在使用dinky+flink cdc+hudi,实现数据入湖的过程中发现一个这样的问题,在同步完全量数据之后,将'scan.startup.mode' = 'latest-offset'这个参数切换为initial之后,对源表中的数据删除,flink cdc不能同步删除掉的数据。但是更新一下这个数据就可以删除了,新增数据也可以同步。这是为什么呢
在Flink CDC中,全量模式和增量模式的数据同步方式不同,可能会导致一些数据无法正确同步。
在全量模式下,Flink CDC会一次性同步表中的所有数据,包括已删除的数据。但是在增量模式下,Flink CDC只会同步表中新增和修改的数据,删除的数据不会被同步。
因此,如果你将Flink CDC从全量模式切换到增量模式后,发现删除的数据无法同步,那可能是因为这些数据在切换到增量模式后已经从源数据库中删除了,Flink CDC无法获取这些删除的数据。
这个问题可能是由于你的Hudi表的删除策略导致的。Hudi支持两种删除策略,一种是软删除,一种是硬删除。软删除是指在Hudi表中保留被删除的记录,但是将其标记为无效,这样可以在查询时过滤掉。硬删除是指在Hudi表中彻底删除被删除的记录,这样可以节省存储空间。默认情况下,Hudi使用软删除策略。
如果你想使用硬删除策略,你需要在写入Hudi表时设置一个参数hoodie.datasource.write.payload.class
为org.apache.hudi.common.model.EmptyHoodieRecordPayload
。这样,当Flink CDC检测到源表中的数据被删除时,会将一个空的payload写入Hudi表,从而触发硬删除操作。
版权声明:本文内容由阿里云实名注册用户自发贡献,版权归原作者所有,阿里云开发者社区不拥有其著作权,亦不承担相应法律责任。具体规则请查看《阿里云开发者社区用户服务协议》和《阿里云开发者社区知识产权保护指引》。如果您发现本社区中有涉嫌抄袭的内容,填写侵权投诉表单进行举报,一经查实,本社区将立刻删除涉嫌侵权内容。
实时计算Flink版是阿里云提供的全托管Serverless Flink云服务,基于 Apache Flink 构建的企业级、高性能实时大数据处理系统。提供全托管版 Flink 集群和引擎,提高作业开发运维效率。