乐趣区

关于数据同步:百亿级数据同步如何基于-SeaTunnel-的-ClickHouse-实现

jiezi

作者 | Apache SeaTunnel(Incubating) Contributor 范佳

整顿 | 测试工程师 冯秀兰

对于百亿级批数据的导入，传统的 JDBC 形式在一些海量数据同步场景下的体现并不尽如人意。为了提供更快的写入速度，Apache SeaTunnel(Incubating) 在刚刚公布的 2.1.1 版本中提供了 ClickhouseFile-Connector 的反对，以实现 Bulk load 数据写入。

Bulk load 指把海量数据同步到指标 DB 中，目前 SeaTunnel 已实现数据同步到 ClickHouse 中。

在 Apache SeaTunnel(Incubating) 4 月 Meetup 上，Apache SeaTunnel(Incubating) Contributor 范佳分享了《基于 SeaTunnel 的 ClickHouse bulk load 实现》，具体解说了 ClickHouseFile 高效解决海量数据的具体实现原理和流程。

感激本文整顿志愿者 测试工程师 冯秀兰 对 Apache SeaTunnel(Incubating) 我的项目的反对！

本次演讲次要蕴含七个局部：

  • ClickHouse Sink 现状
  • ClickHouse Sink 弱场景
  • ClickHouseFile 插件介绍
  • ClickHouseFile 核心技术点
  • ClickHouseFile 插件的实现解析
  • 插件能力比照
  • 前期优化方向

​范 佳白鲸开源 高级工程师

01 ClickHouse Sink 现状

现阶段，SeaTunnel 把数据同步到 ClickHouse 的流程是：只有是 SeaTunnel 反对的数据源，都能够把数据抽取进去，抽取进去之后，通过转换（也能够不转换），间接把源数据写入 ClickHouse sink connector 中，再通过 JDBC 写入到 ClickHouse 的服务器中。

然而，通过传统的 JDBC 写入到 ClickHouse 服务器中会存在一些问题。

首先，现阶段应用的工具是 ClickHouse 提供的驱动，实现形式是通过 HTTP，然而 HTTP 在某些场景下，实现效率不高。其次是海量数据，如果有反复数据或者一次性写入大量数据，应用传统的形式是生成对应的插入语句，通过 HTTP 发送到 ClickHouse 服务器端，在服务器端来进行逐条或分批次解析、执行，无奈实现数据压缩。

最初就是咱们通常会遇到的问题，数据量过大可能导致 SeaTunnel 端 OOM，或者服务器端因为写入数据量过大，频率过高，导致服务器端挂掉。

于是咱们思考，是否有比 HTTP 更快的发送形式？如果能够在 SeaTunnel 端做数据预处理或数据压缩，那么网络带宽压力会升高，传输速率也会进步。

02 ClickHouse Sink 的弱场景

如果应用 HTTP 传输协定，当数据量过大，批处理以微批的模式发送申请，HTTP 可能解决不过去；

太多的 insert 申请，服务器压力大。假如带宽能够接受大量的申请，但服务器端不肯定能承载。线上的服务器不仅须要数据插入，更重要的是查问数据为其余业务团队应用。若因为插入数据过多导致服务器集群宕机，是得失相当的。

03 ClickHouse File 核心技术点

针对这些 ClickHouse 的弱场景，咱们想，有没有一种形式，既能在 Spark 端就能实现数据压缩，还能够在数据写入时不减少 Server 的资源负载，并且能疾速写入海量数据？于是咱们开发了 ClickHouseFile 插件来满足这些需要。

ClickHouseFile 插件的关键技术是 ClickHouse -local。ClickHouse-local 模式能够让用户可能对本地文件执行疾速解决，而无需部署和配置 ClickHouse 服务器。ClickHouse-local 应用与 ClickHouse Server 雷同的外围，因而它反对大多数性能以及雷同的格局和表引擎。

因为有这 2 个特点, 这意味着用户能够间接解决本地文件，而无需在 ClickHouse 服务器端做解决。因为是雷同的格局，咱们在远端或者 SeaTunnel 端进行的操作所产生的数据和服务器端是无缝兼容的，能够应用 ClickHouse local 来进行数据写入。ClickHouse local 是实现 ClickHouseFile 的核心技术点，因为有了这个插件，现阶段才可能实现 ClickHouse file 连接器。

ClickHouse local 外围应用形式：

第一行：将数据通过 Linux 管道传递给 ClickHouse-local 程序的 test_table 表。

第二至五行：创立一个 result_table 表用于接收数据。

第六行：将数据从 test\_table 到 result\_table 表。

第七行：定义数据处理的磁盘门路。

通过调用 Clickhouse-local 组件，实现在 Apache SeaTunnel(Incubating) 端实现数据文件的生成，以及数据压缩等一系列操作。再通过和 Server 进行通信，将生成的数据间接发送到 Clickhouse 的不同节点，再将数据文件提供给节点查问。

原阶段和现阶段实现形式比照：

原来是 Spark 把数据包含 insert 语句，发送给服务器端，服务器端做 SQL 的解析，表的数据文件生成、压缩，生成对应的文件、建设对应索引。若应用 ClickHouse local 技术，则由 SeaTunnel 端做数据文件的生成、文件压缩，以及索引的创立，最终产出就是给服务器端应用的文件或文件夹，同步给服务器后，服务器就只需对数据查问，不须要做额定的操作。

04 核心技术点

以上流程能够促使数据同步更加高效，得益于咱们对其中的三点优化。

第一，数据实际上师从管道传输到 ClickHouseFile，在长度和内存上会有限度。为此，咱们将 ClickHouse connector，也就是 sink 端收到的数据通过 MMAP 技术写入临时文件，再由 ClickHouse local 读取临时文件的数据，生成咱们的指标 local file，以达到增量读取数据的成果，解决 OM 的问题。

第二，反对分片。因为如果在集群中应用，如果只生成一个文件或文件夹，实际上文件只散发到一个节点上，会大大降低查问的性能。因而，咱们进行了分片反对，用户能够在配置文件夹中设置分片的 key，算法会将数据分为多个 log file，写入到不同的集群节点中，大幅晋升读取性能。

第三个重要的优化是文件传输，目前 SeaTunnel 反对两种文件传输方式，一种是 SCP，其特点是平安、通用、无需额定配置；另一种是 RSYNC，其有点事疾速高效，反对断点续传，但须要额定配置，用户能够依据须要抉择适宜本人的形式。

05 插件实现解析

概括而言，ClickHouseFile 的总体实现流程如下：

  • 缓存数据，缓存到 ClickHouse sink 端；
  • 调用本地的 ClickHouse-local 生成文件；
  • 将数据发送到 ClickHouse 服务端；
  • 执行 ATTACH 命令

通过以上四个步骤，生成的数据达到可查问的状态。

06 插件能力比照

从数据传输角度来说，ClickHouseFile 更实用于海量数据，劣势在于不须要额定的配置，通用性强，而 ClickHouseFile 配置比较复杂，目前反对的 engine 较少；

就环境复杂度来说，ClickHouse 更适宜环境复杂度高的状况，不须要额定配置就能间接运行；

在通用性上，ClickHouse 因为是 SeaTunnel 官网反对的 JDBC diver，基本上反对所有的 engine 的数据写入，ClickHouseFile 反对的 engine 绝对较少；从服务器压力方面来说，ClickHouseFile 的劣势在海量数据传输时就体现进去了，不会对服务器造成太大的压力。

但这二者并不是竞争关系，须要依据应用场景来抉择。

07 后续打算

目前尽管 SeaTunnel 反对 ClickHouseFile 插件，然而还有很多中央须要优化，次要包含：

  • Rsync 反对；
  • Exactly-Once 反对；
  • 反对 Zero Copy 传输数据文件；
  • 更多 Engine 的反对

08 参加奉献

欢送感兴趣的小伙伴能够参加到这些后续打算的奉献中来，或者提供参考意见，谢谢大家！微信号 : Seatunnel

Apache SeaTunnel(Incubating) 是一个分布式、高性能、易扩大、用于海量数据（离线 & 实时）同步和转化的数据集成平台。

仓库地址：https://github.com/apache/incubator-seatunnel

网址：https://seatunnel.apache.org/

Proposal：https://cwiki.apache.org/confluence/display/INCUBATOR/SeaTunnelProposal

Apache SeaTunnel(Incubating) 2.1.0 下载地址：https://seatunnel.apache.org/download 衷心欢送更多人退出！

可能进入 Apache 孵化器，SeaTunnel(原 Waterdrop) 新的途程才刚刚开始，但社区的发展壮大须要更多人的退出。咱们置信，在「Community Over Code」（社区大于代码）、「Open and Cooperation」（凋谢合作）、「Meritocracy」（精英治理）、以及「多样性与共识决策」等 The Apache Way 的指引下，咱们将迎来更加多元化和容纳的社区生态，共建开源精力带来的技术提高！

咱们诚邀各位有志于让外乡开源立足寰球的搭档退出 SeaTunnel 贡献者小家庭，一起共建开源!

提交问题和倡议：https://github.com/apache/incubator-seatunnel/issues

奉献代码：https://github.com/apache/incubator-seatunnel/pulls

订阅社区开发邮件列表 :dev-subscribe@seatunnel.apach…

开发邮件列表：dev@seatunnel.apache.org

退出 Slack:https://join.slack.com/t/apacheseatunnel/shared\_invite/zt-123jmewxe-RjB\_DW3M3gV~xL91pZ0oVQ

关注 Twitter:https://twitter.com/ASFSeaTunnel

退出移动版