91精品国产91久久久久久不卡,亚洲精品无码专区在线观看,欧美成年奭片免费观看

當(dāng)您需要將Flink處理后的數(shù)據(jù)導(dǎo)入ClickHouse時(shí)，本文為您提供了使用ClickHouse JDBC Connector的方法，使不同版本的Flink處理后的數(shù)據(jù)寫入到ClickHouse中。

背景信息

Flink在1.11.0版本對(duì)其JDBC Connector進(jìn)行了一次較大的重構(gòu)：

重構(gòu)之前（1.10.1及之前版本），包名為flink-jdbc 。
重構(gòu)之后（1.11.0及之后版本），包名為flink-connector-jdbc 。

二者對(duì)Flink中以不同方式寫入ClickHouse Sink的支持情況如下：

API名稱	flink-jdbc	flink-connector-jdbc
DataStream	不支持	支持
Table API (Legacy)	支持	不支持
Table API (DDL)	不支持	不支持

flink-connector-jdbc完全移除了對(duì)Table API (Legacy) 的支持，只能通過(guò)DDL的方式調(diào)用Table API。但是，Table DDL方式硬編碼了其所支持的JDBC Driver，不支持ClickHouse。本文分別以基于Flink 1.10.1 + flink-jdbc和Flink 1.11.0 + flink-connector-jdbc 為例，介紹Flink寫入ClickHouse的方法。

Flink 1.10.1 + flink-jdbc

Flink 1.10.1及之前版本需要采用flink-jdbc+Table API的方式寫入數(shù)據(jù)到ClickHouse。本節(jié)我們使用Maven及Flink 1.10.1版本為例。

用mvn archetype:generate命令創(chuàng)建項(xiàng)目，生成過(guò)程中根據(jù)提示輸入group-id和artifact-id等。

$ mvn archetype:generate \
      -DarchetypeGroupId=org.apache.flink \
      -DarchetypeArtifactId=flink-quickstart-scala \
      -DarchetypeVersion=1.10.1

編輯pom.xml中的<dependencies />小節(jié)添加依賴。

        <!--//添加Flink Table API相關(guān)的依賴 -->
        <dependency>
            <groupId>org.apache.flink</groupId>
            <artifactId>flink-table-planner-blink_${scala.binary.version}</artifactId>
            <version>${flink.version}</version>
            <scope>provided</scope>
        </dependency>
        <dependency>
            <groupId>org.apache.flink</groupId>
            <artifactId>flink-table-api-scala-bridge_${scala.binary.version}</artifactId>
            <version>${flink.version}</version>
        </dependency>
        <dependency>
            <groupId>org.apache.flink</groupId>
            <artifactId>flink-table-common</artifactId>
            <version>${flink.version}</version>
            <scope>provided</scope>
        </dependency>


        <!--//添加Flink JDBC以及Clickhouse JDBC Driver相關(guān)的依賴 -->
        <dependency>
            <groupId>org.apache.flink</groupId>
            <artifactId>flink-jdbc_${scala.binary.version}</artifactId>
            <version>${flink.version}</version>
        </dependency>
        <dependency>
            <groupId>ru.yandex.clickhouse</groupId>
            <artifactId>clickhouse-jdbc</artifactId>
            <version>0.2.4</version>
        </dependency>

創(chuàng)建數(shù)據(jù)寫入程序文件。

示例程序使用CsvTableSource讀入 CSV 文件產(chǎn)生Table Source，使用JDBCAppendTableSink將數(shù)據(jù)寫入到ClickHouse Sink中。

說(shuō)明

由于ClickHouse單次插入的延遲比較高，我們需要設(shè)置BatchSize來(lái)批量插入數(shù)據(jù)，提高性能。
在JDBCAppendTableSink的實(shí)現(xiàn)中，若最后一批數(shù)據(jù)的數(shù)目不足BatchSize，則不會(huì)插入剩余數(shù)據(jù)。

package org.myorg.example

import org.apache.flink.streaming.api.scala._
import org.apache.flink.table.sources._
import org.apache.flink.table.api.scala.StreamTableEnvironment
import org.apache.flink.table.api._
import org.apache.flink.types.Row
import org.apache.flink.table.api.{
  TableEnvironment,
  TableSchema,
  Types,
  ValidationException
}
import org.apache.flink.api.java.io.jdbc.JDBCAppendTableSink
import org.apache.flink.api.common.typeinfo.TypeInformation

object StreamingJob {
  def main(args: Array[String]) {
    val SourceCsvPath =
      "/<YOUR-PATH-TO-TEST-CSV>/source.csv"
    val CkJdbcUrl =
      "jdbc:clickhouse://<clickhouse-host>:<port>/<database>"
    val CkUsername = "<YOUR-USERNAME>"
    val CkPassword = "<YOUR-PASSWORD>"
    val BatchSize = 500 // 設(shè)置您的batch size

    val env = StreamExecutionEnvironment.getExecutionEnvironment

    val tEnv = StreamTableEnvironment.create(env)

    val csvTableSource = CsvTableSource
      .builder()
      .path(SourceCsvPath)
      .ignoreFirstLine()
      .fieldDelimiter(",")
      .field("name", Types.STRING)
      .field("age", Types.LONG)
      .field("sex", Types.STRING)
      .field("grade", Types.LONG)
      .field("rate", Types.FLOAT)
      .build()

    tEnv.registerTableSource("source", csvTableSource)

    val resultTable = tEnv.scan("source").select("name, grade, rate")

    val insertIntoCkSql =
      """
        |  INSERT INTO sink_table (
        |    name, grade, rate
        |  ) VALUES (
        |    ?, ?, ?
        |  )
      """.stripMargin

//將數(shù)據(jù)寫入 ClickHouse Sink 
    val sink = JDBCAppendTableSink
      .builder()
      .setDrivername("ru.yandex.clickhouse.ClickHouseDriver")
      .setDBUrl(CkJdbcUrl)
      .setUsername(CkUsername)
      .setPassword(CkPassword)
      .setQuery(insertIntoCkSql)
      .setBatchSize(BatchSize)
      .setParameterTypes(Types.STRING, Types.LONG, Types.FLOAT)
      .build()

    tEnv.registerTableSink(
      "sink",
      Array("name", "grade", "rate"),
      Array(Types.STRING, Types.LONG, Types.FLOAT),
      sink
    )

    tEnv.insertInto(resultTable, "sink")

    env.execute("Flink Table API to ClickHouse Example")
  }
}

參數(shù)說(shuō)明：

SourceCsvPath：源CSV文件路徑。
CkJdbcUrl：目標(biāo)ClickHouse集群地址。
CkUsername：目標(biāo)ClickHouse集群用戶名。
CkPassword：目標(biāo)ClickHouse集群對(duì)應(yīng)密碼。

編譯運(yùn)行。

$ mvn clean package
$ ${FLINK_HOME}/bin/flink run target/example-0.1.jar

Flink 1.11.0 + flink-connector-jdbc

Flink 1.11.0及之后版本需要采用flink-connector-jdbc+DataStream的方式寫入數(shù)據(jù)到ClickHouse。本節(jié)我們使用Maven及Flink 1.11.0版本為例。

用mvn archetype:generate命令創(chuàng)建項(xiàng)目，生成過(guò)程中會(huì)提示輸入group-id和artifact-id等。

$ mvn archetype:generate \
      -DarchetypeGroupId=org.apache.flink \
      -DarchetypeArtifactId=flink-quickstart-scala \
      -DarchetypeVersion=1.11.0