Flink CDC实时数据同步与小时级统计方案（Flink 1.13.5 + MySQL 8.0）

Flink CDC 实时数据同步与小时级统计方案（Flink 1.13.5 + MySQL 8.0）

一、方案概述

本方案基于 Flink 1.13.5 和 MySQL 8.0，通过 Flink CDC 监听 MySQL 源表的新增数据，实时同步至 Kafka，并对数据按小时进行聚合统计，最终将统计结果写入 MySQL 统计表。

• 核心流程：MySQL 数据变更 → Flink CDC 捕获 → Kafka 存储（原始数据）→ Flink 实时聚合（每小时）→ MySQL 统计表（结果存储）
• Kafka 主题名称：mysql_cdc_user_behavior（以用户行为数据为例，可根据业务调整）

二、环境准备

1. 软件版本

• Flink：1.13.5（需提前部署集群或使用本地模式）
• MySQL：8.0（源数据库 + 统计结果数据库，可同一实例或分库）
• Kafka：2.8.1（用于存储 CDC 原始数据，需提前部署）
• JDK：1.8
• Maven：3.6+

2. 依赖配置（pom.xml）

<dependencies><!-- Flink 核心依赖 --><dependency><groupId>org.apache.flink</groupId><artifactId>flink-java</artifactId><version>1.13.5</version></dependency><dependency><groupId>org.apache.flink</groupId><artifactId>flink-streaming-java_2.11</artifactId><version>1.13.5</version></dependency><dependency><groupId>org.apache.flink</groupId><artifactId>flink-clients_2.11</artifactId><version>1.13.5</version></dependency><!-- Flink CDC 依赖（MySQL 8.0 兼容版本） --><dependency><groupId>com.ververica</groupId><artifactId>flink-connector-mysql-cdc</artifactId><version>2.2.1</version> <!-- 与 Flink 1.13.5 兼容 --></dependency><!-- Kafka 连接器 --><dependency><groupId>org.apache.flink</groupId><artifactId>flink-connector-kafka_2.11</artifactId><version>1.13.5</version></dependency><!-- MySQL JDBC 驱动（用于写入统计结果） --><dependency><groupId>mysql</groupId><artifactId>mysql-connector-java</artifactId><version>8.0.28</version></dependency><!-- Flink JDBC 连接器 --><dependency><groupId>org.apache.flink</groupId><artifactId>flink-connector-jdbc_2.11</artifactId><version>1.13.5</version></dependency>
</dependencies>

3. 数据库配置

（1）源数据库（MySQL 8.0）配置

需开启 binlog 并授权 CDC 用户：

1. 修改 MySQL 配置文件（my.cnf 或 my.ini）：

   [mysqld]
   server-id = 100  # 唯一标识，避免与其他实例冲突
   log_bin = /var/lib/mysql/mysql-bin  # binlog 存储路径
   binlog_format = ROW  # 必须为 ROW 格式
   binlog_row_image = FULL  # 记录完整行数据
   expire_logs_days = 7  # binlog 保留 7 天（避免全量同步时丢失）
   

2. 重启 MySQL 并验证配置：

   SHOW VARIABLES LIKE 'log_bin';  -- 结果为 ON
   SHOW VARIABLES LIKE 'binlog_format';  -- 结果为 ROW
   

3. 创建 CDC 专用用户并授权：

   CREATE USER 'cdc_user'@'%' IDENTIFIED BY 'Cdc@123456';  -- 密码需符合 MySQL 8.0 复杂度要求
   GRANT SELECT, RELOAD, SHOW DATABASES, REPLICATION SLAVE, REPLICATION CLIENT ON *.* TO 'cdc_user'@'%';
   FLUSH PRIVILEGES;
   

4. 创建源表（以用户行为表为例）：

   CREATE DATABASE IF NOT EXISTS user_db;
   USE user_db;
   CREATE TABLE user_behavior (id BIGINT PRIMARY KEY AUTO_INCREMENT,user_id BIGINT NOT NULL,action_type VARCHAR(20) NOT NULL,  -- 行为类型：click, view, purchase 等action_time DATETIME NOT NULL,     -- 行为时间product_id BIGINT NOT NULL         -- 商品 ID
   );
   

（2）统计结果数据库配置

创建统计结果表（可与源库同实例，也可单独部署）：

CREATE DATABASE IF NOT EXISTS stat_db;
USE stat_db;
CREATE TABLE hourly_action_stats (stat_hour DATETIME PRIMARY KEY,  -- 统计小时（如 2023-10-24 10:00:00）total_actions INT NOT NULL,      -- 总行为数click_count INT NOT NULL,        -- 点击数view_count INT NOT NULL,         -- 浏览数purchase_count INT NOT NULL,     -- 购买数update_time TIMESTAMP NOT NULL DEFAULT CURRENT_TIMESTAMP ON UPDATE CURRENT_TIMESTAMP
);

4. Kafka 配置

1. 确保 Kafka 集群正常运行，创建主题：

   bin/kafka-topics.sh --bootstrap-server localhost:9092 --create --topic mysql_cdc_user_behavior --partitions 3 --replication-factor 1
   

三、核心代码实现

1. 数据结构定义（POJO 类）

// 用户行为数据实体类（与源表字段对应）
public class UserBehavior {private Long id;private Long userId;private String actionType;private LocalDateTime actionTime;private Long productId;// 无参构造器（Flink 序列化要求）public UserBehavior() {}// 全参构造器、getter、setter、toString 方法// ...
}// 小时统计结果实体类（与统计表字段对应）
public class HourlyStats {private LocalDateTime statHour;  // 统计小时（精确到小时）private Integer totalActions;private Integer clickCount;private Integer viewCount;private Integer purchaseCount;// 无参构造器、全参构造器、getter、setter// ...
}

2. 主程序逻辑

import org.apache.flink.api.common.functions.AggregateFunction;
import org.apache.flink.api.common.serialization.SimpleStringSchema;
import org.apache.flink.api.java.tuple.Tuple2;
import org.apache.flink.streaming.api.datastream.DataStream;
import org.apache.flink.streaming.api.environment.StreamExecutionEnvironment;
import org.apache.flink.streaming.api.windowing.assigners.TumblingProcessingTimeWindows;
import org.apache.flink.streaming.api.windowing.time.Time;
import org.apache.flink.streaming.connectors.kafka.FlinkKafkaProducer;
import org.apache.flink.connector.jdbc.JdbcSink;
import com.ververica.cdc.connectors.mysql.source.MySqlSource;
import com.ververica.cdc.debezium.JsonDebeziumDeserializationSchema;
import com.fasterxml.jackson.databind.JsonNode;
import com.fasterxml.jackson.databind.ObjectMapper;
import java.time.LocalDateTime;
import java.time.format.DateTimeFormatter;
import java.sql.PreparedStatement;public class CdcToKafkaAndStats {public static void main(String[] args) throws Exception {// 1. 初始化 Flink 执行环境StreamExecutionEnvironment env = StreamExecutionEnvironment.getExecutionEnvironment();// 启用 Checkpoint（确保 Exactly-Once，每 5 分钟一次）env.enableCheckpointing(300000);env.getCheckpointConfig().setCheckpointTimeout(60000);// 2. 创建 MySQL CDC 源（监听 user_behavior 表的新增数据）MySqlSource<String> mysqlSource = MySqlSource.<String>builder().hostname("localhost").port(3306).databaseList("user_db")  // 源数据库.tableList("user_db.user_behavior")  // 源表.username("cdc_user").password("Cdc@123456")// 反序列化：将 Debezium 数据转为 JSON 字符串.deserializationSchema(new JsonDebeziumDeserializationSchema()).build();// 3. 读取 CDC 数据，过滤出新增操作（op = 'c'）DataStream<String> cdcJsonStream = env.fromSource(mysqlSource,WatermarkStrategy.noWatermarks(),"MySQL-CDC-Source").filter(jsonStr -> {ObjectMapper mapper = new ObjectMapper();try {JsonNode jsonNode = mapper.readTree(jsonStr);return "c".equals(jsonNode.get("op").asText());  // 只处理新增数据} catch (Exception e) {return false;}});// 4. 将 CDC 原始数据写入 KafkaString kafkaBroker = "localhost:9092";String topic = "mysql_cdc_user_behavior";FlinkKafkaProducer<String> kafkaSink = new FlinkKafkaProducer<>(kafkaBroker,topic,new SimpleStringSchema());cdcJsonStream.addSink(kafkaSink).name("Kafka-Sink");// 5. 解析 JSON 为 UserBehavior 对象DataStream<UserBehavior> behaviorStream = cdcJsonStream.map(jsonStr -> {ObjectMapper mapper = new ObjectMapper();JsonNode jsonNode = mapper.readTree(jsonStr);JsonNode afterNode = jsonNode.get("after");  // 新增数据在 after 字段DateTimeFormatter formatter = DateTimeFormatter.ofPattern("yyyy-MM-dd HH:mm:ss");return new UserBehavior(afterNode.get("id").asLong(),afterNode.get("user_id").asLong(),afterNode.get("action_type").asText(),LocalDateTime.parse(afterNode.get("action_time").asText(), formatter),afterNode.get("product_id").asLong());}).name("Parse-To-UserBehavior");// 6. 按小时窗口聚合统计DataStream<HourlyStats> statsStream = behaviorStream// 按统计小时分组（将 actionTime 截断到小时）.keyBy(behavior -> {LocalDateTime actionTime = behavior.getActionTime();return actionTime.withMinute(0).withSecond(0).withNano(0);  // 如 10:23:45 → 10:00:00})// 滚动窗口（1 小时）.window(TumblingProcessingTimeWindows.of(Time.hours(1)))// 聚合计算.aggregate(new AggregateFunction<UserBehavior, HourlyStats, HourlyStats>() {@Overridepublic HourlyStats createAccumulator() {// 初始化累加器return new HourlyStats(null, 0, 0, 0, 0);}@Overridepublic HourlyStats add(UserBehavior behavior, HourlyStats accumulator) {// 累加逻辑LocalDateTime statHour = behavior.getActionTime().withMinute(0).withSecond(0).withNano(0);accumulator.setStatHour(statHour);accumulator.setTotalActions(accumulator.getTotalActions() + 1);// 按行为类型累加switch (behavior.getActionType()) {case "click":accumulator.setClickCount(accumulator.getClickCount() + 1);break;case "view":accumulator.setViewCount(accumulator.getViewCount() + 1);break;case "purchase":accumulator.setPurchaseCount(accumulator.getPurchaseCount() + 1);break;}return accumulator;}@Overridepublic HourlyStats getResult(HourlyStats accumulator) {return accumulator;}@Overridepublic HourlyStats merge(HourlyStats a, HourlyStats b) {// 窗口合并（多并行度时需要）a.setTotalActions(a.getTotalActions() + b.getTotalActions());a.setClickCount(a.getClickCount() + b.getClickCount());a.setViewCount(a.getViewCount() + b.getViewCount());a.setPurchaseCount(a.getPurchaseCount() + b.getPurchaseCount());return a;}}).name("Hourly-Aggregate");// 7. 将统计结果写入 MySQL 统计表（使用 UPSERT 逻辑，避免重复）String mysqlUrl = "jdbc:mysql://localhost:3306/stat_db?useSSL=false&serverTimezone=UTC";String username = "root";  // 统计库用户名（需有写入权限）String password = "Root@123456";statsStream.addSink(JdbcSink.sink("INSERT INTO hourly_action_stats " +"(stat_hour, total_actions, click_count, view_count, purchase_count) " +"VALUES (?, ?, ?, ?, ?) " +"ON DUPLICATE KEY UPDATE " +  // 主键冲突时更新"total_actions = VALUES(total_actions), " +"click_count = VALUES(click_count), " +"view_count = VALUES(view_count), " +"purchase_count = VALUES(purchase_count)",(PreparedStatement stmt, HourlyStats stats) -> {stmt.setObject(1, stats.getStatHour());stmt.setInt(2, stats.getTotalActions());stmt.setInt(3, stats.getClickCount());stmt.setInt(4, stats.getViewCount());stmt.setInt(5, stats.getPurchaseCount());},JdbcSink.DEFAULT_BATCH_SIZE,  // 批量写入JdbcExecutionOptions.builder().withBatchSize(100).withMaxRetries(3).build(),() -> {// 配置 JDBC 连接com.mysql.cj.jdbc.Driver driver = new com.mysql.cj.jdbc.Driver();java.sql.DriverManager.getConnection(mysqlUrl, username, password);return java.sql.DriverManager.getConnection(mysqlUrl, username, password);})).name("MySQL-Stats-Sink");// 8. 执行任务env.execute("CDC-To-Kafka-And-Hourly-Stats");}
}

四、部署与运行

1. 打包程序：使用 Maven 打包为可执行 JAR（mvn clean package -DskipTests）。
2. 提交任务：通过 Flink 集群提交 JAR：

   bin/flink run -c com.example.CdcToKafkaAndStats /path/to/your/jar/file.jar
   

3. 验证结果：
   • 向 user_db.user_behavior 插入测试数据：

     INSERT INTO user_behavior (user_id, action_type, action_time, product_id) 
     VALUES (1001, 'click', '2023-10-24 10:15:30', 5001);
     

   • 查看 Kafka 主题数据：

     bin/kafka-console-consumer.sh --bootstrap-server localhost:9092 --topic mysql_cdc_user_behavior
     

   • 1 小时后（或手动触发窗口计算）查看统计表：

     SELECT * FROM stat_db.hourly_action_stats;
     

五、注意事项

1. MySQL 8.0 兼容性：Flink CDC 2.2.1 支持 MySQL 8.0，需使用 mysql-connector-java 8.x 驱动。
2. 时区问题：确保 Flink 集群、MySQL、Kafka 时区一致（建议使用 UTC 或统一时区）。
3. 窗口延迟：若数据存在乱序，可在 WatermarkStrategy 中设置延迟容忍时间（如 forBoundedOutOfOrderness）。
4. Checkpoint 配置：根据集群性能调整 Checkpoint 间隔，避免影响吞吐量。
5. Kafka 分区：根据数据量调整 Kafka 主题分区数，提高并行处理能力。

通过以上方案，可实现从 MySQL 实时捕获新增数据、存储至 Kafka，并按小时统计结果写入 MySQL 的完整流程，满足实时数据同步与离线统计的业务需求。