作者 | Shawn Gordon 翻譯 | Debra Chen 原文鏈接 | What the Heck is Apache SeaTunnel? 我在2023年初開始註意到Apache SeaTunnel的相關討論,一直低調地關註著。該項目始於2017年,最初名為Waterdrop,在Apac ...
作者 | Shawn Gordon
翻譯 | Debra Chen
原文鏈接 | What the Heck is Apache SeaTunnel?
我在2023年初開始註意到Apache SeaTunnel的相關討論,一直低調地關註著。該項目始於2017年,最初名為Waterdrop,在Apache DolphinScheduler的創建者的貢獻下發展起來,後者支持SeaTunnel作為任務插件。
我最初對於SeaTunnel是什麼以及為什麼我會關心它感到困惑。這意味著我將在至少能回答我的這些問題的層面上,對Apache SeaTunnel有一個深度的介紹。那麼,讓我們開始吧。
什麼是SeaTunnel?
Apache SeaTunnel的項目介紹是“一個高性能的、分散式的、大規模數據集成工具,提供了異構數據集成和數據同步的一體化解決方案。”它包括三個主要組件:
- 源連接器
- 轉換連接器
- 目標連接器
許多源連接器(Connector)可供選擇;在版本2.3.3中,可用的連接器如鏈接所示。它支持包括關係型、NoSQL和圖形等格式,以及分散式文件系統(如HDFS)和對象存儲(如S3)等。
如果源和目標之間的格式不同,則轉換連接器(Transform Tonnector)會發揮作用,實質上它就是對數據進行映射。
目標連接器(Sink)是源的另一側,但現在你是在寫入數據而不是讀取。截至本文撰寫時,SeaTunnel聲明已支持超過100個連接器。
有了這些組件,SeaTunnel可以解決數據集成和同步中常見的問題。因此,它提供了實時和批處理數據的高性能數據同步。文章稱它可以“實時同步數十億數據量”。雖然我不確定是什麼意思,但考慮到像阿裡巴巴這樣的公司在使用它,它的速度可能非常快。
SeaTunnel的特性
我對系統中的連接器API功能印象深刻。正如前面所述,Apache SeaTunnel已有超過100個預先構建的連接器,但如果需要其他連接器,你可以創建自己的連接器。這些連接器不與特定的執行引擎綁定,而可以使用Flink、Spark或本地的SeaTunnel引擎。連接器的插件架構讓我想起了Trino的生態系統。
數據可以以批處理或實時方式同步,並提供了各種同步選項。SeaTunnel一個很棒的特性是它可以與JDBC已配合工作,支持多表或整個資料庫的同步。這就解決了CDC多表同步方案的需求。
SeaTunnel的運行時流程如下所示:
- 配置作業信息並選擇執行引擎。
- 源連接器並行讀取數據,並將其傳遞到轉換器、目標連接器或直接傳遞到目標。
請記住,SeaTunnel是一個EL(T)集成平臺,因此它只能自行進行基本的數據轉換:
- 更改列中的數據大小寫
- 更改列名
- 將一列拆分為多列
SeaTunnel job
SeaTunnel job,或配置文件可能由四個部分組成:env、source、transform和sink。如果不執行轉換,則可以忽略transform部分。配置文件可以採用hocon或json格式編寫。從SeaTunnel文檔中借鑒,以下是hocon格式的簡單示例:
Copy code
env {
job.mode = "BATCH"
}
source {
FakeSource {
result_table_name = "fake"
row.num = 100
schema = {
fields {
name = "string"
age = "int"
card = "int"
}
}
}
}
transform {
Filter {
source_table_name = "fake"
result_table_name = "fake1"
fields = [name, card]
}
}
sink {
Clickhouse {
host = "clickhouse:8123"
database = "default"
table = "seatunnel_console"
fields = ["name", "card"]
username = "default"
password = ""
source_table_name = "fake1"
}
}
雖然格式非常易於閱讀和理解,但我可以看出,對於大型表格,它可能會變得相當複雜。我要在此評論一下,就像許多開源項目一樣,SeaTunnel的文檔相當缺乏,但據我觀察的時間,該項目似乎有一個相當活躍的Slack頻道。
SeaTunnel使用要求
它是一個Java系統,支持Java 8或Java 11版本,但應該與較舊的系統相容。如果你已經安裝了Java,則只需從其網站獲取所需的插件(或編寫自己的插件),併在配置文件中進行設置。之後,按照上文所述創建用於管理作業的配置文件。只要你有訪問源和目標數據存儲庫的憑據,控制台就會提供反饋信息。
Apache SeaTunnel還提供了Web界面,供那些想要替代CLI的用戶選擇。這將是我個人使用這個系統的首選方式,因為它的可視性更好,但安裝和使用也需要更多的步驟。
總結
SeaTunnel顯然適用於某些場景,就我目前所看到的情況而言,在處理各種數據源和目標的大量數據時,它才會發揮作用。我完全可以預見,SeaTunnel還將在很多場景中讓事情變得更簡單,所以我會把這個項目放在我的工具箱里。SeaTunnel團隊提供了一個很好的快速入門指南,幫助用戶可以輕鬆地自行嘗試,看看它是否能解決你的問題吧!
本文由 白鯨開源 提供發佈支持!