Flink无法将聚合结果直接写入Kafka怎么办？-flink kafka

抛出疑无路？

【Flink 1.10】- 有一种情况是所有的系统或应用之间的桥梁都是Kafka，而这个时候恰恰是上游需要做Unbound的聚合统计。From @PyFlink 企业用户。

示例代码：

INSERT INTO kafkaSink 
    SELECT 
      id, 
      SUM(cnt) 
    FROM csvSource 
    GROUP BY id

执行这个SQL，在【Flink 1.10】版本会抛出如下异常：

再现又一村！

【Flink-1.10】这个问题是因Flink内部Retract机制导致，在没有考虑对Chanage log全链路支持之前，无法在Kafka这样的Append only的消息队列增加对Retract/Upsert的支持。这个做法是出于语义完整性考虑做出的决定。但现实业务场景总是有着这样或那样的实际业务需求，业务不关心你语义是否okay，业务关心我不改变我原有的技术选型。

在这个基础之上只要你告诉我Sink到Kafka的行为就行，我会根据你的产出行为，在业务上面做适配，所以这个时候就是实用为主，不管什么语义不语义了......，所以这个时候应该怎么办呢？

我们的做法是将 Kafka的sink由原有的AppendStreamTableSink变成UpsertStreamTableSink或者RetractStreamTableSink。但出于性能考虑，我们改变成UpsertStreamTableSink，这个改动不多，但是对于初学者来讲还是不太愿意动手改代码，所以为大家提供一份：

KafkaTableSinkBase.java

https://github.com/sunjincheng121/know_how_know_why/blob/master/QA/upsertKafka/src/main/java/org/apache/flink/streaming/connectors/kafka/KafkaTableSinkBase.java

KafkaTableSourceSinkFactoryBase.java

https://github.com/sunjincheng121/know_how_know_why/blob/master/QA/upsertKafka/src/main/java/org/apache/flink/streaming/connectors/kafka/KafkaTableSourceSinkFactoryBase.java

在你的项目创建 org.apache.flink.streaming.connectors.kafka包并把上面的两个类放入该包，用于覆盖官方KafkaConnector里面的实现。

特别强调：这样的变化会导致写入Kafka的结果不会是每个Group Key只有一条结果，而是每个Key可能有很多条结果。这个大家可以自行测试一下：

package cdc

import org.apache.flink.api.scala._
import org.apache.flink.streaming.api.scala.StreamExecutionEnvironment
import org.apache.flink.table.api.scala._

/**
 * Test for sink data to Kafka with upsert mode.
 */
object UpsertKafka {
  def main(args: Array[String]): Unit = {
    val sourceData = "file:///Users/jincheng.sunjc/work/know_how_know_why/QA/upsertKafka/src/main/scala/cdc/id_cnt_data.csv"
    val env = StreamExecutionEnvironment.getExecutionEnvironment
    val tEnv = StreamTableEnvironment.create(env)

    val sourceDDL = "CREATE TABLE csvSource (" +
      "  id VARCHAR," +
      "  cnt INT" +
      ") WITH (" +
      "'connector.type' = 'filesystem'," +
      "'connector.path' = '" + sourceData + "'," +
      "'format.type' = 'csv'" +
      ")"

    val sinkDDL = "CREATE TABLE kafkaSink (" +
      "  id VARCHAR," +
      "  cnt INT " +
      ") WITH (" +
      "'connector.type' = 'kafka'," +
      "'connector.version' = '0.10'," +
      "'connector.topic' = 'test'," +
      "'connector.properties.zookeeper.connect' = 'localhost:2181'," +
      "'connector.properties.bootstrap.servers' = 'localhost:9092'," +
      "'connector.properties.group.id' = 'data_Group'," +
      "'format.type' = 'json')"

    tEnv.sqlUpdate(sourceDDL)
    tEnv.sqlUpdate(sinkDDL)

    val sql = "INSERT INTO kafkaSink" +  
    " SELECT id, SUM(cnt) FROM csvSource GROUP BY id"
    tEnv.sqlUpdate(sql)
    env.execute("RetractKafka")
  }
}

当然，也可以clone我的git代码【https://github.com/sunjincheng121/know_how_know_why/tree/master/QA/upsertKafka】直观体验一下。由于本系列文章只关注解决问题，不论述细节原理，有关原理性知识，我会在我的视频课程《Apache 知其然，知其所以然》中进行介绍。

Flink 的锅？...

看到上面的问题有些朋友可能会问，既然知道问题，知道有实际业务需求，为啥Flink不改进，不把这种情况支持掉呢？问的好，就这个问题而言，Flink是委屈的，Flink已经在努力支持这个场景了，预期Flink-1.12的版本大家会体验到完整的CDC（change data capture）支持。

众人拾柴

期待你典型问题的抛出... 我将知无不言...言无不尽... 我在又一村等你...

作者介绍

孙金城，51CTO社区编辑，Apache Flink PMC 成员，Apache Beam Committer，Apache IoTDB PMC 成员，ALC Beijing 成员，Apache ShenYu 导师，Apache 软件基金会成员。关注技术领域流计算和时序数据存储。