概述
该方案首先感谢社区Spark Doris Connector的作者
从Doris角度看，将其数据引入Flink，可以使用Flink一系列丰富的生态产品，拓宽了产品的想象力，也使得Doris和其他数据源的联合查询成为可能
从我们业务架构出发和业务需求，我们选择了Flink作为我们架构的一部分，用于数据的ETL及实时计算框架，社区目前支持Spark doris connector，因此我们参照Spark doris connector 设计开发了Flink doris Connector。
技术选型
一开始我们选型的时候，也是和Spark Doris Connector 一样，开始考虑的是JDBC的方式，但是这种方式就像Spark doris connector那篇文章中说的，有优点，但是缺点更明显。后来我们阅读及测试了Spark的代码，决定站在巨人的肩上来实现（备注：直接拷贝代码修改）。
以下内容来自Spark Doris Connector博客的，直接拷贝了
于是我们开发了针对Doris的新的Datasource，Spark-Doris-Connector。这种方案下，Doris可以暴露Doris数据分布给Spark。Spark的Driver访问Doris的FE获取Doris表的Schema和底层数据分布。之后，依据此数据分布，合理分配数据查询任务给Executors。最后，Spark的Executors分别访问不同的BE进行查询。大大提升了查询的效率
使用方法
在Doris的代码库的 extension/flink-doris-connector/ 目录下编译生成doris-flink-1.0.0-SNAPSHOT.jar，将这个jar包加入flink的ClassPath中，即可使用Flink-on-Doris功能了
SQL方式
CREATE TABLE flink_doris_source ( name STRING, age INT, price DECIMAL(5,2), sale DOUBLE ) WITH ( 'connector' = 'doris', 'fenodes' = '$YOUR_DORIS_FE_HOSTNAME:$YOUR_DORIS_FE_RESFUL_PORT', 'table.identifier' = '$YOUR_DORIS_DATABASE_NAME.$YOUR_DORIS_TABLE_NAME', 'username' = '$YOUR_DORIS_USERNAME', 'password' = '$YOUR_DORIS_PASSWORD' ); CREATE TABLE flink_doris_sink ( name STRING, age INT, price DECIMAL(5,2), sale DOUBLE ) WITH ( 'connector' = 'doris', 'fenodes' = '$YOUR_DORIS_FE_HOSTNAME:$YOUR_DORIS_FE_RESFUL_PORT', 'table.identifier' = '$YOUR_DORIS_DATABASE_NAME.$YOUR_DORIS_TABLE_NAME', 'username' = '$YOUR_DORIS_USERNAME', 'password' = '$YOUR_DORIS_PASSWORD' ); INSERT INTO flink_doris_sink select name,age,price,sale from flink_doris_source
DataStream方式
DorisOptions.Builder options = DorisOptions.builder() .setFenodes("$YOUR_DORIS_FE_HOSTNAME:$YOUR_DORIS_FE_RESFUL_PORT") .setUsername("$YOUR_DORIS_USERNAME") .setPassword("$YOUR_DORIS_PASSWORD") .setTableIdentifier("$YOUR_DORIS_DATABASE_NAME.$YOUR_DORIS_TABLE_NAME"); env.addSource(new DorisSourceFunction<>(options.build(),new SimpleListDeserializationSchema())).print();
适用场景
1.使用Flink对Doris中的数据和其他数据源进行联合分析
很多业务部门会将自己的数据放在不同的存储系统上，比如一些在线分析、报表的数据放在Doris中，一些结构化检索数据放在Elasticsearch中、一些需要事物的数据放在MySQL中，等等。业务往往需要跨多个存储源进行分析，通过Flink Doris Connector打通Flink和Doris后，业务可以直接使用Flink，将Doris中的数据与多个外部数据源做联合查询计算。
2.实时数据接入
Flink Doris Connector之前：针对业务不规则数据，经常需要针对消息做规范处理，空值过滤等写入新的topic，然后再启动Routine load写入Doris。
image.png
Flink Doris Connector之后：flink读取kafka，直接写入doris。
image.png
技术实现
架构图
image
Doris对外提供更多能力
Doris FE
对外开放了获取内部表的元数据信息、单表查询规划和部分统计信息的接口。
所有的Rest API接口都需要进行HttpBasic认证，用户名和密码是登录数据库的用户名和密码，需要注意权限的正确分配。
// 获取表schema元信息 GET api/{database}/{table}/_schema // 获取对单表的查询规划模版 POST api/{database}/{table}/_query_plan { "sql": "select k1, k2 from {database}.{table}" } // 获取表大小 GET api/{database}/{table}/_count
Doris BE
通过Thrift协议，直接对外提供数据的过滤、扫描和裁剪能力。
service TDorisExternalService { // 初始化查询执行器 TScanOpenResult open_scanner(1: TScanOpenParams params); // 流式batch获取数据，Apache Arrow数据格式 TScanBatchResult get_next(1: TScanNextBatchParams params); // 结束扫描 TScanCloseResult close_scanner(1: TScanCloseParams params); }
实现DataStream
继承 org.apache.flink.streaming.api.functions.source.RichSourceFunction ，自定义DorisSourceFunction，初始化时，获取相关表的执行计划，获取对应的分区。
重写run方法，循环从分区中读取数据。
public void run(SourceContext sourceContext){ //循环读取各分区 for(PartitionDefinition partitions : dorisPartitions){ scalaValueReader = new ScalaValueReader(partitions, settings); while (scalaValueReader.hasNext()){ Object next = scalaValueReader.next(); sourceContext.collect(next); } } }
实现Flink SQL on Doris
参考了Flink自定义Source&Sink 和 Flink-jdbc-connector，实现了下面的效果，可以实现用Flink SQL直接操作Doris的表，包括读和写。
实现细节
1.实现DynamicTableSourceFactory , DynamicTableSinkFactory 注册 doris connector
2.自定义DynamicTableSource和DynamicTableSink 生成逻辑计划
3.DorisRowDataInputFormat和DorisDynamicOutputFormat获取到逻辑计划后开始执行。
image
实现中最主要的是基于RichInputFormat和RichOutputFormat 定制的
DorisRowDataInputFormat和DorisDynamicOutputFormat。
在DorisRowDataInputFormat中，将获取到的dorisPartitions 在createInputSplits中 切分成多个分片，用于并行计算。
public DorisTableInputSplit[] createInputSplits(int minNumSplits) { List<DorisTableInputSplit> dorisSplits = new ArrayList<>(); int splitNum = 0; for (PartitionDefinition partition : dorisPartitions) { dorisSplits.add(new DorisTableInputSplit(splitNum++,partition)); } return dorisSplits.toArray(new DorisTableInputSplit[0]); } public RowData nextRecord(RowData reuse) { if (!hasNext) { //已经读完数据，返回null return null; } List next = (List)scalaValueReader.next(); GenericRowData genericRowData = new GenericRowData(next.size()); for(int i =0;i<next.size();i++){ genericRowData.setField(i, next.get(i)); } //判断是否还有数据 hasNext = scalaValueReader.hasNext(); return genericRowData; }
在DorisRowDataOutputFormat中，通过streamload的方式向doris中写数据。
streamload程序参考org.apache.doris.plugin.audit.DorisStreamLoader
public void writeRecord(RowData row) throws IOException { //streamload 默认分隔符 \t StringJoiner value = new StringJoiner("\t"); GenericRowData rowData = (GenericRowData) row; for(int i = 0; i < row.getArity(); ++i) { value.add(rowData.getField(i).toString()); } //streamload 写数据 DorisStreamLoad.LoadResponse loadResponse = dorisStreamLoad.loadBatch(value.toString()); System.out.println(loadResponse);
