跳到主要内容
跳到主要内容

集成 Apache Beam 和 ClickHouse

ClickHouse Supported

Apache Beam 是一个开源的统一编程模型,使开发者能够定义和执行批处理和流(连续)数据处理管道。Apache Beam 的灵活性在于它支持广泛的数据处理场景,从 ETL(提取、转换、加载)操作到复杂事件处理和实时分析。本集成利用了 ClickHouse 的官方 JDBC 连接器 作为底层插入层。

集成包

要集成 Apache Beam 和 ClickHouse 所需的集成包在 Apache Beam I/O Connectors 下维护和开发,该包集成了许多流行的数据存储系统和数据库。org.apache.beam.sdk.io.clickhouse.ClickHouseIO 实现位于 Apache Beam 仓库

Apache Beam ClickHouse 包的设置

包安装

将以下依赖项添加到您的包管理框架中:

推荐的 Beam 版本

建议从 Apache Beam 版本 2.59.0 开始使用 ClickHouseIO 连接器。早期版本可能无法完全支持连接器的功能。

可以在 官方 Maven 仓库 中找到相关工件。

代码示例

以下示例将名为 input.csv 的 CSV 文件作为 PCollection 读取,转换为 Row 对象(使用定义的模式),并使用 ClickHouseIO 将其插入到本地的 ClickHouse 实例中:

支持的数据类型

ClickHouseApache Beam是否支持备注
TableSchema.TypeName.FLOAT32Schema.TypeName#FLOAT
TableSchema.TypeName.FLOAT64Schema.TypeName#DOUBLE
TableSchema.TypeName.INT8Schema.TypeName#BYTE
TableSchema.TypeName.INT16Schema.TypeName#INT16
TableSchema.TypeName.INT32Schema.TypeName#INT32
TableSchema.TypeName.INT64Schema.TypeName#INT64
TableSchema.TypeName.STRINGSchema.TypeName#STRING
TableSchema.TypeName.UINT8Schema.TypeName#INT16
TableSchema.TypeName.UINT16Schema.TypeName#INT32
TableSchema.TypeName.UINT32Schema.TypeName#INT64
TableSchema.TypeName.UINT64Schema.TypeName#INT64
TableSchema.TypeName.DATESchema.TypeName#DATETIME
TableSchema.TypeName.DATETIMESchema.TypeName#DATETIME
TableSchema.TypeName.ARRAYSchema.TypeName#ARRAY
TableSchema.TypeName.ENUM8Schema.TypeName#STRING
TableSchema.TypeName.ENUM16Schema.TypeName#STRING
TableSchema.TypeName.BOOLSchema.TypeName#BOOLEAN
TableSchema.TypeName.TUPLESchema.TypeName#ROW
TableSchema.TypeName.FIXEDSTRINGFixedBytesFixedBytes 是表示定长的
字节数组的 LogicalType,位于
org.apache.beam.sdk.schemas.logicaltypes
Schema.TypeName#DECIMAL
Schema.TypeName#MAP

ClickHouseIO.Write 参数

您可以通过以下设置函数调整 ClickHouseIO.Write 的配置:

参数设置函数参数类型默认值描述
withMaxInsertBlockSize(long maxInsertBlockSize)1000000要插入的行块的最大大小。
withMaxRetries(int maxRetries)5失败插入的最大重试次数。
withMaxCumulativeBackoff(Duration maxBackoff)Duration.standardDays(1000)最大重试的累积退避持续时间。
withInitialBackoff(Duration initialBackoff)Duration.standardSeconds(5)第一次重试之前的初始退避持续时间。
withInsertDistributedSync(Boolean sync)true如果为 true,则为分布式表同步插入操作。
withInsertQuorum(Long quorum)null确认插入操作所需的副本数量。
withInsertDeduplicate(Boolean deduplicate)true如果为 true,则启用插入操作的去重。
withTableSchema(TableSchema schema)null目标 ClickHouse 表的模式。

限制

使用该连接器时请考虑以下限制:

  • 目前仅支持 Sink 操作。该连接器不支持 Source 操作。
  • 在向 ReplicatedMergeTree 或基于 ReplicatedMergeTree 构建的 Distributed 表插入时,ClickHouse 会执行去重。如果没有复制,在常规的 MergeTree 中如果插入失败然后成功重试,可能会导致重复。然而,每个块都是原子插入的,块大小可以使用 ClickHouseIO.Write.withMaxInsertBlockSize(long) 进行配置。去重是通过使用插入块的校验和来实现的。有关去重的更多信息,请访问 去重去重插入配置
  • 该连接器不执行任何 DDL 语句;因此,目标表在插入之前必须存在。