SeaTunnel Databend Sink Connector CDC 功能实现详解

发表于 分类于 阅读次数：

SeaTunnel Databend Sink Connector CDC 功能实现详解

背景介绍

Databend 是一个面向分析型工作负载优化的 OLAP 数据库，采用列式存储架构。在处理 CDC（Change Data Capture，变更数据捕获）场景时，如果直接执行单条的 UPDATE 和 DELETE 操作，会严重影响性能，无法充分发挥 Databend 在批处理方面的优势。

在 PR #9661 之前，SeaTunnel 的 Databend sink connector 仅支持批量 INSERT 操作，缺乏对 CDC 场景中 UPDATE 和 DELETE 操作的高效处理能力。这限制了在实时数据同步场景中的应用。

核心问题与挑战

在 CDC 场景中，主要面临以下挑战：

  1. 性能瓶颈：逐条执行 UPDATE/DELETE 操作会产生大量的网络往返和事务开销
  2. 资源消耗：频繁的单条操作无法利用 Databend 的列式存储优势
  3. 数据一致性：需要确保变更操作的顺序性和完整性
  4. 吞吐量限制：传统方式难以应对高并发大数据量的 CDC 事件流

解决方案架构

整体设计思路

新的 CDC 模式通过以下创新设计实现高性能数据同步：

1
2
3
4
5
6
graph LR
    A[CDC 数据源] --> B[SeaTunnel]
    B --> C[原始表 Raw Table]
    C --> D[Databend Stream]
    D --> E[MERGE INTO 操作]
    E --> F[目标表 Target Table]

核心组件

1. CDC 模式激活机制

当用户在配置中指定 conflict_key 参数时，connector 自动切换到 CDC 模式：

1
2
3
4
5
6
7
8
9
10
11
12
13
14
sink {
  Databend {
    url = "jdbc:databend://databend:8000/default?ssl=false"
    user = "root"
    password = ""
    database = "default"
    table = "sink_table"
    
    # Enable CDC mode
    batch_size = 100
    conflict_key = "id"
    allow_delete = true
  }
}

2. 原始表设计

系统自动创建一个临时原始表来存储 CDC 事件：

1
2
3
4
5
6
7
CREATE TABLE IF NOT EXISTS raw_cdc_table_${target_table} (
    id VARCHAR,                    -- 主键标识
    table_name VARCHAR,            -- 目标表名
    raw_data JSON,                 -- 完整的行数据（JSON格式）
    add_time TIMESTAMP,            -- 事件时间戳
    action VARCHAR                 -- 操作类型：INSERT/UPDATE/DELETE
)

3. Stream 机制

利用 Databend Stream 功能监控原始表的变化：

1
2
CREATE STREAM IF NOT EXISTS stream_${target_table} 
ON TABLE raw_cdc_table_${target_table}

Stream 的优势：

  • 增量处理：只处理新增的变更记录
  • 事务保证：确保数据不丢失
  • 高效查询：避免全表扫描

4. 两阶段处理模型

第一阶段：数据写入

  • SeaTunnel 将所有 CDC 事件（INSERT/UPDATE/DELETE）以 JSON 格式写入原始表
  • 支持批量写入，提高吞吐量

第二阶段：合并处理

  • 基于 seatunnel AggregatedCommitter 定期执行 MERGE INTO 操作
  • 将原始表的数据合并到目标表

MERGE INTO 核心逻辑

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
MERGE INTO target_table AS t
USING (
    SELECT 
        raw_data:column1::VARCHAR AS column1,
        raw_data:column2::INT AS column2,
        raw_data:column3::TIMESTAMP AS column3,
        action,
        id
    FROM stream_${target_table}
    QUALIFY ROW_NUMBER() OVER(
        PARTITION BY _id 
        ORDER BY _add_time DESC
    ) = 1 
) AS s
ON t.id = s.id
WHEN MATCHED AND s._action = 'UPDATE' THEN 
    UPDATE SET *
WHEN MATCHED AND s._action = 'DELETE' THEN 
    DELETE
WHEN NOT MATCHED AND s._action != 'DELETE' THEN 
    INSERT *

实现细节

关键代码实现

根据 PR #9661 的实现，主要涉及以下核心类：

DatabendSinkWriter 增强

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
public class DatabendSinkWriter extends AbstractSinkWriter<SeaTunnelRow, DatabendWriteState> {
    
    private boolean cdcMode;
    private String rawTableName;
    private String streamName;
    private ScheduledExecutorService mergeExecutor;
    
    @Override
    public void write(SeaTunnelRow element) throws IOException {
        if (cdcMode) {
            // CDC 模式：写入原始表
            writeToRawTable(element);
        } else {
            // 普通模式：直接写入目标表
            writeToTargetTable(element);
        }
    }
  
    private void performMerge(List<DatabendSinkAggregatedCommitInfo> aggregatedCommitInfos) {
        // Merge all the data from raw table to target table
        String mergeSql = generateMergeSql();
        log.info("[Instance {}] Executing MERGE INTO statement: {}", instanceId, mergeSql);

        try (Statement stmt = connection.createStatement()) {
            stmt.execute(mergeSql);
            log.info("[Instance {}] Merge operation completed successfully", instanceId);
        } catch (SQLException e) {
            log.error(
                    "[Instance {}] Failed to execute merge operation: {}",
                    instanceId,
                    e.getMessage(),
                    e);
            throw new DatabendConnectorException(
                    DatabendConnectorErrorCode.SQL_OPERATION_FAILED,
                    "Failed to execute merge operation: " + e.getMessage(),
                    e);
        }
    }
}

配置选项扩展

在 DatabendSinkOptions 中新增 CDC 相关配置：

1
2
3
4
5
6
7
8
9
10
11
12
13
public class DatabendSinkOptions {
      public static final Option<String> CONFLICT_KEY =
            Options.key("conflict_key")
                    .stringType()
                    .noDefaultValue()
                    .withDescription("Conflict key for CDC merge operations");

    public static final Option<Boolean> ALLOW_DELETE =
            Options.key("allow_delete")
                    .booleanType()
                    .defaultValue(false)
                    .withDescription("Whether to allow delete operations in CDC mode");
}

批处理优化策略

系统采用双重触发机制执行 MERGE 操作：

  1. 基于数量：当累积的 CDC 事件达到 batch_size 时触发
  2. 基于时间：seatunnel 的 checkpoint.interval 达到后触发
1
2
3
if (isCdcMode && shouldPerformMerge()) {
          performMerge(aggregatedCommitInfos);
      }

性能优势

1. 批量处理优化

  • 传统方式：1000 条更新 = 1000 次网络往返
  • CDC 模式：1000 条更新 = 1 次批量写入 + 1 次 MERGE 操作

2. 列式存储利用

  • MERGE INTO 操作充分利用 Databend 的列式存储特性
  • 批量更新时只需扫描相关列，减少 I/O 开销

3. 资源效率提升

  • 减少连接开销
  • 降低事务管理成本
  • 提高并发处理能力

使用示例

完整配置示例

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
env{
  parallelism = 1
  job.mode = "STREAMING"
  checkpoint.interval = 1000
}

source {
  MySQL-CDC {
   base-url="jdbc:mysql://127.0.0.1:3306/mydb"
   username="root"
   password="123456"
   table-names=["mydb.t1"]
   startup.mode="initial"
  }
}
sink {
  Databend {
    url = "jdbc:databend://127.0.0.1:8009?presigned_url_disabled=true"
    database = "default"
    table = "t1"
    user = "databend"
    password = "databend"
    batch_size = 2
    auto_create = true
    interval = 3
    conflict_key = "a"
    allow_delete = true
  }
}

监控与调试

1
2
3
4
5
6
7
8
9
10
11
12
13
-- 查看 Stream 状态
SHOW STREAMS;

-- 查看原始表数据量
SELECT COUNT(*) FROM raw_cdc_table_users;

-- 查看待处理的变更
SELECT _action, COUNT(*) 
FROM stream_users 
GROUP BY _action;

-- 手动触发合并（调试用）
CALL SYSTEM$STREAM_CONSUME('stream_users');

错误处理与容错

1. 重试机制

2. 数据一致性保证

  • 使用 QUALIFY ROW_NUMBER() 确保只处理最新的变更
  • Stream 机制保证不丢失数据
  • 支持 checkpoint 恢复

3. 资源清理

1
2
3
-- 定期清理已处理的原始表数据
DELETE FROM raw_cdc_table_users 
WHERE _add_time < DATEADD(day, -7, CURRENT_TIMESTAMP());

未来优化方向

  1. 智能批处理：根据数据特征动态调整批处理大小
  2. Schema 演进：自动处理表结构变更
  3. 监控指标：集成更完善的性能监控

总结

通过引入 Stream 和 MERGE INTO 机制，SeaTunnel 的 Databend sink connector 成功实现了高性能的 CDC 支持。这一创新方案不仅大幅提升了数据同步性能，还保证了数据一致性和可靠性。对于需要实时数据同步的 OLAP 场景，这一功能提供了强大的技术支撑。

相关链接