Flink 爬坑【2】cdc数据同步及分区表异常

背景

业务中需要准实时同步，但是需要对数据进行处理，技术选型flink+cdc形式。通过 cdc同步数据流到flink，再由flink进行处理，最后输出到北向数据库。

隐患

有张要同步的表是分区表，它并不是按时间分区，而是按某个字段作为分区键，在一级分区后再按时间进行二级分区。
情况大概是这样
https://blog.youkuaiyun.com/weixin_45893488/article/details/104844933?spm=1001.2014.3001.5502

我们的工作是从 两张 分区表中获取数据，再输出到 一张 结果表里
ps 这就是出问题的关键

问题

第一个问题 二级分区表无法识别，必须定义到最下层的实例表才可以。
flink 只认实例表，分区表是一张结构没有实例。
第二个问题 在任务上线后运行正常无报错，但在统计的时候发现数据丢失，有 1/3 的数据消失了。
cdc的日志显示捕获了所有的操作，那么问题在哪呢？
通过binlog我们还原了问题

原因

由于我们设置了分区，所以对于flink来说就变成了两张表 而不是一张表。分区键 是一个状态字段。
所以对于flink来说他的工作就变成了这样两个并行的工作

分区表1
通过cdc捕获到数据后，进行数据操作，包括增删改

分区表2
通过cdc捕获到数据后，进行数据操作，包括增删改

理论上，对我们的操作来说，我们是更新了这张表的状态字段。应该是先从分区表1新增，再从分区表1中删除，在到分区表2新增。

但是对于 flink 来说 这两个工作是并行的

也就是说他可能是 两个都先新增了（做了 ON DUPLICATE KEY UPDATE 操作，即不存在就新增，存在就更新）再删分区表1中的数据了，但是目标表中他的主键只有id，所以就都删了。

解决

根本原因是cdc捕获删除的时候根据唯一主键id把两个分区的数据都删了，如果能区分两个分区中的数据就能解决问题。

1. 新增分区键字段
2. 更新分区字段为非空
3. 设置主键设置为联合主键（id,key）
4. 修改job中TableAPI里定义的 sink 主键
5. 打包jar 重新启动job

ps 由于数据量太大了，本次选择了新增过渡表，在做数据割接的方案，否则停机停服太久容易出问题。