因為在一篇博文上看到介紹“汽車之家介紹flink數據平台”中提到“基於 SQL 的開發流程”。基於kafka connector，通過source,sink,transformation三條sql完成數據接入，邏輯轉換處理，結果落地三步工作。出於興趣，自己去簡(粗)單（糙）實現了這其中的一個小功能。相關的博文在這里，相關的代碼上傳到github。
簡單說，通過kafka connector用3條sql實現如圖所示功能：
但是實現的過程中也遇到了兩個問題。
問題
- 截止到目前最新的flink版本在kafka connector也只支持
inStreamingMode,並不支持inBatchMode。不能實現汽車之家通過kafka connector來實現每日的定時統計。
https://nightlies.apache.org/flink/flink-docs-release-1.14/docs/connectors/table/kafka/
如圖，只支持unbounded無界數據流，不支持bounded有界數據即batchmode.
-
在sink的時候是只支持append模式，而在append模式下，不支持group by，因為使用了group by 會改行結果行。
那么按照汽車之家每日統計PV,UV的需求必然需要使用到group by.按目前flink的最新版本也是辦不到的。
如果強行使用group by 將會拋出異常：
目前sink只支持append模式，如果使用了group by 等會改變結果行，會報錯：AppendStreamTableSink doesn't support consuming update changes which is produced by node GroupAggregate
對於spark和flink這種絕對主流的大數據框架，稍微上點規模的公司應該都有維護自己的內部分支，基於自家的業務做一些定制化開發。汽車之家應該也不例外。
所以以上功能flink社區版不能做到，汽車之家應該是基於內部的實現。
以上是背景介紹。
基於該功能並不算特別復雜，花了兩天業余時間實現了。
思路
-
kafka參數問題
要接入kafka，就要設置kafka連接信息，起始信息，以及
結束信息.開始信息可選參數如下：
參數名 參數值 scan.startup.mode 可選值：'earliest-offset', 'latest-offset', 'group-offsets', 'timestamp' and 'specific-offsets' scan.startup.specific-offsets 指定每個分區的偏移量，比如：'partition:0,offset:42;partition:1,offset:300' scan.startup.timestamp-millis 直接指定開始時間戳，long類型 依葫蘆畫瓢，去除
earliest-offset,結束信息可選參數可設置成：參數名 參數值 scan.endup.mode 可選值：'latest-offset', 'group-offsets', 'timestamp' and 'specific-offsets' scan.endup.specific-offsets 指定每個分區的偏移量，比如：'partition:0,offset:42;partition:1,offset:300' scan.sendup.timestamp-millis 直接指定結束時間戳，long類型 -
支持batchmode的問題
這里涉及到一個版本的問題。flink kafka connector API在最近幾個版本變化挺大的。就內部實現而言，1.13和1.14也有不小的變化。
比如，判斷當前任務是否有界時，1.13版本是直接寫為
false
而在1.14版本變成了可動態判斷並設置
public boolean isBounded() { return kafkaSource.getBoundedness() == Boundedness.BOUNDED; }
可以看到這里通過
kafkaSource.getBoundedness()獲取當前任務是否有界，點進KafkaSource,對於boundedness屬性，既然有getter那必然有setter啊。果不其然，在
KafkaSourceBuilder類中提供了setBounded方法。這里還有意外驚喜，這個方法不但提供了設置bounded的功能，還能直接設置結束的參數。那么上一個
kafka參數問題解決了定義問題，而在這里就解決了設置的問題。
-
參數提交至kafkasource的問題
參數問題分為
定義和提交。定義在第1部份已經解決，提交就是第2部份的setBounded,但在哪里觸發呢？在
KafkaDynamicSource.createKafkaSource的方法里。這里可仿照switch(startupMode)寫一個switch(endupuMode),在里面的分支去實現各種參數情況LATEST,TIMESTAMP，再在各個分支里設置kafka參數。在case分支我們可以仿照
kafkaSourceBuilder.setStartingOffsets實現一個kafkaSourceBuilder.setEndOffsets。在flink 1.13就得這么實現。但在flink 1.14,經過前面的分析得知setBounded可設置結束參數。一舉兩得。
-
group by支持問題
經過分析，我發現這個問題屬於是庸人自擾。
AppendStreamTableSink doesn't support group by僅在streamingmode模式下，batchmode不存在改變結果行的問題，所以，只要改成了batchmode,天然的就不存在group by 異常問題。
實現
選定flink 1.14版本，fork，拉取到本地，新建分支。
目前scan.endup.mode 只支持latest-offset和timestamp兩種方式。
-
具體實現細節，就不一一貼代碼了，有湊字數之嫌。
有興趣實現細節的，可以查看這兩個commit記錄。大致就是這些改動。 -
完成代碼：
編譯
代碼實現完畢，本地編譯。
使用maven,常規操作。有兩個注意的點：
-
flink使用了
spotless進行代碼格式化檢測。修改了源碼重新編譯如果代碼格式不對，可能就是沒換行或者少了多了一個空格，就通過不了。編譯前，可以使用
'mvn spotless:apply自動校正。 -
flink 使用了
Checkstyle,一些代碼使用了import static，添加靜態引入后進行編譯時要注意。
測試
編譯成功后，可部署成單點或者偽集群模式測試。
這里采用本地測試。
- 將
flink-connector-kafka_2.11-1.14.0.jar和flink-connector-kafka_2.11-1.14.0.xmlpom文件手動放入或者mvn install本地倉庫。 - 我測試的時候，需手動引用kafka-clients依賴。這點我不保證。
確保將重新編譯后的jar包引入項目
測試代碼：
{
EnvironmentSettings fsSettings = EnvironmentSettings.newInstance()
.inBatchMode()
// .inStreamingMode()
.build();
TableEnvironment te = TableEnvironment.create(fsSettings);
String kafkaSql = "CREATE TABLE kafkatable (\n" +
" key STRING," +
" ts TIMESTAMP" +
") WITH (\n" +
" 'connector' = 'kafka',\n" +
" 'topic' = 'xxx',\n" +
" 'properties.bootstrap.servers' = 'xxx.xx.xxx.xxx:9092',\n" +
" 'properties.group.id' = 'xxx',\n" +
// -- optional: valid modes are "earliest-offset",
// -- "latest-offset", "group-offsets",
// -- or "specific-offsets"
" 'scan.startup.mode' = 'earliest-offset',\n" +
" 'scan.endup.mode' = 'latest-offset',\n" +
// " 'scan.endup.mode' = 'timestamp',\n" +
// " 'scan.endup.timestamp-millis' = '1641974234163',\n" +
// " 'scan.endup.mode' = 'latest-offset',\n" +
// "'scan.startup.specific-offsets' = 'partition:0,offset:20'," +
// " 'connector.specific-offsets.0.partition' = '0',"+
// "'connector.specific-offsets.0.offset' = '1',"+
" 'format' = 'json',\n" +
" 'json.fail-on-missing-field' = 'false',\n" +
" 'json.ignore-parse-errors' = 'true'\n" +
")";
te.executeSql(kafkaSql);
String sqlFile = "CREATE TABLE fs_table (\n" +
" dt VARCHAR,\n" +
" pv BIGINT,\n" +
" uv BIGINT" +
") WITH (\n" +
" 'connector'='filesystem',\n" +
" 'path'='d://path',\n" +
" 'format'='json',\n" +
" 'sink.partition-commit.delay'='1 s',\n" +
" 'sink.partition-commit.policy.kind'='success-file'\n" +
")";
te.executeSql(sqlFile);
te.executeSql("INSERT INTO fs_table\n" +
"SELECT\n" +
" 'as' as dt,\n" +
" COUNT(*) AS pv,\n" +
" COUNT(DISTINCT key) AS uv\n" +
"FROM kafkatable group by key\n").print();
}
測試代碼的sql邏輯僅為測試。不要追究為什么count(*)是pv，隨手寫的。
測試代碼
scan.endup.mode設置為latest-offset。如果要實現最開始的按天統計,如下設置。scan.startup.mode同理。
" 'scan.endup.mode' = 'timestamp',\n" +
" 'scan.endup.timestamp-millis' = '1641974234163',\n" +
這段代碼測試通過inBatchMode引入kafka數據源，並將處理后的數據寫入本地文件。
運行結果，測試通過。
完