Skip to main content

Dirty Plugins

背景​

目前任务对脏数据的处理仅仅是日志打印，这样显然是无法应对客户多变的使用场景。

方案​

整体架构采用生产者-消费者模式，任务启动过程中，同时将Manager初始化并启动Consumer异步线程池，仅需在BaseRichInputFormat 和 BaseRichOutputFormat 调用 Manager的collect() 方法收集脏数据即可。 流程图 image

image

详细描述​

任务配置参数

对应Java 实体类 - DirtyConf​

image

  • type 插件类型，必填项，根据type动态加载对应的插件；
  • printRate 脏数据在日志中的打印频率，默认值修改为1，表示默认脏数据信息都会打印到日志文件中，同时，如果printRate <= 0，表示不打印任何脏数据信息；
  • errorLimit 脏数据在插件中，处理失败的条数限制，当处理失败的脏数据条数超过这个限制时，任务抛出NoRestartException，即任务失败且不重试：默认值修改为1，如果errorLimit < 0，表示任务容忍所有的异常，不失败；
  • totalLimit 脏数据总条数限制，即收集到的脏数据超过这个限制时，任务抛出NoRestartException，即任务失败且不重试；默认值修改为1，如果totalLimit < 0，表示任务容忍所有的异常，不失败；
  • properties 各自插件的参数配置

脏数据插件管理者​

对应Java 实体类 - DirtyManager image

Manager主要维护着脏数据消费者Consumer 和 一个异步线程池；

  • 主要作用是收集脏数据，并下发到Consumer队列中

  • 调用 collect() 方法 BaseRichInputFormat

脏数据插件消费者​

对应Java 实体类 - AbstractDirtyConsumer Consumer主要维护着一个消息队列，中间缓存着脏数据信息；

  • run() 方法 主要逻辑是消费队列中的脏数据，consume() 方法交给子类去实现；如果在consume过程中出现了异常，那么errorCounter 计数加一。

  • consume() 方法 处理脏数据的具体逻辑，交由子类实现，根据插件的不同，对脏数据处理逻辑也会有所不同。

以下参数在ChunJun 启动参数-confProp中​

chunjun.dirty-data.output-type = log/jdbc
chunjun.dirty-data.max-rows = 1000 // total limit
chunjun.dirty-data.max-collect-failed-rows = 1000 // error limit

chunjun.dirty-data.jdbc.url=
chunjun.dirty-data.jdbc.username=
chunjun.dirty-data.jdbc.password=
chunjun.dirty-data.jdbc.database=   // database 可以写在 url
chunjun.dirty-data.jdbc.table=

chunjun.dirty-data.log.print-interval= 500

JDBC 建表语句（MySQL）

CREATE TABLE IF NOT EXISTS chunjun_dirty_data
(
job_id        VARCHAR(32)                               NOT NULL COMMENT 'Flink Job Id',
job_name      VARCHAR(255)                              NOT NULL COMMENT 'Flink Job Name',
operator_name VARCHAR(255)                              NOT NULL COMMENT '出现异常数据的算子名，包含表名',
dirty_data    TEXT                                      NOT NULL COMMENT '脏数据的异常数据',
error_message TEXT COMMENT '脏数据中异常原因',
field_name    VARCHAR(255) COMMENT '脏数据中异常字段名',
create_time    TIMESTAMP(6) DEFAULT CURRENT_TIMESTAMP(6) NOT NULL ON UPDATE CURRENT_TIMESTAMP(6) COMMENT '脏数据出现的时间点'
)
COMMENT '存储脏数据';

CREATE INDEX idx_job_id ON chunjun_dirty_data (job_id);
CREATE INDEX idx_operator_name ON chunjun_dirty_data(operator_name);
CREATE INDEX idx_create_time ON chunjun_dirty_data(create_time);
Metircs
chunjun_DirtyData_count
chunjun_DirtyData_collectFailedCount

项目目录结构​

父模块​

chunjun-dirty

子模块​

chunjun-dirty-mysql chunjun-dirty-log