OceanBase CDC 连接器

OceanBase CDC 连接器允许从 OceanBase 读取快照数据和增量数据。本文介绍了如何设置 OceanBase CDC 连接器以对 OceanBase 进行 SQL 查询。

依赖

为了使用 OceanBase CDC 连接器，您必须提供相关的依赖信息。以下依赖信息适用于使用自动构建工具（如 Maven 或 SBT）构建的项目和带有 SQL JAR 包的 SQL 客户端。

<dependency>
  <groupId>com.ververica</groupId>
  <artifactId>flink-connector-oceanbase-cdc</artifactId>
  <!--  请使用已发布的版本依赖，snapshot 版本的依赖需要本地自行编译。 -->
  <version>2.3.0</version>
</dependency>

下载 SQL 客户端 JAR 包

下载链接仅在已发布版本可用，请在文档网站左下角选择浏览已发布的版本。

下载 flink-sql-connector-oceanbase-cdc-2.3.0.jar 到 <FLINK_HOME>/lib/ 目录下。

注意: flink-sql-connector-oceanbase-cdc-XXX-SNAPSHOT 版本是开发分支release-XXX对应的快照版本，快照版本用户需要下载源代码并编译相应的 jar。用户应使用已经发布的版本，例如 flink-sql-connector-oceanbase-cdc-2.3.0.jar 当前已发布的所有版本都可以在 Maven 中央仓库获取。

配置 OceanBase 数据库和 oblogproxy 服务

1. 按照 部署文档 配置 OceanBase 集群。

2. 在 sys 租户中，为 oblogproxy 创建一个带密码的用户。更多信息，参考 用户管理文档。

   mysql -h${host} -P${port} -uroot
   mysql> SHOW TENANT;
   mysql> CREATE USER ${sys_username} IDENTIFIED BY '${sys_password}';
   mysql> GRANT ALL PRIVILEGES ON *.* TO ${sys_username} WITH GRANT OPTION;
   

3. 为你想要监控的租户创建一个用户，这个用户用来读取快照数据和变化事件数据。

4. OceanBase 社区版用户需要获取rootserver-list，可以使用以下命令获取：

   mysql> SHOW PARAMETERS LIKE 'rootservice_list';
   

   OceanBase 企业版用户需要获取 config-url，可以使用以下命令获取：

   mysql> show parameters like 'obconfig_url';
   

5. 按照 快速入门 文档 配置 oblogproxy。

创建 OceanBase CDC 表

使用以下命令，创建 OceanBase CDC 表：

-- 每 3 秒做一次 checkpoint，用于测试，生产配置建议 5 到 10 分钟                  
Flink SQL> SET 'execution.checkpointing.interval' = '3s';

-- 在 Flink SQL 中创建 OceanBase 表 `orders`
Flink SQL> CREATE TABLE orders (
    order_id     INT,
    order_date   TIMESTAMP(0),
    customer_name STRING,
    price        DECIMAL(10, 5),
    product_id   INT,
    order_status BOOLEAN,
    PRIMARY KEY (order_id) NOT ENFORCED
) WITH (
    'connector' = 'oceanbase-cdc',
    'scan.startup.mode' = 'initial',
    'username' = 'user@test_tenant',
    'password' = 'pswd',
    'tenant-name' = 'test_tenant',
    'database-name' = 'test_db',
    'table-name' = 'orders',
    'hostname' = '127.0.0.1',
    'port' = '2881',
    'rootserver-list' = '127.0.0.1:2882:2881',
    'logproxy.host' = '127.0.0.1',
    'logproxy.port' = '2983',
    'working-mode' = 'memory'
);

-- 从表 orders 中读取快照数据和 binlog 数据
Flink SQL> SELECT * FROM orders;

您也可以访问 Flink CDC 官网文档，快速体验将数据从 OceanBase 导入到 Elasticsearch。更多信息，参考 Flink CDC 官网文档。

OceanBase CDC 连接器选项

OceanBase CDC 连接器包括用于 SQL 和 DataStream API 的选项，如下表所示。

注意：连接器支持两种方式来指定需要监听的表，两种方式同时使用时会监听两种方式匹配的所有表。

1. 使用 database-name 和 table-name 匹配正则表达式中的数据库和表名。 由于obcdc（以前的liboblog）现在只支持fnmatch匹配，我们不能直接使用正则过滤 changelog 事件，所以通过两个选项去匹配去指定监听表只能在initial启动模式下使用。

2. 使用 table-list 去匹配数据库名和表名的准确列表。

配置项	是否必选	默认值	类型	描述
connector	是	无	String	指定要使用的连接器。此处为 oceanbase-cdc。
scan.startup.mode	是	无	String	指定 OceanBase CDC 消费者的启动模式。可取值为 initial、latest-offset 或timestamp。
scan.startup.timestamp	否	无	Long	起始点的时间戳，单位为秒。仅在 scan.startup.mode 的值为 timestamp 时适用。
username	是	无	String	连接 OceanBase 数据库的用户的名称。
password	是	无	String	连接 OceanBase 数据库时使用的密码。
tenant-name	是	无	String	待监控 OceanBase 数据库的租户名，应该填入精确值。
database-name	是	无	String	待监控 OceanBase 数据库的数据库名，应该是正则表达式，该选项只支持和 ‘initial’ 模式一起使用。
table-name	否	无	String	待监控 OceanBase 数据库的表名，应该是正则表达式，该选项只支持和 ‘initial’ 模式一起使用。
table-list	否	无	String	待监控 OceanBase 数据库的全路径的表名列表，逗号分隔，如：”db1.table1, db2.table2”。
hostname	否	无	String	OceanBase 数据库或 OceanBbase 代理 ODP 的 IP 地址或主机名。
port	否	无	Integer	OceanBase 数据库服务器的整数端口号。可以是 OceanBase 服务器的 SQL 端口号（默认值为 2881） 或 OceanBase代理服务的端口号（默认值为 2883）。
connect.timeout	否	30s	Duration	连接器在尝试连接到 OceanBase 数据库服务器超时前的最长时间。
server-time-zone	否	+00:00	String	数据库服务器中的会话时区，用户控制 OceanBase 的时间类型如何转换为 STRING。 合法的值可以是格式为”±hh:mm”的 UTC 时区偏移量， 如果 mysql 数据库中的时区信息表已创建，合法的值则可以是创建的时区。
logproxy.host	是	无	String	OceanBase 日志代理服务 的 IP 地址或主机名。
logproxy.port	是	无	Integer	OceanBase 日志代理服务 的端口号。
logproxy.client.id	否	按规则生成	String	OceanBase日志代理服务的客户端链接，默认值的生成规则是 {flink_ip}{process_id}{timestamp}{thread_id}{tenant}。
rootserver-list	是	无	String	OceanBase root 服务器列表，服务器格式为 ip:rpc_port:sql_port， 多个服务器地址使用英文分号 ; 隔开，OceanBase 社区版本必填。
config-url	否	无	String	从配置服务器获取服务器信息的 url, OceanBase 企业版本必填。
working-mode	否	storage	String	日志代理中 obcdc 的工作模式 , 可以是 storage 或 memory。

支持的元数据

在创建表时，您可以使用以下格式的元数据作为只读列（VIRTUAL）。

列名	数据类型	描述
tenant_name	STRING NOT NULL	当前记录所属的租户名称。
database_name	STRING NOT NULL	当前记录所属的数据库名称。
table_name	STRING NOT NULL	当前记录所属的表名称。
op_ts	TIMESTAMP_LTZ(3) NOT NULL	该值表示此修改在数据库中发生的时间。如果这条记录是该表在快照阶段读取的记录，则该值返回 0。

如下 SQL 展示了如何在表中使用这些元数据列：

CREATE TABLE products (
    tenant_name STRING METADATA FROM 'tenant_name' VIRTUAL,
    db_name STRING METADATA FROM 'database_name' VIRTUAL,
    table_name STRING METADATA  FROM 'table_name' VIRTUAL,
    operation_ts TIMESTAMP_LTZ(3) METADATA FROM 'op_ts' VIRTUAL,
    order_id INT,
    order_date TIMESTAMP(0),
    customer_name STRING,
    price DECIMAL(10, 5),
    product_id INT,
    order_status BOOLEAN,
    PRIMARY KEY(order_id) NOT ENFORCED
) WITH (
   'connector' = 'oceanbase-cdc',
   'scan.startup.mode' = 'initial',
   'username' = 'user@test_tenant',
   'password' = 'pswd',
   'tenant-name' = 'test_tenant',
   'database-name' = 'test_db',
   'table-name' = 'orders',
   'hostname' = '127.0.0.1',
   'port' = '2881',
   'rootserver-list' = '127.0.0.1:2882:2881',
   'logproxy.host' = '127.0.0.1',
   'logproxy.port' = '2983');

特性

At-Least-Once 处理

OceanBase CDC 连接器是一个 Flink Source 连接器。它将首先读取数据库快照，然后再读取变化事件，并进行 At-Least-Once 处理。

OceanBase 数据库是一个分布式数据库，它的日志也分散在不同的服务器上。由于没有类似 MySQL binlog 偏移量的位置信息，OceanBase 数据库用时间戳作为位置标记。为确保读取完整的数据，liboblog（读取 OceanBase 日志记录的 C++ 库）可能会在给定的时间戳之前读取一些日志数据。因此，OceanBase 数据库可能会读到起始点附近时间戳的重复数据，可保证 At-Least-Once 处理。

启动模式

配置选项 scan.startup.mode 指定 OceanBase CDC 连接器的启动模式。可用取值包括：

• initial（默认）：在首次启动时对受监视的数据库表执行初始快照，并继续读取最新的提交日志。

• latest-offset：首次启动时，不对受监视的数据库表执行快照，仅从连接器启动时读取提交日志。

• timestamp：在首次启动时不对受监视的数据库表执行初始快照，仅从指定的 scan.startup.timestamp 读取最新的提交日志。

消费提交日志

OceanBase CDC 连接器使用 oblogclient 消费 OceanBase日志代理服务 中的事务日志。

DataStream Source

OceanBase CDC 连接器也可以作为 DataStream Source 使用。您可以按照如下创建一个 SourceFunction：

import org.apache.flink.api.common.typeinfo.TypeInformation;
import org.apache.flink.streaming.api.environment.StreamExecutionEnvironment;
import org.apache.flink.streaming.api.functions.source.SourceFunction;
import org.apache.flink.table.api.DataTypes;
import org.apache.flink.table.catalog.Column;
import org.apache.flink.table.catalog.ResolvedSchema;
import org.apache.flink.table.catalog.UniqueConstraint;
import org.apache.flink.table.data.RowData;
import org.apache.flink.table.runtime.typeutils.InternalTypeInfo;
import org.apache.flink.table.types.logical.RowType;

import com.ververica.cdc.connectors.oceanbase.OceanBaseSource;
import com.ververica.cdc.connectors.oceanbase.source.RowDataOceanBaseDeserializationSchema;
import com.ververica.cdc.connectors.oceanbase.table.OceanBaseDeserializationSchema;
import com.ververica.cdc.connectors.oceanbase.table.StartupMode;

import java.time.ZoneId;
import java.util.Arrays;
import java.util.Collections;

public class OceanBaseSourceExample {
   public static void main(String[] args) throws Exception {
      ResolvedSchema resolvedSchema =
              new ResolvedSchema(
                      Arrays.asList(
                              Column.physical("id", DataTypes.INT().notNull()),
                              Column.physical("name", DataTypes.STRING().notNull())),
                      Collections.emptyList(),
                      UniqueConstraint.primaryKey("pk", Collections.singletonList("id")));

      RowType physicalDataType =
              (RowType) resolvedSchema.toPhysicalRowDataType().getLogicalType();
      TypeInformation<RowData> resultTypeInfo = InternalTypeInfo.of(physicalDataType);
      String serverTimeZone = "+00:00";

      OceanBaseDeserializationSchema<RowData> deserializer =
              RowDataOceanBaseDeserializationSchema.newBuilder()
                      .setPhysicalRowType(physicalDataType)
                      .setResultTypeInfo(resultTypeInfo)
                      .setServerTimeZone(ZoneId.of(serverTimeZone))
                      .build();

      SourceFunction<RowData> oceanBaseSource =
              OceanBaseSource.<RowData>builder()
                      .rsList("127.0.0.1:2882:2881")
                      .startupMode(StartupMode.INITIAL)
                      .username("user@test_tenant")
                      .password("pswd")
                      .tenantName("test_tenant")
                      .databaseName("test_db")
                      .tableName("test_table")
                      .hostname("127.0.0.1")
                      .port(2881)
                      .logProxyHost("127.0.0.1")
                      .logProxyPort(2983)
                      .serverTimeZone(serverTimezone)
                      .deserializer(deserializer)
                      .build();

      StreamExecutionEnvironment env = StreamExecutionEnvironment.getExecutionEnvironment();

      // enable checkpoint
      env.enableCheckpointing(3000);

      env.addSource(oceanBaseSource).print().setParallelism(1);
      env.execute("Print OceanBase Snapshot + Change Events");
   }
}

数据类型映射

OceanBase 数据类型	Flink SQL 类型	描述
BOOLEAN TINYINT(1) BIT(1)	BOOLEAN
TINYINT	TINYINT
SMALLINT TINYINT UNSIGNED	SMALLINT
INT MEDIUMINT SMALLINT UNSIGNED	INT
BIGINT INT UNSIGNED	BIGINT
BIGINT UNSIGNED	DECIMAL(20, 0)
REAL FLOAT	FLOAT
DOUBLE	DOUBLE
NUMERIC(p, s) DECIMAL(p, s) where p <= 38	DECIMAL(p, s)
NUMERIC(p, s) DECIMAL(p, s) where 38 < p <=65	STRING	DECIMAL 等同于 NUMERIC。在 OceanBase 数据库中，DECIMAL 数据类型的精度最高为 65。 但在 Flink 中，DECIMAL 的最高精度为 38。因此， 如果你定义了一个精度大于 38 的 DECIMAL 列，你应当将其映射为 STRING，以避免精度损失。
DATE	DATE
TIME [(p)]	TIME [(p)]
DATETIME [(p)]	TIMESTAMP [(p)]
TIMESTAMP [(p)]	TIMESTAMP_LTZ [(p)]
CHAR(n)	CHAR(n)
VARCHAR(n)	VARCHAR(n)
BIT(n)	BINARY(⌈n/8⌉)
BINARY(n)	BINARY(n)
VARBINARY(N)	VARBINARY(N)
TINYTEXT TEXT MEDIUMTEXT LONGTEXT	STRING
TINYBLOB BLOB MEDIUMBLOB LONGBLOB	BYTES
YEAR	INT
ENUM	STRING
SET	ARRAY<STRING>	因为 OceanBase 的 SET 类型是用包含一个或多个值的字符串对象表示， 所以映射到 Flink 时是一个字符串数组
JSON	STRING	JSON 类型的数据在 Flink 中会转化为 JSON 格式的字符串