大家好, 我这边想做一个实时数仓项目。但随着Flink间Job的数量越来越多,发现很多Job之间的代码存在大量的重复,且迫切需要一个类似于Batch的中间层解决方案来减少冗余,增加整体的清晰度和层次感。 我这边能想到的解决方案是:采用Kafka作为Job之间的联系纽带,例如有两个Job Job_1: 从原始kafka topic TOPIC_ORIG获取数据, 进行一定的业务逻辑处理后,写到另一个kafka topic, TOPIC_JOB_1_SINK 。注意 ① 需要实现一个retract kafka sink ② 没有使用kafka exactly-once sink ③ TOPIC_JOB_1_SINK 中的每条记录应该有一个 unique key. ④ 每个Key相同的记录应该被发往相同的kafka partition. Job_2: 从TOPIC_JOB_1_SINK读取数据, 接着做幂等(先对唯一Key做group by取最新), 然后运行Job_2的逻辑 , 最后把数据写道最终Sink中(例如es, hbase, mysql)。 之所以要对unique key做一轮幂等处理,因为Job_1可能会失败重试,TOPIC_JOB_1_SINK中可能会有一些重试脏数据。
从整体上看,结构大概如下图所示: Job_1Job_2 ------------------------------------------------------------------------------------- ----------------------------------------------------------------------------------------------------------------------------------------------------------- | TOPIC_ORIG -> Logic_Job_1 -> TOPIC_JOB_1_SINK | ——> | TOPIC_JOB_1_SINK -> GROUP_BY_UNIQUE_KEY_GET_LATEST -> Logic_Job_2 -> FINAL_JOB_2_SINK | ------------------------------------------------------------------------------------- ----------------------------------------------------------------------------------------------------------------------------------------------------------- 即:每个Job往下游发送的数据整体有唯一Key;每个下游需要对上游发来的数据做幂等处理。 但是,可能存在的问题有: 1. 因为每个变化都要发一个message,Kafka中的消息数可能很大。 2. 下游做幂等的时候,因为要对每个Key做Group by,因此消耗的资源也很大。 3. 如果上游逻辑更改,重新跑数据,那么可能会存在最开始的那天数据不完整,导致污染下游数据 4. 如果上游逻辑更改,重新跑数据,但是某条数据这个时候已经不应该出现了,下游的数据得不到更新 请问大家是如何管理Flink Job之间的依赖或者说血缘关系的?有没有比较好的方案? 谢谢大家! 谢谢 徐涛