擴展中。
在插件方面，SeaTunnel已支援多種Input/Sink插件，同時也支援多種Filter/Transform處理插件，整體上基於系統非常易於擴展，用戶還可以自行開發數據處理插件，具體如下：
- Input/Source 插件
Fake, File, Hive/Hdfs, Kafka, Jdbc, ClickHouse, TiDB, HBase, Kudu, S3, Socket, 自行開發的Input插件
- Filter/Transform 插件
Add, Checksum, Convert, Date, Drop, Grok, Json, Kv, Lowercase, Remove, Rename, Repartition, Replace, Sample, Split, Sql, Table, Truncate, Uppercase, Uuid, 自行開發的Filter/Transform插件
- Output/Sink 插件
Elasticsearch, File, Hdfs, Jdbc, Kafka, Mysql, ClickHouse, Stdout, 自行開發的Output 插件
4. Apache SeaTunnel環境依賴
SeaTunnel1.X支援Spark計算引擎，SeaTunnel2.X目前支援Spark/Flink兩種計算引擎，在筆者的實際項目中使用的是SeaTunnel1.X版本。
5. Apache SeaTunnel用戶使用情況
目前有很多公司都在使用SeaTunnel，其中不乏大型公司，例如：中國移動、騰訊雲、今日頭條、還有筆者所在的中電科。
—
02 SeaTunnel應用場景
SeaTunnel特別適合以下場景使用：
- 海量數據集成和ETL
- 海量數據聚合
- 多源數據處理
下面主要介紹SeaTunnel在交管行業中的應用。
1. 交管行業數據簡介
在交管行業中，數據主要包括駕駛人、車輛相關的數據，平時在道路上發生的一些交通警情數據，交通違法數據，機動車登記資訊，執勤執法的數據，交通事故以及其他一些互聯網數據，這些數據的量不是很大，另外還有卡口過車、車輛GPS數據，這兩種數據的數據量都比較大，例如一些省會城市，每秒鐘至少有幾千條過車數據，這些數據都是屬於交管行業內的數據。
2. 交管行業數據特點
交管行業數據，跟互聯網行業的數據還是有很大區別的，首先這些數據的體量大小不一，並且分布在內部的公安網以及智慧專網，這兩個網之間是物理隔離的，我們需要把這些數據在兩個網路之間轉移，在這個過程中，還要做一些數據處理。其次，在數據處理實時性方面的要求，並不是非常高，數據的更新頻率也不是很高。然後，在數據安全方面，要求比較高，數據是不能丟的，同時對保密性要求也比較高，所以具體的數據也不能展示出來。
—
03 相關業務痛點
1. 數據抽取限制較多
在做業務的過程中，會有一些業務痛點，首先因為交管行業是政府行業，基本各個子平台的數據都是存儲在Oracle資料庫中的，我們需要把數據從Oracle資料庫中抽取到我們的數倉裡面，出於安全性的考慮，無法得到用戶級別的許可權，我們只能通過一些視圖級別的用戶許可權去處理數據，對於數據源表結構的變更也無法及時知曉。其次，會話數是受到限制的，多執行緒抽取數據的話，如果會話數達到上限，連接就會受到影響，而且這個分配的用戶也同時會用於其他用途。最後，我們在處理一些增量數據的時候，一般情況下需要一個增量列，用於保持一個增量更新，很多時候，是沒辦法確定哪些列可以作為增量列的。以上就是在做業務的過程中，經常會遇到的一些問題，下圖也把這些問題列舉了出來。
—
04 選擇SeaTunnel的原因
最初的時候，做數據處理、數據抽取的時候，並沒有使用SeaTunnel，而是使用Apache NiFi，這個工具功能比較強大而且全面，但是NiFi中用於數據處理的處理器比較多，而且數據處理鏈路中要做很多轉換，所以需要對NiFi裡面的各種組件要非常熟悉，對使用者的要求也比較高。
1. SeaTunnel的優勢
我們一開始也用Spark程式做數據處理，對大數據相關人員的要求比較高，我們這邊大數據人員比較少，有時處理一些新的需求的時候，會比較繁忙。如果不需要通過編碼，而是直接使用工具，進行簡單的配置就能實現的話，會帶來較大的便利和效率的提高。
前面在SeaTunnel的介紹中，已經講到SeaTunnel是比較易於使用的，安裝部署方便，開箱即用，執行效率很高，因為它是分散式的，可以應用整個集群資源來做數據處理工作。
SeaTunnel無需編程，只要做簡單的配置，並且它的Source和Sink都比較豐富，並且可以自己根據介面開發需要的插件，對數據源的許可權要求也不高。
更加重要的是，SeaTunnel是首個進入Apache孵化的國人開源數據集成平台。
2. SeaTunnel的安裝部署
如上圖所示是SeaTunnel官方部署文檔，只需要簡單幾步，就可以把SeaTunnel安裝到我們的環境之中，然後就可以使用了。
3. SeaTunnel配置文件
下圖所示是一個配置文件的示例，這個配置文件是SeaTunnel1.X版本的一個配置，一個完整的SeaTunnel配置包含spark, input, filter, output四部分，其中spark是spark相關的配置，例如，啟動多少個executor，每個 executor使用多少核數的CPU，多少記憶體等，input可配置任意的input插件及其參數，具體參數隨不同的input插件而變化，filter可配置任意的filter插件及其參數，具體參數隨不同的filter插件而變化，filter中的多個插件按配置順序形成了數據處理的pipeline, 上一個filter的輸出是下一個filter的輸入，通過input插件把數據取出，成為了spark裡面的一個數據集，然後filter插件會對這個數據集做一些轉換操作，output可配置任意的output插件及其參數，具體參數隨不同的output插件而變化，filter處理完的數據，會發送給output中配置的每個插件
4. SeaTunnel插件支援
如下圖所示，SeaTunnel支援的插件非常豐富，日常所能用到的基本都有。
這裡面著重介紹一下filter插件中的sql插件，這個插件非常靈活，在用sql插件做轉換操作時，只要是sparksql裡面支援的函數等內容，都可以在這裡使用，然後再output到目標數據存儲，例如HDFS、Kafka、ES、Clickhouse等。
—
05 具體實現方案
接下來講一下具體的實現方案，在我們具體的業務中，如何把這些行業數據從智慧專網直接抽取到公安網中，這裡會涉及到數據的增量更新。
1. 數據增量更新具體實現
當需要實現一個增量更新的時候，首先就是增量列的選擇，之前提到原先是用NiFi來做增量更新，但是對增量列的支援不是特別好，尤其是對日期類型的支援不是很好。但是SeaTunnel對增量列的支援不受列的類型限制，可以比較靈活的進行選擇。
2. 具體方法
實際業務當中，選取了記錄的更新時間列作為增量列，每次數據抽取過來，會記錄增量列的最大值，下次數據抽取時，可以從這個位置繼續抽取數據，這個也是受以前寫spark程式的啟發，把checkpoint存儲在HDFS裡面。當然，增量列的選擇，在實際應用中，除了更新時間，增量ID以外，還有其他業務欄位可以做為增量列，增量列的選擇一定是根據真正的業務需求，實時的程度和粒度來決定的。
—
06 具體實現流程
做數據增量更新，最重要的是實現的思路，接下來詳細描述一下具體實現過程。
1. 確定運算資源
首先，如下圖所示，先要確定計算資源，這裡使用了spark，並且針對spark做了相關的配置。
2. 確定數據來源
選擇一個增量列，對增量列每次產生的最大值（checkpoint），保存在HDFS一個具體的目錄下。這裡input插件選擇HDFS，每次產生的那個增量數據，指向HDFS的一個具體路徑下面，input插件有個通用參數叫做result_table_name，當指定result_table_name時，處理後的數據，會被註冊為一個可供其他插件直接訪問的數據集，或者被稱為臨時表。當增量列的最大值保存到HDFS之後，需要取出時，會保存在result_table_name指定的表中。接下來因為是從Oracle資料庫中取數據，所以設置相應的Jdbc。當數據量比較大的時候，還可以指定分區列，這樣的話，數據處理的效率會提高，詳細配置，如下圖所示。
3. 數據轉換
下圖所示是必要的數據轉換，在實際業務中，需要做一個過濾操作，取出大於最大更新時間的數據，convert插件裡面做的是中間的一些數據類型轉換操作，最後使用了一個sql插件，用於記錄本次取到的數據的一個最大值，用於下次取數的比較。
4. 數據輸出
下圖所示的是數據處理後的輸出，也就是output插件對應的配置，具體是把數據抽取到Clickhouse裡面。然後數據集裡面，那個更新列的最大值，通過追加模式，寫回到HDFS中，供下次使用。
5. 腳本和調度執行
整個過程是通過下圖所示的shell腳本來做的，通過nohup後台執行的方式，利用Crontab進行調度執行，因為在我們實際的業務中，對定時調度的要求不是很高，所以可以採用Crontab或者開源的Dolphin Scheduler都是可以滿足的。
下面的截圖，是實際運行過程中，產生在HDFS上的增量文件，Crontab調度腳本，以及執行過程中產生的一些Yarn任務列表。
在上述整體數據處理過程中，由於實際情況的限制，尤其我們的數據源是高度受限的Oracle資料庫。但是對於很多傳統公司，如果老系統是以Oracle為主，並且掌控力度比較大的話，現在想做數據架構升級，需要遷移Oracle中的數據，那麼可以採用CDC讀取日誌或者觸發器的方式，把數據變化寫入到消息隊列裡面，通過SeaTunnel就可以很容易的把數據實時寫入到其他異構的資料庫。
本文首發於微信公眾號「DataFunTalk」。
