Delta Lake如何實(shí)現(xiàn)CDC實(shí)時(shí)入湖，相信很多沒有經(jīng)驗(yàn)的人對(duì)此束手無策，為此本文總結(jié)了問題出現(xiàn)的原因和解決方法，通過這篇文章希望你能解決這個(gè)問題。

創(chuàng)新互聯(lián)建站專注于蒲縣企業(yè)網(wǎng)站建設(shè),響應(yīng)式網(wǎng)站,電子商務(wù)商城網(wǎng)站建設(shè)。蒲縣網(wǎng)站建設(shè)公司,為蒲縣等地區(qū)提供建站服務(wù)。全流程按需網(wǎng)站建設(shè)，專業(yè)設(shè)計(jì)，全程項(xiàng)目跟蹤，創(chuàng)新互聯(lián)建站專業(yè)和態(tài)度為您提供的服務(wù)

什么是CDC

Change Data Capture(CDC)用來跟蹤捕獲數(shù)據(jù)源的數(shù)據(jù)變化，并將這些變化同步到目標(biāo)存儲(chǔ)(如數(shù)據(jù)湖或數(shù)據(jù)倉庫)，用于數(shù)據(jù)備份或后續(xù)分析，同步過程可以是分鐘/小時(shí)/天等粒度，也可以是實(shí)時(shí)同步。CDC方案分為侵入式(intrusive manner)和非傾入性(non-intrusive manner)兩種。

侵入式

侵入式方案直接請(qǐng)求數(shù)據(jù)源系統(tǒng)(如通過JDBC讀取數(shù)據(jù))，會(huì)給數(shù)據(jù)源系統(tǒng)帶來性能壓力。常見的方案如下:

• 最后更新時(shí)間(Last Modified)

源表需要有修改時(shí)間列，同步作業(yè)需要指定最后修改時(shí)間參數(shù)，表明同步某個(gè)時(shí)間點(diǎn)之后變更的數(shù)據(jù)。該方法不能同步刪除記錄的變更，同一條記錄多次變更只能記錄最后一次。

• 自增id列

源表需要有一個(gè)自增id列，同步作業(yè)需要指定上次同步的最大id值，同步上次之后新增的記錄行。該方法也不能同步刪除記錄的變更，而且老記錄的變更也無法感知。

非侵入式

非侵入性一般通過日志的方式記錄數(shù)據(jù)源的數(shù)據(jù)變化(如數(shù)據(jù)庫的binlog)，源庫需要開啟binlog的功能。數(shù)據(jù)源的每次操作都會(huì)被記錄到binlog中(如insert/update/delete等)，能夠?qū)崟r(shí)跟蹤數(shù)據(jù)插入/刪除/數(shù)據(jù)多次更新/DDL操作等。

示例:

insert into table testdb.test values("hangzhou",1);update testdb.test set b=2 where a="hangzhou";update testdb.test set b=3 where a="hangzhou";delete from testdb.test where a="hangzhou";

通過將binlog日志有序的回放到目標(biāo)存儲(chǔ)中，從而實(shí)現(xiàn)對(duì)數(shù)據(jù)源的數(shù)據(jù)導(dǎo)出同步功能。

常見的CDC方案實(shí)現(xiàn)

開源常見的CDC方案實(shí)現(xiàn)主要有兩種:

Sqoop離線同步

sqoop是一個(gè)開源的數(shù)據(jù)同步工具，它可以將數(shù)據(jù)庫的數(shù)據(jù)同步到HDFS/Hive中，支持全量同步和增量同步，用戶可以配置小時(shí)/天的調(diào)度作業(yè)來定時(shí)同步數(shù)據(jù)。

sqoop增量同步是一種侵入式的CDC方案，支持Last Modified和Append模式。

缺點(diǎn):

• 直接jdbc請(qǐng)求源庫拉取數(shù)據(jù)，影響源庫性能

• 小時(shí)/天調(diào)度，實(shí)時(shí)性不高

• 無法同步源庫的刪除操作，Append模式還不支持?jǐn)?shù)據(jù)更新操作

binlog實(shí)時(shí)同步

binlog日志可以通過一些工具實(shí)時(shí)同步到kafka等消息中間件中，然后通過Spark/Flink等流引擎實(shí)時(shí)的回放binlog到目標(biāo)存儲(chǔ)(如Kudu/HBase等)。

缺點(diǎn):

• Kudu/HBase運(yùn)維成本高

• Kudu在數(shù)據(jù)量大的有穩(wěn)定性問題, HBase不支持高吞吐的分析

• Spark Streaming實(shí)現(xiàn)回放binlog邏輯復(fù)雜，使用java/scala代碼具有一定門檻

Streaming SQL+Delta Lake實(shí)時(shí)入湖方案

前面介紹了兩種常見的CDC方案，各自都有一些缺點(diǎn)。阿里云E-MapReduce團(tuán)隊(duì)提供了一種新的CDC解決方案，利用自研的Streaming SQL搭配Delta Lake可以輕松實(shí)現(xiàn)CDC實(shí)時(shí)入湖。這套解決方案同時(shí)通過阿里云最新發(fā)布的數(shù)據(jù)湖構(gòu)建（Data Lake Formation，DLF）服務(wù)提供一站式的入湖體驗(yàn)。

Streaming SQL

Spark Streaming SQL在Spark Structured Streaming之上提供了SQL能力，降低了實(shí)時(shí)業(yè)務(wù)開發(fā)的門檻，使得離線業(yè)務(wù)實(shí)時(shí)化更簡(jiǎn)單方便。

下面以實(shí)時(shí)消費(fèi)SLS為例:

# 創(chuàng)建loghub源表
spark-sql> CREATE TABLE loghub_intput_tbl(content string)
         > USING loghub
         > OPTIONS
         > (...) 
# 創(chuàng)建delta目標(biāo)表
spark-sql> CREATE TABLE delta_output_tbl(content string)
         > USING delta
         > OPTIONS
         > (...);
# 創(chuàng)建流式SCAN
spark-sql> CREATE SCAN loghub_table_intput_test_stream
         > ON loghub_intput_tbl
         > USING STREAM;
# 將loghub源表數(shù)據(jù)插入delta目標(biāo)表         
spark-sql> INSERT INTO delta_output_tbl SELECT content FROM loghub_table_intput_test_stream;

Delta Lake

Delta Lake是Databricks開源的一種數(shù)據(jù)湖格式，它在parquet格式之上，提供了ACID事務(wù)/元數(shù)據(jù)管理等能力，同時(shí)相比parquet具有更好的性能，能夠支持更豐富的數(shù)據(jù)應(yīng)用場(chǎng)景(如數(shù)據(jù)更新/schema演化等)。

E-MapReduce團(tuán)隊(duì)在開源Delta Lake基礎(chǔ)上做了很多功能和性能的優(yōu)化，如小文件合并Optimize/DataSkipping/Zorder，SparkSQL/Streaming SQL/Hive/Presto深度集成Delta等。

Streaming SQL+Delta Lake CDC實(shí)時(shí)入湖

Spark Streaming SQL提供了Merge Into 的語法，搭配Delta Lake的實(shí)時(shí)寫入能力，可以很方便的實(shí)現(xiàn)CDC實(shí)時(shí)入湖方案。

如上圖所示，只需要SQL就能完成CDC實(shí)時(shí)入湖。

看完上述內(nèi)容，你們掌握Delta Lake如何實(shí)現(xiàn)CDC實(shí)時(shí)入湖的方法了嗎？如果還想學(xué)到更多技能或想了解更多相關(guān)內(nèi)容，歡迎關(guān)注創(chuàng)新互聯(lián)行業(yè)資訊頻道，感謝各位的閱讀！