袋鼠云批流一体分布式同步引擎ChunJun（原FlinkX）的前世今生

Posted 2022-04-27 数栈DTinsight

tags:

篇首语：本文由小常识网(cha138.com)小编为大家整理，主要介绍了袋鼠云批流一体分布式同步引擎ChunJun（原FlinkX）的前世今生相关的知识，希望对你有一定的参考价值。

一、前言

ChunJun（原FlinkX）是一个基于Flink提供易用、稳定、高效的批流统一的数据集成工具，是袋鼠云一站式大数据开发平台-数栈DTinsight的核心计算引擎，其技术架构基于实时计算框架Flink，打造出“具有袋鼠特色”的实时计算引擎。

开源项目地址：

https://github.com/DTStack/chunjun

https://gitee.com/dtstack_dev_0/chunjun

开源技术交流群：

钉钉群：30537511

二、从FlinkX到ChunJun

ChunJun脱胎于袋鼠云数栈自主研发的批流统一的数据同步工具FlinkX。

2016年，数栈技术团队初步研发完成了一款基于Flink的分布式离线/实时数据同步插件——FlinkX，它可实现多种异构数据源高效的数据同步，支持双向读写和多种异构数据源。有它助力，袋鼠云在批流一体的研究实践以更迅猛的势头往前挺进。

2018年4月，秉承着开源共享理念的数栈技术团队在github上开源了FlinkX，历经4年多的发展，FlinkX从当初的一个小项目，成长为拥有2900+star，1300+fork的开源项目。

从开源的第一天，数栈技术团队从未停下技术探索和社区回馈的脚步，在4年多的时间里先后开源了flinkx、flinkStreamSQL、jlogstash、easyagent、doraemon、molecule、Taier，袋鼠云数栈开源家族愈发壮大，开源项目系列得到了广泛的发展，相继在各类企业中落地应用。

今年，数栈技术团队决定对开源项目进行整体升级，并推出自主开源计划——DTstackCon，其中大数据开源项目系列以“十大名剑”作为概念来源，承载着数栈技术团队对它们能如利剑，为社区数字化进程的发展之路披荆斩棘的向往。

正是怀揣着这样殷切的期望，我们决定正式将FlinkX更名为ChunJun！

ChunJun命名取自于中国古代十大名剑之一的纯钧

袋鼠云批流一体分布式同步引擎ChunJun（原FlinkX）的前世今生_数据

（ChunJun logo）

纯钧是春秋战国时期铸剑名师欧冶子为越王勾践所铸，其剑身取材珍贵，锋利无比，剑刃就象壁立千丈的断崖崇高而巍峨，剑身更是历经千年而不蚀，代表稳定而强大坚定的意志，正如ChunJun作为袋鼠云数栈的核心计算引擎，承载着实时平台、离线平台、数据资产等多个应用的底层数据同步及计算，其强大的功能保障着客户业务数据的一致性。

袋鼠云批流一体分布式同步引擎ChunJun（原FlinkX）的前世今生_flink_02

ChunJun的logo主体的字母C是由许多平行四边形组成的，这个组合有递进、有组合，正是ChunJun的稳定、聚合体、分布式、集成的开发理念的具象体现。

同时也传达出ChunJun核心观念：提供一个易用、稳定、高效的数据同步和集成工具。

底层采用六边形蜂巢结构，因为六边形的蜂巢是“最省劳动力、也最省材料的选择”。多个六边形排列在一起之间没有空隙，这种排列也被称为是最稳定的排列方式。稳定，从来是我们开发的第一考虑。

三、什么是ChunJun

ChunJun是一个基于Flink
提供易用、稳定、高效的批流统一的数据集成工具，既可以采集静态的数据，比如mysql，HDFS等，也可以采集实时变化的数据，比如binlog，Kafka等。同时ChunJun也是一个支持原生FlinkSql所有语法和特性的计算框架。目前ChunJun在实际应用过程中已服务了上百家客户，经过多次迭代与沉淀，积累了大量的客户案例。

ChunJun主要应用于大数据开发平台的数据同步/数据集成模块，通常采用将底层高效的同步插件和界面化的配置方式相结合的方式，使大数据开发人员可简洁、快速的完成数据同步任务开发，实现将业务数据库的数据同步至大数据存储平台，从而进行数据建模开发，以及数据开发完成后，将大数据处理好的结果数据同步至业务的应用数据库，供企业数据业务使用。

袋鼠云批流一体分布式同步引擎ChunJun（原FlinkX）的前世今生_数据同步_03

四、ChunJun功能特点

ChunJun具有以下几大特色功能点：

1、超丰富

* 丰富的插件种类：ChunJun上下游插件多达40种，如常见的mysql、binlog、logminer等，大部分插件都支持source/reader、sink/writer及维表功能。

* 丰富的任务执行模式：支持本地拆箱即用式-local 模式，Flink 自带 standalone 模式，常用调度 yarn session 和 yarn pre-job 模式，以及与k8s 结合部署的 k8s 模式。

* 丰富的任务类型：ChunJun支持json 同步任务，以及sql 计算任务，用户可以根据自己的需要，考虑是使用配置更加灵活的json同步任务，还是计算更加强大的sql计算任务。

2、超灵活

* 脏数据收集系统插件化：面对不同的业务场景，可以配置不同的脏数据配置，灵活处理，例如：

是否将脏数据落盘处理；

是否在日志中打印脏数据信息；

脏数据最大条数限制；

脏数据存储到不同类型的数据源等。

* 指标系统插件化：与脏数据插件化类似，指标系统在设计上也采用了插件化设计，用户根据自己的业务场景，灵活配置指标系统。

3、超强大

* 支持增量同步：对于某些业务库的表，表中的数据基本只有插入操作，随着业务的运行，表中的数据会越来越大。如果每次都整表同步的话，消耗的时间及资源也会越来越多，因此需要一个增量同步的功能，每次只同步增加部分的数据，对于已经同步过的数据则不再进行重复的同步工作。

增量同步是针对于两个及以上数量的同步任务来说的，对于初次执行增量同步的某张表而言，该次同步实质上是整表同步，不同的是在任务执行结束后会记录增量字段的结束值(endLocation)并将其上传至prometheus供后续使用。

在构建下次增量任务时获取该endLocation并作为上述过滤条件的参数值(startLocation)。在任务解析到增量任务配置时，会根据startLocation的有无自动构建过滤条件，并将其拼接至where条件中，最终构建出一条如：select
id, name, age from test where id > 100的SQL，从而达到增量读取的目的。

* 支持断点续传：对于某些业务库的表，其数据量可能非常大，同步可能耗时非常久。如果在同步过程中由于某些原因导致任务失败，从头再来的话成本非常大，因此需要一个断点续传的功能从任务失败的地方继续。

断点续传的本质是通过Flink的checkpoint机制实现的，在每次checkpoint时，reader插件会保存当前读取到的字段的值，writer插件则会在保存writer中的指标及其他信息，然后将writer中的事务提交。

* 支持同步DDL数据：在客户真实场景中，对于DDL数据目前无法处理。在袋鼠内部，ChunJun借助外部数据源，支持监听DDL语句，并对DDL手动执行。