俊瑶先森

发表于 更新于 阅读次数：

背景

物理机器有显卡L20 （4 * 48G），安装vmware esxi系统，希望虚拟机rocky linux 10 直通物理显卡。

  • vmware ESXi-8.0U2-22380479
  • rocky linux 10

直通模式配置

vmware esxi 配置

由于ESXi 8.0没有对12代以后的CPU做默认的支持，所以在安装ESXi 8.0过程中会遇到紫屏的问题。为了解决这一问题，需要对ESXi的启动参数进行修改。

    1. 修改启动参数
      在ESXi启动界面，按 Shift + O 进入启动选项编辑模式，然后添加以下参数：cpuUniformityHardCheckPanic=FALSE
      完整的启动参数示例如下：kernelopt=… cpuUniformityHardCheckPanic=FALSE
    1. 启动后通过SSH调整系统配置
      启动进入ESXi系统后，通过SSH连接到主机，并执行以下命令以永久应用修改：
      1
      esxcli system settings kernel set -s cpuUniformityHardCheckPanic -v FALSE
      此命令将启动参数持久化，确保每次启动ESXi时都应用该设置，防止紫屏问题再次出现。
    1. 配置NVIDIA显卡直通
      为了在虚拟机中成功直通NVIDIA显卡，还需要进行特定的配置
    • lspci -v | grep -i nvidia
      1
      2
      3
      4
      0000:81:00.0 Display controller 3D controller: NVIDIA Corporation Device 26ba
      0000:82:00.0 Display controller 3D controller: NVIDIA Corporation Device 26ba
      0000:c1:00.0 Display controller 3D controller: NVIDIA Corporation Device 26ba
      0000:c2:00.0 Display controller 3D controller: NVIDIA Corporation Device 26ba
    • lspci -v | grep -i nvidia -A1
      1
      2
      3
      4
      5
      6
      7
      8
      9
      10
      11
      0000:81:00.0 Display controller 3D controller: NVIDIA Corporation Device 26ba
               Class 0302: 10de:26ba
      --
      0000:82:00.0 Display controller 3D controller: NVIDIA Corporation Device 26ba
               Class 0302: 10de:26ba
      --
      0000:c1:00.0 Display controller 3D controller: NVIDIA Corporation Device 26ba
               Class 0302: 10de:26ba
      --
      0000:c2:00.0 Display controller 3D controller: NVIDIA Corporation Device 26ba
               Class 0302: 10de:26ba
    • 编辑ESXi配置文件：
      通过SSH连接到ESXi主机，执行以下命令将显卡设备标记为直通设备：
      1
      2
      3
      4
      echo '/device/0000:c2:00.0/owner = "passthru"' >> /etc/vmware/esx.conf
      echo '/device/0000:81:00.0/owner = "passthru"' >> /etc/vmware/esx.conf
      echo '/device/0000:c1:00.0/owner = "passthru"' >> /etc/vmware/esx.conf
      echo '/device/0000:82:00.0/owner = "passthru"' >> /etc/vmware/esx.conf
      其中，0000:01:00.0为NVIDIA显卡的PCI地址，请根据实际硬件调整。
    • 更新Passthru映射文件：
      为了确保显卡的各项功能能够正确直通，需在passthru.map文件中添加相关配置。执行以下命令：
      1
      2
      3
      echo '10de 26ba bridge false' >> /etc/vmware/passthru.map
      echo '10de 26ba link false' >> /etc/vmware/passthru.map
      echo '10de 26ba d3d0 false' >> /etc/vmware/passthru.map
      这里的10de 26ba代表NVIDIA显卡的厂商ID和设备ID，请根据你的显卡型号进行相应调整。
    • 重启ESXi服务：
      为使上述配置生效，需要重启ESXi的管理代理服务。执行以下命令：
      1
      2
      /etc/init.d/hostd restart
      /etc/init.d/vpxa restart
      或者，您也可以选择重启整个ESXi主机。

虚拟机配置

  • 创建虚拟机及配置参数
    • 预留全部内存
      wUml1N
    • 在“虚拟机设置”中，点击“添加其他设备” > “PCI设备”，在列表中找到并勾选NVIDIA显卡（例如，0000:c1:00.0）。
      PZmAZx
    • 取消UEFI安全启动
      jQILo6

为了优化GPU直通的性能和兼容性，需要在虚拟机的高级配置中添加以下参数：

1
2
3
4
5
6
# 该参数用于隐藏虚拟化环境，使得虚拟机能够更好地识别并利用NVIDIA显卡。
hypervisor.cpuid.v0 = FALSE
# 启用64位内存映射输入/输出（MMIO），提高显卡的内存访问效率。
pciPassthru.use64bitMMIO = TRUE
# 设置64位MMIO的大小，确保显卡有足够的内存资源进行高性能计算和渲染任务。
pciPassthru.64bitMMIOSizeGB = 128

pciPassthru.64bitMMIOSizeGB计算方式 https://earlruby.org/tag/use64bitmmio/
64bitMMIOSizeGB值的计算方法是将连接到VM的所有GPU上的显存总量（GB）相加。如果总显存为2的幂次方，则将pciPassthru.64bitMMIOSizeGB设置为下一个2的幂次方即可。
如果总显存介于2的2次方之间，则向上舍入到下一个2的幂次方，然后再次向上舍入。
2的幂数是2、4、8、16、32、64、128、256、512、1024…
例如虚拟机直通两张24G显存的显卡，则64bitMMIOSizeGB应设置为128。计算方式为24*2=48，在32和64之间，先舍入到64，再次舍入到128

BCylVm

linux 驱动安装

  • 内核版本及更新

    1
    2
    uname -r
    sudo dnf update -y

  • 安装基本开发工具

    1
    2
    sudo dnf install epel-release -y
    sudo dnf groupinstall "Development Tools" -y

  • 内核制备

    安装内核开发包；提高兼容性，安装与当前内核版本匹配的内核头文件

    1
    2
    sudo dnf install kernel-devel -y
    sudo dnf install kernel-headers-$(uname -r) -y

  • 安装 Dynamic Kernel Module Support （DKMS）

    DKMS 会在内核更新发生时自动重建内核模块，确保您的 NVIDIA 驱动程序在系统更新后仍然正常运行：

    1
    sudo dnf install dkms -y

  • 将官方 NVIDIA CUDA 存储库添加到您的系统。对于 Rocky Linux 10，请使用 RHEL 9 兼容存储库：

    1
    2
    3
    sudo dnf config-manager --add-repo http://developer.download.nvidia.com/compute/cuda/repos/rhel9/$(uname -i)/cuda-rhel9.repo
    # 更新您的包缓存以识别新的仓库：
    sudo dnf makecache

  • 在安装实际的 NVIDIA 驱动程序之前，请确保存在所有必要的依赖项：

    1
    sudo dnf install kernel-headers-$(uname -r) kernel-devel-$(uname -r) tar bzip2 make automake gcc gcc-c++ pciutils elfutils-libelf-devel libglvnd-opengl libglvnd-glx libglvnd-devel acpid pkgconfig dkms -y

  • 禁用 Nouveau 驱动程序

    Nouveau 驱动程序提供基本功能，但缺乏 CUDA 支持、最佳游戏性能和专业工作站功能等高级功能。专有的 NVIDIA 驱动程序提供完整的功能集和更好的性能优化。
    使用 grubby 命令修改内核参数并将 Nouveau 驱动程序列入黑名单：

    1
    sudo grubby --args="nouveau.modeset=0 rd.driver.blacklist=nouveau" --update-kernel=ALL
    • 为了提高安全性，创建一个黑名单配置文件
      1
      2
      echo "blacklist nouveau" | sudo tee /etc/modprobe.d/blacklist-nouveau.conf
      echo 'omit_drivers+=" nouveau "' | sudo tee /etc/dracut.conf.d/blacklist-nouveau.conf
    • 重新生成初始 RAM 文件系统：
      1
      2
      sudo dracut --regenerate-all --force
      sudo depmod -a

  • 基本驱动程序验证

    1
    2
    3
    yum install pciutils
    sudo lspci | grep NVIDIA
    nvidia-smi

  • GUI 验证方法

    1
    nvidia-settings

参考链接

从坑中爬起：ESXi 8.0直通NVIDIA显卡的血泪经验
How To Install Nvidia Drivers on Rocky Linux 10
vmware虚拟机玩GPU显卡直通

发表于 更新于 阅读次数：

Qwen3概述

  • 多种思考模式

    可用户提示或系统消息中添加 /think 和 /no_think 来逐轮切换模型的思考模式

    • 思考模式：在这种模式下，模型会逐步推理，经过深思熟虑后给出最终答案。这种方法非常适合需要深入思考的复杂问题。
    • 非思考模式：在此模式中，模型提供快速、近乎即时的响应，适用于那些对速度要求高于深度的简单问题。

  • 多语言
    119 种语言和方言

  • MCP 支持

Qwen3-30B-A3B

  • 一个拥有约 300 亿总参数和 30 亿激活参数的小型 MoE 模型
  • 需24GB+显存

Qwen3-Embedding & Qwen3-Reranker

Model Type Models Size Layers Sequence Length Embedding Dimension MRL Support Instruction Aware
Text Embedding Qwen3-Embedding-0.6B 0.6B 28 32K 1024 Yes Yes
Text Embedding Qwen3-Embedding-4B 4B 36 32K 2560 Yes Yes
Text Embedding Qwen3-Embedding-8B 8B 36 32K 4096 Yes Yes
Text Reranking Qwen3-Reranker-0.6B 0.6B 28 32K - - Yes
Text Reranking Qwen3-Reranker-4B 4B 36 32K - - Yes
Text Reranking Qwen3-Reranker-8B 8B 36 32K - - Yes
  • 经济型：Embedding-4B + Reranker-4B（显存总需求<30GB）
  • 高性能型：Embedding-8B + Reranker-8B（需多GPU，吞吐量提升40%+）

对比BGE-M3：全方位代差优势

指标 Qwen3-8B BGE-M3 优势幅度
综合得分 70.58 59.56 ↑11.02
上下文长度 32K 8K ↑ 4倍
检索任务(MSMARCO) 57.65 40.88 ↑41%
开放问答(NQ) 10.06 -3.11 实现负分逆转
多语言理解 28.66 20.10 ↑42%

vllm 安装

  • uv(首选)

    1
    2
    3
    uv venv llvm --python 3.12 --seed
    source llvm/bin/activate
    uv pip install vllm

  • conda(有 license 问题)

    1
    2
    3
    4
    5
    conda env list ## 查看conda创建的所以虚拟环境
    conda create -n llvm python=3.12 ## 创建特定版本python
    conda activate llvm ## 进入某个虚拟环境
    conda env remove -n llvm ##  删除某个虚拟环境
    pip install vllm

模型下载

1
2
3
4
5
6
7
8
## 安装下载环境
pip install modelscope
## 下载模型
modelscope download --model Qwen/Qwen3-30B-A3B
## 下载指定目录下
modelscope download --model Qwen/Qwen3-30B-A3B --local_dir /home/models
modelscope download --model Qwen/Qwen3-Embedding-8B --local_dir /home/models
modelscope download --model Qwen/Qwen3-Reranker-8B --local_dir /home/models

vllm 服务启动

vllm serve <model_path>

1
2
3
4
5
6
7
vllm serve /home/models/Qwen3-30B-A3B \
--port 8000 \
--host 0.0.0.0 \
--gpu-memory-utilization 0.95 \
--enable-reasoning \
--reasoning-parser deepseek_r1 \
--served-model-name Qwen3-30B-A3B

参数相关

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
usage: vllm serve [-h] [--model MODEL]
                  [--task {auto,generate,embedding,embed,classify,score,reward,transcription}]
                  [--tokenizer TOKENIZER] [--hf-config-path HF_CONFIG_PATH]
                  [--skip-tokenizer-init] [--revision REVISION]
                  [--code-revision CODE_REVISION]
                  [--tokenizer-revision TOKENIZER_REVISION]
                  [--tokenizer-mode {auto,slow,mistral,custom}]
                  [--trust-remote-code]
                  [--allowed-local-media-path ALLOWED_LOCAL_MEDIA_PATH]
                  [--download-dir DOWNLOAD_DIR]
                  [--load-format {auto,pt,safetensors,npcache,dummy,tensorizer,sharded_state,gguf,bitsandbytes,mistral,runai_streamer}]
                  [--config-format {auto,hf,mistral}]
                  [--dtype {auto,half,float16,bfloat16,float,float32}]
                  [--kv-cache-dtype {auto,fp8,fp8_e5m2,fp8_e4m3}]
                  [--max-model-len MAX_MODEL_LEN]
                  [--guided-decoding-backend GUIDED_DECODING_BACKEND]
                  [--logits-processor-pattern LOGITS_PROCESSOR_PATTERN]
                  [--model-impl {auto,vllm,transformers}]
                  [--distributed-executor-backend {ray,mp,uni,external_launcher}]
                  [--pipeline-parallel-size PIPELINE_PARALLEL_SIZE]
                  [--tensor-parallel-size TENSOR_PARALLEL_SIZE]
                  [--enable-expert-parallel]
                  [--max-parallel-loading-workers MAX_PARALLEL_LOADING_WORKERS]
                  [--ray-workers-use-nsight] [--block-size {8,16,32,64,128}]
                  [--enable-prefix-caching | --no-enable-prefix-caching]
                  [--disable-sliding-window] [--use-v2-block-manager]
                  [--num-lookahead-slots NUM_LOOKAHEAD_SLOTS] [--seed SEED]
                  [--swap-space SWAP_SPACE] [--cpu-offload-gb CPU_OFFLOAD_GB]
                  [--gpu-memory-utilization GPU_MEMORY_UTILIZATION]
                  [--num-gpu-blocks-override NUM_GPU_BLOCKS_OVERRIDE]
                  [--max-num-batched-tokens MAX_NUM_BATCHED_TOKENS]
                  [--max-num-partial-prefills MAX_NUM_PARTIAL_PREFILLS]
                  [--max-long-partial-prefills MAX_LONG_PARTIAL_PREFILLS]
                  [--long-prefill-token-threshold LONG_PREFILL_TOKEN_THRESHOLD]
                  [--max-num-seqs MAX_NUM_SEQS] [--max-logprobs MAX_LOGPROBS]
                  [--disable-log-stats]
                  [--quantization {aqlm,awq,deepspeedfp,tpu_int8,fp8,ptpc_fp8,fbgemm_fp8,modelopt,nvfp4,marlin,gguf,gptq_marlin_24,gptq_marlin,awq_marlin,gptq,compressed-tensors,bitsandbytes,qqq,hqq,experts_int8,neuron_quant,ipex,quark,moe_wna16,None}]
                  [--rope-scaling ROPE_SCALING] [--rope-theta ROPE_THETA]
                  [--hf-overrides HF_OVERRIDES] [--enforce-eager]
                  [--max-seq-len-to-capture MAX_SEQ_LEN_TO_CAPTURE]
                  [--disable-custom-all-reduce]
                  [--tokenizer-pool-size TOKENIZER_POOL_SIZE]
                  [--tokenizer-pool-type TOKENIZER_POOL_TYPE]
                  [--tokenizer-pool-extra-config TOKENIZER_POOL_EXTRA_CONFIG]
                  [--limit-mm-per-prompt LIMIT_MM_PER_PROMPT]
                  [--mm-processor-kwargs MM_PROCESSOR_KWARGS]
                  [--disable-mm-preprocessor-cache] [--enable-lora]
                  [--enable-lora-bias] [--max-loras MAX_LORAS]
                  [--max-lora-rank MAX_LORA_RANK]
                  [--lora-extra-vocab-size LORA_EXTRA_VOCAB_SIZE]
                  [--lora-dtype {auto,float16,bfloat16}]
                  [--long-lora-scaling-factors LONG_LORA_SCALING_FACTORS]
                  [--max-cpu-loras MAX_CPU_LORAS] [--fully-sharded-loras]
                  [--enable-prompt-adapter]
                  [--max-prompt-adapters MAX_PROMPT_ADAPTERS]
                  [--max-prompt-adapter-token MAX_PROMPT_ADAPTER_TOKEN]
                  [--device {auto,cuda,neuron,cpu,openvino,tpu,xpu,hpu}]
                  [--num-scheduler-steps NUM_SCHEDULER_STEPS]
                  [--use-tqdm-on-load | --no-use-tqdm-on-load]
                  [--multi-step-stream-outputs [MULTI_STEP_STREAM_OUTPUTS]]
                  [--scheduler-delay-factor SCHEDULER_DELAY_FACTOR]
                  [--enable-chunked-prefill [ENABLE_CHUNKED_PREFILL]]
                  [--speculative-model SPECULATIVE_MODEL]
                  [--speculative-model-quantization {aqlm,awq,deepspeedfp,tpu_int8,fp8,ptpc_fp8,fbgemm_fp8,modelopt,nvfp4,marlin,gguf,gptq_marlin_24,gptq_marlin,awq_marlin,gptq,compressed-tensors,bitsandbytes,qqq,hqq,experts_int8,neuron_quant,ipex,quark,moe_wna16,None}]
                  [--num-speculative-tokens NUM_SPECULATIVE_TOKENS]
                  [--speculative-disable-mqa-scorer]
                  [--speculative-draft-tensor-parallel-size SPECULATIVE_DRAFT_TENSOR_PARALLEL_SIZE]
                  [--speculative-max-model-len SPECULATIVE_MAX_MODEL_LEN]
                  [--speculative-disable-by-batch-size SPECULATIVE_DISABLE_BY_BATCH_SIZE]
                  [--ngram-prompt-lookup-max NGRAM_PROMPT_LOOKUP_MAX]
                  [--ngram-prompt-lookup-min NGRAM_PROMPT_LOOKUP_MIN]
                  [--spec-decoding-acceptance-method {rejection_sampler,typical_acceptance_sampler}]
                  [--typical-acceptance-sampler-posterior-threshold TYPICAL_ACCEPTANCE_SAMPLER_POSTERIOR_THRESHOLD]
                  [--typical-acceptance-sampler-posterior-alpha TYPICAL_ACCEPTANCE_SAMPLER_POSTERIOR_ALPHA]
                  [--disable-logprobs-during-spec-decoding [DISABLE_LOGPROBS_DURING_SPEC_DECODING]]
                  [--model-loader-extra-config MODEL_LOADER_EXTRA_CONFIG]
                  [--ignore-patterns IGNORE_PATTERNS]
                  [--preemption-mode PREEMPTION_MODE]
                  [--served-model-name SERVED_MODEL_NAME [SERVED_MODEL_NAME ...]]
                  [--qlora-adapter-name-or-path QLORA_ADAPTER_NAME_OR_PATH]
                  [--show-hidden-metrics-for-version SHOW_HIDDEN_METRICS_FOR_VERSION]
                  [--otlp-traces-endpoint OTLP_TRACES_ENDPOINT]
                  [--collect-detailed-traces COLLECT_DETAILED_TRACES]
                  [--disable-async-output-proc]
                  [--scheduling-policy {fcfs,priority}]
                  [--scheduler-cls SCHEDULER_CLS]
                  [--override-neuron-config OVERRIDE_NEURON_CONFIG]
                  [--override-pooler-config OVERRIDE_POOLER_CONFIG]
                  [--compilation-config COMPILATION_CONFIG]
                  [--kv-transfer-config KV_TRANSFER_CONFIG]
                  [--worker-cls WORKER_CLS]
                  [--worker-extension-cls WORKER_EXTENSION_CLS]
                  [--generation-config GENERATION_CONFIG]
                  [--override-generation-config OVERRIDE_GENERATION_CONFIG]
                  [--enable-sleep-mode] [--calculate-kv-scales]
                  [--additional-config ADDITIONAL_CONFIG] [--enable-reasoning]
                  [--reasoning-parser {deepseek_r1}]

docker compose 部署

  • Qwen3-30B-A3B

    1
    2
    3
    4
    5
    6
    7
    8
    9
    10
    11
    12
    13
    14
    15
    16
    17
    18
    19
    20
    21
    22
    23
    24
    25
    version: '3.8'

    services:
      qwen3:
        image: vllm/vllm-openai:latest  # 使用最新的vLLM镜像
        container_name: qwen3-vllm
        restart: unless-stopped
        environment:
          - HF_ENDPOINT=https://hf-mirror.com
          - MODEL_PATH=/models/Qwen3-30B-A3B  # 模型路径
          - SERVED_MODEL_NAME=Qwen3-30B-A3B  # 对外服务时使用的模型名称
          - API_KEY=dakewe  # 设置API密钥
          - MEMORY_UTILIZATION=0.95  # GPU内存利用率，接近但不超过显存限制
        volumes:
          - ./models:/models  # 将本地的模型目录挂载到容器内的/models路径
        runtime: nvidia  # 使用NVIDIA运行时以支持GPU
        deploy:
          resources:
            reservations:
              devices:
                - driver: nvidia
                  count: all
                  capabilities: [gpu]
        ports:
          - "8000:8000"  # 将容器的8000端口映射到主机的8000端口

  • Qwen3-Embedding-8B

    临时，等vllm-openai 支持
    issue: https://github.com/vllm-project/vllm/issues/19229

    1
    2
    3
    4
    5
    6
    7
    8
    9
    10
    11
    12
    13
    14
    15
    16
    17
    18
    services:
      Qwen3-Embedding-8B:
        container_name: Qwen3-Embedding-8B
        restart: no
        image: dengcao/vllm-openai:v0.9.2-dev #采用vllm最新的开发版制作的镜像，经测试正常，可放心使用
        ipc: host
        volumes:
          - ./models:/models
        command: ["--model", "/models/Qwen3-Embedding-8B",  "--served-model-name", "Qwen3-Embedding-8B",  "--gpu-memory-utilization", "0.90"]
        ports:
          - 8001:8000
        deploy:
          resources:
            reservations:
              devices:
                - driver: nvidia
                  count: all
                  capabilities: [gpu]

  • Qwen3-Reranker-8B

    临时，等vllm-openai 支持
    issue: https://github.com/vllm-project/vllm/issues/19229

    1
    2
    3
    4
    5
    6
    7
    8
    9
    10
    11
    12
    13
    14
    15
    16
    17
    18
    services:  
      Qwen3-Reranker-8B:
        container_name: Qwen3-Reranker-8B
        restart: no
        image: dengcao/vllm-openai:v0.9.2-dev #采用vllm最新的开发版制作的镜像，经在NVIDIA RTX3060平台主机上测试正常，可放心使用。
        ipc: host
        volumes:
          - ./models:/models
        command: ['--model', '/models/Qwen3-Reranker-8B',  '--served-model-name', 'Qwen3-Reranker-8B',  '--gpu-memory-utilization', '0.90', '--hf_overrides','{"architectures": ["Qwen3ForSequenceClassification"],"classifier_from_token": ["no", "yes"],"is_original_qwen3_reranker": true}']
        deploy:
          resources:
            reservations:
              devices:
                - driver: nvidia
                  count: all
                  capabilities: [gpu]
        ports:
          - 8002:8000

发表于 更新于 阅读次数：

背景

解决文档内容提取

前期调研

整体上看，大部分都是基于PaddleOCR基础上集成，比较有特点的是 MinerU

部署

docker-compose.yml

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
version: '3.8'

services:
  mineru-api:
    image: mineru-api-full
    container_name: mineru-api
    runtime: nvidia  # 需要NVIDIA Container Runtime支持
    deploy:
      resources:
        reservations:
          devices:
            - driver: nvidia
              count: all
              capabilities: [gpu]
    shm_size: 32g
    ports:
      - "8888:8888"
      - "30000:30000"
    restart: unless-stopped

相关链接

基于MinerU 2.0的PDF解析API

发表于 更新于 阅读次数：

背景

我们在过往尝试过使用paimon进行分层 Flink & Paimon & StarRocks & Dinky 流式湖仓分层实践验证，一共制作了如下4张表，其中流任务的merge-engine分别为:

  • order_dw.dwd_orders （partial-update）
  • order_dw.dwm_users_shops （aggregation ）
  • order_dw.dws_users （aggregation ）
  • order_dw.dws_shops （aggregation ）

我们经常会有这样的疑问：

1、假设mysql源表中的order_dw.orders的buy_fee在下游paimon流任务表dwm_users_shops、dws_users、dws_shops中都已经完成聚合统计后，这时候，这时候突然对order_dw.orders表中的某一条数据就行修改纠正，正常的业务场景就是改价，那么下游的aggregation任务会是如何？数据是否会纠正？纠正的原理和逻辑是什么？
2、假设我的dwm_users_shops任务突然终止，并且需要从某一个checkpoint/savepoint恢复，那么这时候aggregation任务又会是如何处理聚合数据的？

带着这个疑惑，我们来实践验证一下

实践

我们以Flink & Paimon & StarRocks & Dinky 流式湖仓分层实践验证为基础

发表于 更新于 阅读次数：

目标

本文通过huggingface的Transform类进行BERT的文本分类代码训练与验证，数据集采用网上整理包括正向和负向评论的携程网数据

通过实战完整地去掌握完整代码步骤，包括:

  • 数据的加载
  • 创建数据集
  • 划分训练集和验证集
  • 创建模型和优化器
  • 模型的训练
  • 模型的验证
  • 模型的预测

实现当输入一个对酒店的评价的一段文字，模型输出对于这个酒店的分析，判断是正向评价还是负面评价

BERT适用场景

BERT（Bidirectional Encoder Representations from Transformers）是一种基于Transformer的预训练语言模型，它在自然语言处理（NLP）领域中具有广泛的应用，以下是一些BERT特别适用的场景：

  • 1、文本分类：BERT可以用于情感分析、主题分类、垃圾邮件检测等文本分类任务。它能够捕捉到文本中细微的语义差异，从而实现更准确的分类。
  • 2、问答系统：BERT可以用于构建问答系统，它能够理解问题的上下文，并在大量文本中找到正确的答案。
  • 3、命名实体识别（NER）：在NER任务中，BERT能够识别文本中的特定实体，如人名、地点、组织等。
  • 4、机器翻译：虽然BERT最初是为英语设计的，但它也可以通过多语言预训练模型来支持机器翻译任务。
  • 5、文本摘要：BERT可以用于生成文本的摘要，无论是提取式摘要还是生成式摘要。
  • 6、语言模型评估：BERT可以用于评估其他语言模型的性能，通过比较预训练模型和目标模型的表示。
  • 7、文本相似度：BERT可以用于计算文本之间的相似度，这在推荐系统、搜索引擎优化等领域非常有用。
  • 8、对话系统：BERT可以用于构建对话系统，理解用户的意图，并生成合适的回复。
  • 9、文档分类：在法律、医疗等领域，BERT可以用于对文档进行分类，帮助专业人士快速定位信息。
  • 10、文本生成：虽然BERT主要用于理解语言，但它也可以用于文本生成任务，如续写故事、生成诗歌等。
  • 11、语义匹配：BERT可以用于比较两个句子的语义相似度，这在语义搜索、信息检索等领域非常有用。
  • 12、文本纠错：BERT可以用于检测和纠正文本中的错误，提高文本质量。
  • 13、多任务学习：BERT可以同时处理多个NLP任务，通过共享表示来提高各个任务的性能。

本次数据集介绍

数据集来源于网络整理的携程网数据， 包括7000 多条酒店评论数据，5000 多条正向评论，2000 多条负向评论

地址：https://github.com/SophonPlus/ChineseNlpCorpus/tree/master/datasets/ChnSentiCorp_htl_all

字段说明

字段 说明
label 1 表示正向评论，0 表示负向评论
review 评论内容

MQPdAa

硬件环境

本例比较简单，好点配置的电脑应该都跑得了，但为了熟悉还是用GPU来玩一下，熟悉一下方便以后租借算力。
本次实验使用AutoDL AI算力云 租借算力，采用GPU卡进行训练，使用Ubuntu 24.04LTS版本，Python使用Python 3.12.3版本

基本的硬件配置如下：

  • CPU: 16 核，Xeon(R) Gold 6430
  • 内存: 120 GB
  • GPU: Nvidia RTX 4090 / 24 GB

IX3I8x

https://github.com/zyds/transformers-code/blob/master/01-Getting%20Started/07-trainer/classification_demo.ipynb

其他可用数据集

https://github.com/CLUEbenchmark/CLUEDatasetSearch

发表于 更新于 阅读次数：

安装依赖

1
2
3
pip install transformers datasets tokenizers
pip install torch==2.2.0
pip install "numpy<2"

下载

我们来尝试一下下载并使用模型

  • bert-base-chinese
  • gpt2-chinese-cluecorpussmall
  • roberta-base-chinese-extractive-qa

download_LLM.py

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
from transformers import AutoModel, AutoTokenizer
# 分类模型
# model_name = "bert-base-chinese"
# cache_dir = "./models/bert-base-chinese"

# 文本生成模型
# model_name = "uer/gpt2-chinese-cluecorpussmall"
# cache_dir = "./models/gpt2-chinese-cluecorpussmall"

# 问答模型
model_name = "uer/roberta-base-chinese-extractive-qa"
cache_dir = "./models/roberta-base-chinese-extractive-qa"

model = AutoModel.from_pretrained(model_name, cache_dir=cache_dir)
tokenizer = AutoTokenizer.from_pretrained(model_name, cache_dir=cache_dir)

使用

使用本地模型

  • 文本生成模型

    1
    2
    3
    4
    5
    6
    7
    8
    9
    10
    11
    12
    13
    14
    15
    from transformers import pipeline, AutoTokenizer, AutoModelForCausalLM
    model_dir = f"{绝对路径}/huggingFace/models/gpt2-chinese-cluecorpussmall/models--uer--gpt2-chinese-cluecorpussmall/snapshots/c2c0249d8a2731f269414cc3b22dff021f8e07a3"
    tokenizer = AutoTokenizer.from_pretrained(model_dir)
    model = AutoModelForCausalLM.from_pretrained(model_dir)
    generator = pipeline("text-generation", model=model, tokenizer=tokenizer, device=0)
    result = generator("你好,我是一款大模型",
                       max_length=150,
                       num_return_sequences=1,
                       truncation=True,
                       temperature=0.7,
                       top_k=50,
                       top_p=0.9,
                       clean_up_tokenization_spaces=False
                       )
    print(result)

  • 分类模型

    1
    2
    3
    4
    5
    6
    7
    from transformers import pipeline, BertTokenizer, BertForSequenceClassification
    model_dir = f"{绝对路径}/huggingFace/models/bert-base-chinese/models--bert-base-chinese/snapshots/c30a6ed22ab4564dc1e3b2ecbf6e766b0611a33f"
    model = BertForSequenceClassification.from_pretrained(model_dir)
    tokenizer = BertTokenizer.from_pretrained(model_dir)
    classifier = pipeline("text-classification", model=model, tokenizer=tokenizer)
    result = classifier("你好,我是一款大模型")
    print(result)

  • 问答模型

    1
    2
    3
    4
    5
    6
    7
    8
    9
    10
    from transformers import pipeline, AutoTokenizer, AutoModelForQuestionAnswering
    model_dir = f"{绝对路径}/huggingFace/models/roberta-base-chinese-extractive-qa/models--uer--roberta-base-chinese-extractive-qa/snapshots/9b02143727b9c4655d18b43a69fc39d5eb3ddd53"
    tokenizer = AutoTokenizer.from_pretrained(model_dir)
    model = AutoModelForQuestionAnswering.from_pretrained(model_dir)
    qa_pipeline = pipeline("question-answering", model=model, tokenizer=tokenizer)
    result = qa_pipeline({
        "question":"Hugging Face 是什么",
        "context": "Hugging Face 是一个自然语言处理平台"
    })
    print(result)

发表于 更新于 阅读次数：

背景与目标

我们之前曾评估使用过seatunnel做cdc入湖验证：seatunnel-cdc入湖实践,这些场景都是能直连数据库的场景，
业务需求中经常会出现无法直连数据库做cdc进行数据同步的场景，而这些场景就需要使用api进行数据对接，用海豚调度定时同步数据。

举个实际中的例子：

  • ERP（SAP）的库存数据进行同步入湖仓做库存分析

同时，本次目标希望其他同事能依样画葫芦，在以后的对接http接口到湖仓的时候能够自行完成，而非每遇到一个对接需求，就需要通过代码方式进行对接。

准备工作

  • seatunnel 2.3.10

    首先，您需要在${SEATUNNEL_HOME}/config/plugin_config文件中加入连接器名称，然后，执行命令来安装连接器,确认连接器在${SEATUNNEL_HOME}/connectors/目录下即可。
    本例中我们会用到：connector-jdbc、connector-paimon
    写入StarRocks也可以使用connector-starrocks，本例中的场景比较适合用connector-jdbc，所以使用connector-jdbc

    1
    2
    3
    4
    5
    6
    # 配置连接器名称
    --connectors-v2--
    connector-jdbc
    connector-starrocks
    connector-paimon
    --end--
    1
    2
    # 安装连接器
    sh bin/install-plugin.sh 2.3.10

seatunnel 任务

我们先至少保证能在本地完成seatunnel任务,再完成对海豚调度的对接

  • http to starRocks
    example/http2starrocks

    1
    2
    3
    4
    5
    6
    7
    8
    9
    10
    11
    12
    13
    14
    15
    16
    17
    18
    19
    20
    21
    22
    23
    24
    25
    26
    27
    28
    29
    30
    31
    32
    33
    34
    35
    36
    37
    38
    39
    40
    41
    42
    43
    44
    45
    46
    47
    48
    49
    50
    51
    52
    53
    54
    55
    56
    57
    58
    59
    60
    61
    62
    63
    64
    65
    66
    67
    68
    69
    70
    71
    72
    73
    74
    75
    76
    77
    78
    79
    80
    81
    82
    83
    84
    85
    86
    87
    88
    89
    90
    91
    92
    93
    94
    95
    96
    97
    98
    99
    100
    101
    102
    env {
      parallelism = 1
      job.mode = "BATCH"
    }

    source {
      Http {
        plugin_output = "stock"
        url = "https://ip/http/prd/query_sap_stock"
        method = "POST"
        headers {
          Authorization = "Basic XXX"
          Content-Type = "application/json"
        }
        body = """{"IT_WERKS": [{"VALUE": "1080"}]}"""
        format = "json"
        content_field = "$.ET_RETURN.*"
        schema {
          fields {
            MATNR = "string"
            MAKTX = "string"
            WERKS = "string"
            NAME1 = "string"
            LGORT = "string"
            LGOBE = "string"
            CHARG = "string"
            MEINS = "string"
            LABST = "double"
            UMLME = "double"
            INSME = "double"
            EINME = "double"
            SPEME = "double"
            RETME = "double"
          }
        }
      }
    }

    # 此转换操作主要用于字段重命名等用途
    transform {
      Sql {
        plugin_input = "stock"
        plugin_output = "stock-tf-out"
        query = "select MATNR, MAKTX, WERKS,NAME1,LGORT,LGOBE,CHARG,MEINS,LABST,UMLME,INSME,EINME,SPEME,RETME from stock"
      }
    }

    # 连接starRocks 进行数据分区覆写,本例适用starRocks建表，按照分区insert overwrite 覆写
    sink {
        jdbc {
            plugin_input = "stock-tf-out"
            url = "jdbc:mysql://XXX:9030/scm?useUnicode=true&characterEncoding=UTF-8&rewriteBatchedStatements=true"
            driver = "com.mysql.cj.jdbc.Driver"
            user = "lab"
            password = "XXX"
            compatible_mode="starrocks"
            query = """insert overwrite ods_sap_stock PARTITION (WERKS='1080') (MATNR, MAKTX, WERKS,NAME1,LGORT,LGOBE,CHARG,MEINS,LABST,UMLME,INSME,EINME,SPEME,RETME) values(?,?,?,?,?,?,?,?,?,?,?,?,?,?)"""
            }
    }

    # connector-starrocks进行对接 （未看到支持sql语句进行数据insert overwrite，本例子场景不适合），比较适合表数据全部删除重建场景
    // sink {
    //   StarRocks {
    //     plugin_input = "stock-tf-out"
    //     nodeUrls = ["ip:8030"]
    //     base-url = "jdbc:mysql://ip:9030/"
    //     username = "lab"
    //     password = "XXX"
    //     database = "scm"
    //     table = "ods_sap_stock"
    //     batch_max_rows = 1000
    //     data_save_mode="DROP_DATA"
    //     starrocks.config = {
    //       format = "JSON"
    //       strip_outer_array = true
    //     }
    //     schema_save_mode = "RECREATE_SCHEMA"
    //     save_mode_create_template="""
    //       CREATE TABLE IF NOT EXISTS `scm`.`ods_sap_stock` (
    //         MATNR STRING COMMENT '物料',
    //         WERKS STRING COMMENT '工厂',
    //         LGORT STRING COMMENT '库存地点',
    //         MAKTX STRING COMMENT '物料描述',
    //         NAME1 STRING COMMENT '工厂名称',
    //         LGOBE STRING COMMENT '地点描述',
    //         CHARG STRING COMMENT '批次编号',
    //         MEINS STRING COMMENT '单位',
    //         LABST DOUBLE COMMENT '非限制使用库存',
    //         UMLME DOUBLE COMMENT '在途库存',
    //         INSME DOUBLE COMMENT '质检库存',
    //         EINME DOUBLE COMMENT '受限制使用的库存',
    //         SPEME DOUBLE COMMENT '已冻结的库存',
    //         RETME DOUBLE COMMENT '退货'
    //       ) ENGINE=OLAP
    //       PRIMARY KEY ( MATNR,WERKS,LGORT)
    //       COMMENT 'sap库存'
    //       DISTRIBUTED BY HASH (WERKS) PROPERTIES (
    //       "replication_num" = "1"
    //       )
    //     """
    //   }
    // }

  • http to paimon
    example/http2paimon

    1
    2
    3
    4
    5
    6
    7
    8
    9
    10
    11
    12
    13
    14
    15
    16
    17
    18
    19
    20
    21
    22
    23
    24
    25
    26
    27
    28
    29
    30
    31
    32
    33
    34
    35
    36
    37
    38
    39
    40
    41
    42
    43
    44
    45
    46
    47
    48
    49
    50
    51
    52
    53
    54
    55
    56
    57
    58
    59
    60
    61
    env {
      parallelism = 1
      job.mode = "BATCH"
    }

    source {
      Http {
        plugin_output = "stock"
        url = "https://ip/http/prd/query_sap_stock"
        method = "POST"
        headers {
          Authorization = "Basic XXX"
          Content-Type = "application/json"
        }
        body = """{"IT_WERKS": [{"VALUE": "1080"}]}"""
        format = "json"
        content_field = "$.ET_RETURN.*"
        schema {
          fields {
            MATNR = "string"
            MAKTX = "string"
            WERKS = "string"
            NAME1 = "string"
            LGORT = "string"
            LGOBE = "string"
            CHARG = "string"
            MEINS = "string"
            LABST = "double"
            UMLME = "double"
            INSME = "double"
            EINME = "double"
            SPEME = "double"
            RETME = "double"
          }
        }
      }
    }
    # 此转换操作主要用于字段从命名等方便用途
    transform {
      Sql {
        plugin_input = "stock"
        plugin_output = "stock-tf-out"
        query = "select MATNR, MAKTX, WERKS,NAME1,LGORT,LGOBE,CHARG,MEINS,LABST,UMLME,INSME,EINME,SPEME,RETME from stock"
      }
    }

    # 连接paimon进行数据同步，paimon 暂时 未看到有支持 insert overwrite 分区覆写，此例仅作为参考，不适用本此例子需求
    sink {
      Paimon {
        warehouse = "s3a://test/"
        database = "sap"
        table = "ods_sap_stock"
        paimon.hadoop.conf = {
            fs.s3a.access-key=XXX
            fs.s3a.secret-key=XXX
            fs.s3a.endpoint="http://minio:9000"
            fs.s3a.path.style.access=true
            fs.s3a.aws.credentials.provider=org.apache.hadoop.fs.s3a.SimpleAWSCredentialsProvider
        }
      }
    }

dolphinscheduler 集成seatunnel

  • 制作worker镜像
    1
    2
    3
    4
    5
    FROM dolphinscheduler.docker.scarf.sh/apache/dolphinscheduler-worker:3.2.2
    RUN mkdir /opt/seatunnel
    RUN mkdir /opt/seatunnel/apache-seatunnel-2.3.10
    # 容器集成seatunnel
    COPY apache-seatunnel-2.3.10/ /opt/seatunnel/apache-seatunnel-2.3.10/
    打包镜像，推送到镜像仓库
    1
    docker build --platform=linux/amd64 -t apache/dolphinscheduler-worker:3.2.2-seatunnel .
  • 使用新镜像部署一个worker，此处修改 docker-compose.yaml,增加一个 dolphinscheduler-worker-seatunnel节点
    1
    2
    3
    4
    5
    6
    7
    8
    9
    10
    11
    12
    13
    14
    15
    16
    17
    18
    19
    20
    21
    22
    ...
      dolphinscheduler-worker-seatunnel:
        image: xxx/dolphinscheduler-worker:3.2.2-seatunnel
        profiles: ["all"]
        env_file: .env
        healthcheck:
          test: [ "CMD", "curl", "http://localhost:1235/actuator/health" ]
          interval: 30s
          timeout: 5s
          retries: 3
        depends_on:
          dolphinscheduler-zookeeper:
            condition: service_healthy
        volumes:
          - ./dolphinscheduler-worker-seatunnel-data:/tmp/dolphinscheduler
          - ./dolphinscheduler-logs:/opt/dolphinscheduler/logs
          - ./dolphinscheduler-shared-local:/opt/soft
          - ./dolphinscheduler-resource-local:/dolphinscheduler
        networks:
          dolphinscheduler:
            ipv4_address: 172.15.0.18
    ...
  • dolphinscheduler配置seatunnel 分组及环境配置
    • 安全中心-Worker分组管理,创建一个这个节点ip的分组，用于以后需要seatunnel的任务跑该分组
      iX5FOs
    • 环境管理-创建环境，增加一个用于执行seatunnel的环境，同时需要绑定Worker分组为上一步创建的seatunnel分组
      GXYYpj
    • 创建工作流定义，把上面的seatunnel任务配置填写上
      fwe13Y
    • 运行时候，选择seatunnel的worker分组和环境即可跑在这个集成了seatunnel的环境上
      n8Y2w9

发表于 更新于 阅读次数：

背景

上一次我们实践了

这次我们生产实践验证将 Flink & Paimon & StarRocks & Dinky 流式湖仓分层实践验证 完整部署到生产，并且采用 Flink on k8s 的 Application 方式进行部署。

本部署方案仅提供一个部署思路，可以根据自己的实际生产情况调节

准备工作

  • 提前准备好一个k8s集群
  • 准备一个对象存储，我这里用minio,主要用于jar包的存储及下载

    在minio/libs/1.20 目录下上传自己需要的项目以来jar包
    FIhbuL

  • 制作基础镜像

    新建一个extends的目录，目录下放置下面3个文件

    • dinky-app-1.20-1.2.1-jar-with-dependencies.jar 从dinky目录下的jar获取
    • mysql-connector-java-8.0.27.jar
    • Dockerfile 镜像制作文件
      目录看起来像这样：
      kh82Yi
      Dockerfile
      1
      2
      3
      4
      5
      ARG FLINK_VERSION=1.20.1
      FROM flink:${FLINK_VERSION}-scala_2.12
      ADD ./*.jar  $FLINK_HOME/lib/ # 将目录下的jar包添加到镜像中的lib目录
      RUN rm -rf /opt/flink/lib/flink-table-planner-loader-*.jar # 删除flink-table-planner-loader
      RUN mv /opt/flink/opt/flink-table-planner_2.12-*.jar /opt/flink/lib # 添加flink-table-planner_2.12

      dinky需要替换planner-loader为 planner的原因是血缘分析、语法增强等功能使用到了planner的依赖，但是loader是独立加载的，所以导致dinky无法使用planner的依赖

    • 打包镜像，推送到镜像仓库
      1
      2
      3
      docker build --platform linux/amd64 -t dinky-flink:1.2.1-1.20.1 . --no-cache 
      docker tag dinky-flink:1.2.1-1.20.0 XXX/dinky-flink:1.2.1-1.20.1
      docker push XXX/dinky-flink:1.2.1-1.20.1
      到此我们就制作好了我们的基础镜像。

实践

  • 正确在dinky创建和填写集群配置
    4BqhoQ
    rfiIy9
    • Flink镜像地址 填写上面步骤打包好的镜像地址
    • k8s kubeConfig 填写k8s的config文件
    • Default Pod Template

      我们参考官网Example of Pod Template，编写pod template
      <URL> <ACCESSKEY> <SECRETKEY> 请填写自己的minio地址
      initContainers 的作用是将minio中的jar包下载下来，并挂载到flink的lib目录下
      tolerations 是我们node节点打了污点，不然随随便便的pod运行，某个节点专供flink跑任务

      1
      2
      3
      4
      5
      6
      7
      8
      9
      10
      11
      12
      13
      14
      15
      16
      17
      18
      19
      20
      21
      22
      23
      24
      25
      26
      27
      28
      29
      30
      31
      32
      apiVersion: v1
      kind: Pod
      metadata:
        name: pod-template
      spec:
        initContainers:
          - command:
              - sh
              - -c
              - mc alias set minio <URL> <ACCESSKEY> <SECRETKEY>
                && mc cp --recursive minio/libs/1.20/ /tmp/ext-lib
                && mc ls minio
            image: minio/mc:RELEASE.2025-02-15T10-36-16Z
            imagePullPolicy: IfNotPresent
            name: init-lib
            volumeMounts:
              - mountPath: /tmp/ext-lib
                name: ext-lib
        tolerations:
          - key: "env"
            operator: "Equal"
            value: "prod"
            effect: "NoSchedule"
        containers:
          - name: flink-main-container
            imagePullPolicy: Always
            volumeMounts:
              - mountPath: /opt/flink/lib/ext-lib
                name: ext-lib
        volumes:
          - name: ext-lib
            emptyDir: {}
    • 保存点路径和检查点路径

      这里建议填写一个持久化的地址，可以创建一个pvc挂载上去目录

    • Jar文件路径

      这里填写 local:///opt/flink/lib/dinky-app-1.20-1.2.1-jar-with-dependencies.jar

  • 运行paimon cdc 任务,让其以application模式跑在 k8s上
    WYVxHu

发表于 更新于 阅读次数：

vOjcqn

背景

Ilnldj
在实际生产中，我们经常会有这样的需求，需要以原始数据流作为基础，然后关联大量的外部表来补充一些属性。例如，我们在订单数据中，希望能得到订单的支付信息和产品分类信息。
特点是：

  • 支付信息数据量大
  • 产品分类信息数据量少，修改不是太频繁

打宽数据时，我们面临的局限性：

  • 双流join存储所有state成本过高。

本篇我们来实践验证一下 部分列更新Partial Update + Lookup Join 打宽做分层的可行性。降低一下流计算压力。

准备

  • 源数据准备
    MySql创建名称为order_dw的数据库，创建三张表，并插入相应数据。
    1
    2
    3
    4
    5
    6
    7
    8
    9
    10
    11
    12
    13
    14
    15
    16
    17
    18
    19
    20
    21
    22
    23
    24
    25
    26
    27
    28
    29
    30
    31
    32
    33
    34
    35
    36
    37
    38
    39
    40
    41
    42
    43
    CREATE TABLE `orders` (
      order_id bigint not null primary key,
      user_id varchar(50) not null,
      shop_id bigint not null,
      product_id bigint not null,
      buy_fee bigint not null,
      create_time timestamp not null,
      update_time timestamp not null default now(),
      state int not null
    );

    CREATE TABLE `orders_pay` (
      pay_id bigint not null primary key,
      order_id bigint not null,
      pay_platform int not null, 
      create_time timestamp not null
    );

    CREATE TABLE `product_catalog` (
      product_id bigint not null primary key,
      catalog_name varchar(50) not null
    );

    -- 准备数据
    INSERT INTO product_catalog VALUES(1, 'phone_aaa'),(2, 'phone_bbb'),(3, 'phone_ccc'),(4, 'phone_ddd'),(5, 'phone_eee');

    INSERT INTO orders VALUES
    (100001, 'user_001', 12345, 1, 5000, '2023-02-15 16:40:56', '2023-02-15 18:42:56', 1),
    (100002, 'user_002', 12346, 2, 4000, '2023-02-15 15:40:56', '2023-02-15 18:42:56', 1),
    (100003, 'user_003', 12347, 3, 3000, '2023-02-15 14:40:56', '2023-02-15 18:42:56', 1),
    (100004, 'user_001', 12347, 4, 2000, '2023-02-15 13:40:56', '2023-02-15 18:42:56', 1),
    (100005, 'user_002', 12348, 5, 1000, '2023-02-15 12:40:56', '2023-02-15 18:42:56', 1),
    (100006, 'user_001', 12348, 1, 1000, '2023-02-15 11:40:56', '2023-02-15 18:42:56', 1),
    (100007, 'user_003', 12347, 4, 2000, '2023-02-15 10:40:56', '2023-02-15 18:42:56', 1);

    INSERT INTO orders_pay VALUES
    (2001, 100001, 1, '2023-02-15 17:40:56'),
    (2002, 100002, 1, '2023-02-15 17:40:56'),
    (2003, 100003, 0, '2023-02-15 17:40:56'),
    (2004, 100004, 0, '2023-02-15 17:40:56'),
    (2005, 100005, 0, '2023-02-15 18:40:56'),
    (2006, 100006, 0, '2023-02-15 18:40:56'),
    (2007, 100007, 0, '2023-02-15 18:40:56');
  • 包准备
    • flink-shaded-hadoop-2-uber-2.8.3-10.0.jar
    • paimon-s3-1.0.1.jar
    • paimon-flink-action-1.0.1.jar
    • paimon-flink-1.20-1.0.1.jar
    • mysql-connector-java-8.0.27.jar
    • flink-sql-connector-mysql-cdc-3.3.0.jar
      以上文件放进去 dinky 的 opt/dinky/customJar 以及对应flink集群的 lib 目录下。(该重启重启，该重新加载包重新加载包)

ODS 业务数据库实时入湖

  • 原始flink 命令行提交
    1
    2
    3
    4
    5
    6
    7
    8
    9
    10
    11
    12
    13
    14
    15
    16
    17
    18
    ./bin/flink run -d \
    	./lib/paimon-flink-action-1.0.1.jar \
    	mysql_sync_database \
    	--warehouse s3://lakehouse/paimon \
    	--database order_dw \
    	--mysql_conf hostname=XXX \
    	--mysql_conf port=63950 \
    	--mysql_conf server-time-zone=Asia/Shanghai \
    	--mysql_conf username=root \
    	--mysql_conf password=XXX \
    	--mysql_conf database-name=order_dw \
    	--catalog_conf s3.endpoint=http://192.168.103.113:9010 \
    	--catalog_conf s3.path.style.access=true \
    	--catalog_conf s3.access-key=XXX \
    	--catalog_conf s3.secret-key=XXX \
    	--table_conf bucket=1 \
    	--table_conf changelog-producer=input \
    	--table_conf sink.parallelism=1
  • dinky提交方式
    WSTA5i
  • 创建一个flink jar任务，并且在“资源” 上传 paimon-flink-action-1.0.1.jar 包
  • 正确填写jar包运行参数
    • 正确选择 “程序路径” 为刚上传的jar包;
    • 程序运行类填写 org.apache.paimon.flink.action.FlinkActions;
    • 程序运行参数填写

DWD 清洗打宽

dinky创建dwd_orders的flink sql任务
gno0hu

  • 部分列更新 partial-update + 维表 lookup join 打宽
    1
    2
    3
    4
    5
    6
    7
    8
    9
    10
    11
    12
    13
    14
    15
    16
    17
    18
    19
    20
    21
    22
    23
    24
    25
    26
    27
    28
    29
    30
    31
    32
    33
    34
    35
    36
    37
    38
    39
    40
    41
    42
    43
    44
    45
    46
    47
    48
    49
    50
    51
    52
    53
    54
    55
    56
    57
    58
    59
    60
    61
    62
    63
    64
    65
    66
    67
    68
    69
    70
    71
    72
    73
    74
    75
    76
    77
    -- 定义paimon catalog
    CREATE CATALOG paimoncatalog
    WITH
      (
        'type' = 'paimon',
        'warehouse' = 's3://lakehouse/paimon',
        's3.endpoint' = 'http://192.168.103.113:9010',
        's3.access-key' = 'XXX',
        's3.secret-key' = 'XXX'
      );

    USE CATALOG paimoncatalog;
    -- 创建 dwd_orders表
    CREATE TABLE IF NOT EXISTS order_dw.dwd_orders (
      order_id BIGINT,
      order_user_id STRING,
      order_shop_id BIGINT,
      order_product_id BIGINT,
      order_product_catalog_name STRING,
      order_fee BIGINT,
      order_create_time TIMESTAMP,
      order_update_time TIMESTAMP,
      order_state INT,
      pay_id BIGINT,
      pay_platform INT COMMENT 'platform 0: phone, 1: pc',
      pay_create_time TIMESTAMP,
      PRIMARY KEY (order_id) NOT ENFORCED
    )
    WITH
      (
        'merge-engine' = 'partial-update', -- 使用部分更新数据合并机制产生宽表
        'partial-update.remove-record-on-delete' = 'true', -- 让partial-update支持删除
        'changelog-producer' = 'full-compaction' -- 使用full-compaction或lookup增量数据产生机制以低延时产出变更数据
      );

    SET 'execution.checkpointing.max-concurrent-checkpoints' = '3';
    SET 'table.exec.sink.upsert-materialize' = 'NONE';
    SET 'execution.checkpointing.interval' = '10s';
    SET 'execution.checkpointing.min-pause' = '10s';

    -- 订单表关联产品分类 打宽
    INSERT INTO order_dw.dwd_orders
    SELECT
      o.order_id,
      o.user_id,
      o.shop_id,
      o.product_id,
      dim.catalog_name,
      o.buy_fee,
      o.create_time,
      o.update_time,
      o.state,
      CAST(NULL AS BIGINT) AS pay_id,
      CAST(NULL AS INT) AS pay_platform,
      CAST(NULL AS TIMESTAMP) AS pay_create_time
    FROM
     (
       SELECT *, PROCTIME() AS proctime FROM order_dw.orders
     ) o
      LEFT JOIN order_dw.product_catalog FOR SYSTEM_TIME AS OF o.proctime AS dim ON o.product_id = dim.product_id -- lookup join 维表
    UNION ALL -- Paimon目前暂不支持在同一个作业里通过多条INSERT语句写入同一张表，因此这里使用UNION ALL
    -- 订单支付表 打宽 
    SELECT
        order_id,
        CAST(NULL AS STRING) AS user_id,
        CAST(NULL AS BIGINT) AS shop_id,
        CAST(NULL AS BIGINT) AS product_id,
        CAST(NULL AS STRING) AS order_product_catalog_name,
        CAST(NULL AS BIGINT) AS order_fee,
        CAST(NULL AS TIMESTAMP) AS order_create_time,
        CAST(NULL AS TIMESTAMP) AS order_update_time,
        CAST(NULL AS INT) AS order_state,
        pay_id,
        pay_platform,
        create_time
    FROM
        order_dw.orders_pay;
    oTtvEK

s1AjzS

DWS 指标计算

我们目标创建DWS层的聚合表dws_users以及dws_shops，但是为了同时计算用户视角的聚合表以及商户视角的聚合表，我们额外创建一个以用户 + 商户为主键的中间表 dwm_users_shops

  • 创建名为dwm_users_shops的SQL流作业，利用Paimon表的预聚合数据合并机制，自动对order_fee求和，算出用户在商户的消费总额。同时，自动对1求和，也能算出用户在商户的消费次数。
    WYDcWZ
    1
    2
    3
    4
    5
    6
    7
    8
    9
    10
    11
    12
    13
    14
    15
    16
    17
    18
    19
    20
    21
    22
    23
    24
    25
    26
    27
    28
    29
    30
    31
    32
    33
    34
    35
    36
    37
    38
    39
    40
    41
    42
    43
    44
    45
    CREATE CATALOG paimoncatalog
    WITH
      (
        'type' = 'paimon',
        'warehouse' = 's3://lakehouse/paimon',
        's3.endpoint' = 'http://192.168.103.113:9010',
        's3.access-key' = 'XXX',
        's3.secret-key' = 'XXX'
      );

    USE CATALOG paimoncatalog;

    SET 'execution.checkpointing.max-concurrent-checkpoints' = '3';
    SET 'table.exec.sink.upsert-materialize' = 'NONE';

    SET 'execution.checkpointing.interval' = '10s';
    SET 'execution.checkpointing.min-pause' = '10s';

    -- 为了同时计算用户视角的聚合表以及商户视角的聚合表，另外创建一个以用户 + 商户为主键的中间表。
    CREATE TABLE IF NOT EXISTS order_dw.dwm_users_shops (
        user_id STRING,
        shop_id BIGINT,
        ds STRING,
        payed_buy_fee_sum BIGINT COMMENT '当日用户在商户完成支付的总金额',
        pv BIGINT COMMENT '当日用户在商户购买的次数',
        PRIMARY KEY (user_id, shop_id, ds) NOT ENFORCED
    ) WITH (
        'merge-engine' = 'aggregation', -- 使用预聚合数据合并机制产生聚合表
        'fields.payed_buy_fee_sum.aggregate-function' = 'sum', -- 对 payed_buy_fee_sum 的数据求和产生聚合结果
        'fields.pv.aggregate-function' = 'sum', -- 对 pv 的数据求和产生聚合结果
        'changelog-producer' = 'lookup', -- 使用lookup增量数据产生机制以低延时产出变更数据
        -- dwm层的中间表一般不直接提供上层应用查询，因此可以针对写入性能进行优化。
        'file.format' = 'avro', -- 使用avro行存格式的写入性能更加高效。
        'metadata.stats-mode' = 'none' -- 放弃统计信息会增加OLAP查询代价（对持续的流处理无影响），但会让写入性能更加高效。
    );

    INSERT INTO order_dw.dwm_users_shops
    SELECT
        order_user_id,
        order_shop_id,
        DATE_FORMAT (pay_create_time, 'yyyyMMdd') as ds,
        order_fee,
        1 -- 一条输入记录代表一次消费
    FROM order_dw.dwd_orders
    WHERE pay_id IS NOT NULL AND order_fee IS NOT NULL;
    FeWBHr
    JnwTVK
  • 创建SQL作业 dws_shops & dws_users
    a0sZjg
    1
    2
    3
    4
    5
    6
    7
    8
    9
    10
    11
    12
    13
    14
    15
    16
    17
    18
    19
    20
    21
    22
    23
    24
    25
    26
    27
    28
    29
    30
    31
    32
    33
    34
    35
    36
    37
    38
    39
    40
    41
    42
    43
    44
    45
    46
    47
    48
    49
    50
    51
    52
    53
    54
    55
    56
    57
    58
    59
    60
    61
    62
    63
    CREATE CATALOG paimoncatalog
    WITH
      (
        'type' = 'paimon',
        'warehouse' = 's3://lakehouse/paimon',
        's3.endpoint' = 'http://192.168.103.113:9010',
        's3.access-key' = 'XXX',
        's3.secret-key' = 'XXX'
      );

    USE CATALOG paimoncatalog;

    -- 用户维度聚合指标表。
    CREATE TABLE IF NOT EXISTS order_dw.dws_users (
        user_id STRING,
        ds STRING,
        payed_buy_fee_sum BIGINT COMMENT '当日完成支付的总金额',
        PRIMARY KEY (user_id, ds) NOT ENFORCED
    ) WITH (
        'merge-engine' = 'aggregation', -- 使用预聚合数据合并机制产生聚合表
        'fields.payed_buy_fee_sum.aggregate-function' = 'sum' -- 对 payed_buy_fee_sum 的数据求和产生聚合结果
        -- 由于dws_users表不再被下游流式消费，因此无需指定增量数据产生机制
    );

    -- 商户维度聚合指标表。
    CREATE TABLE IF NOT EXISTS order_dw.dws_shops (
        shop_id BIGINT,
        ds STRING,
        payed_buy_fee_sum BIGINT COMMENT '当日完成支付总金额',
        uv BIGINT COMMENT '当日不同购买用户总人数',
        pv BIGINT COMMENT '当日购买用户总人次',
        PRIMARY KEY (shop_id, ds) NOT ENFORCED
    ) WITH (
        'merge-engine' = 'aggregation', -- 使用预聚合数据合并机制产生聚合表
        'fields.payed_buy_fee_sum.aggregate-function' = 'sum', -- 对 payed_buy_fee_sum 的数据求和产生聚合结果
        'fields.uv.aggregate-function' = 'sum', -- 对 uv 的数据求和产生聚合结果
        'fields.pv.aggregate-function' = 'sum' -- 对 pv 的数据求和产生聚合结果
        -- 由于dws_shops表不再被下游流式消费，因此无需指定增量数据产生机制
    );

    SET 'execution.checkpointing.max-concurrent-checkpoints' = '3';
    SET 'table.exec.sink.upsert-materialize' = 'NONE';

    SET 'execution.checkpointing.interval' = '10s';
    SET 'execution.checkpointing.min-pause' = '10s';

    INSERT INTO order_dw.dws_users
    SELECT 
        user_id,
        ds,
        payed_buy_fee_sum
    FROM order_dw.dwm_users_shops;

    -- 以商户为主键，部分热门商户的数据量可能远高于其他商户。
    -- 因此使用local merge在写入Paimon之前先在内存中进行预聚合，缓解数据倾斜问题。
    INSERT INTO order_dw.dws_shops /*+ OPTIONS('local-merge-buffer-size' = '64mb') */
    SELECT
        shop_id,
        ds,
        payed_buy_fee_sum,
        1, -- 一条输入记录代表一名用户在该商户的所有消费
        pv
    FROM order_dw.dwm_users_shops;
    Mzglef
    5oGgHE
    RS5JtQ

ADS 物化视图StarRocks使用

ADS 这边使用StarRocks进行查询paimon 数据，并且构建物化视图

  • 添加paimon catalog
    1
    2
    3
    4
    5
    6
    7
    8
    9
    CREATE EXTERNAL CATALOG `paimon_lab`
    PROPERTIES (
    "paimon.catalog.type"  =  "filesystem",
    "aws.s3.access_key"  =  "XXX",
    "aws.s3.secret_key"  =  "XXX",
    "aws.s3.endpoint"  =  "http://172.16.32.16:2002",
    "type"  =  "paimon",
    "paimon.catalog.warehouse"  =  "s3://lakehouse/paimon"
    )
  • 查询
    1
    select * from paimon_lab.order_dw.dws_users
    d5VhQg
  • 物化视图
    1
    2
    3
    CREATE MATERIALIZED VIEW ads_users
    AS
    select * from paimon_lab.order_dw.dws_users

结束

使用4个job完成本例验证
hHiqQW

相关

优刻得:使用USDP实践近实时数据湖仓

发表于 更新于 阅读次数：

背景

云原生flink流计算平台解决方案验证

该架设方案全部基于云原生k8s,通俗讲就是 flink任务跑在k8s上

环境要求

k8s部署的话可以看看 k8s-1.25.4部署笔记（containerd）

  • 前提条件
    • Kubernetes 版本 >= 1.9
      1
      2
      3
      4
      ➜  ~ kubectl version --short
      Client ➜  ~ Version: v1.24.4
      Kustomize Version: v4.5.4
      Server Version: v1.24.4
    • 确保您的 ~/.kube/config 文件已正确配置以访问 Kubernetes 集群
      1
      2
      3
      4
      5
      6
      7
      ➜  ~ export KUBECONFIG=~/.kube/config
      ➜  ~ kubectl get nodes
      NAME          STATUS   ROLES           AGE   VERSION
      k8s-master2   Ready    control-plane   9d    v1.24.4
      k8s-node1     Ready    <none>          9d    v1.24.4
      k8s-node2     Ready    <none>          9d    v1.24.4
      k8s-node3     Ready    <none>          25h   v1.24.4
    • 是否启用 Kubernetes DNS正常
      1
      2
      3
      ➜  ~ kubectl cluster-info 
      Kubernetes control plane is running at https://192.168.103.201:6443
      CoreDNS is running at https://192.168.103.201:6443/api/v1/namespaces/kube-system/services/kube-dns:dns/proxy
    • 账户具有 RBAC 权限,确保您的命名空间中的 <nameSpace> 服务账户具有创建和删除 Pod 的必要 RBAC 权限。我创建新的命名空间为flink-native
      1
      2
      3
      kubectl create namespace flink-native     
      kubectl create serviceaccount flink-sa -n flink-native
      kubectl create clusterrolebinding flinknative-role-binding-flinknative -n flink-native --clusterrole=edit --serviceaccount=flink-native:flink-sa
  • 在k8s中启动flink集群

    flink1.20

    1
    2
    3
    4
    5
    6
    7
    8
    ./bin/kubernetes-session.sh \
    -Dkubernetes.cluster-id=flink-cluster1 \
    -Dtaskmanager.memory.process.size=4096m \
    -Dkubernetes.taskmanager.cpu=2 \
    -Dtaskmanager.numberOfTaskSlots=4 \
    -Dkubernetes.namespace=flink-native \
    -Dkubernetes.service-account=flink-sa \
    -Dresourcemanager.taskmanager-timeout=3600000
  • 关闭集群
    1
    kubectl delete deployment/flink-cluster1

Dinky 流计算平台部署（helm）

  • 创建pvc

    1
    2
    3
    4
    5
    6
    7
    8
    9
    10
    11
    12
    13
    14
    15
    16
    17
    18
    19
    20
    21
    22
    23
    24
    25
    26
    27
    28
    29
    30
    31
    32
    33
    34
    35
    36
    37
    38
    kind: PersistentVolumeClaim
    apiVersion: v1
    metadata:
      name: dinky-config-volume
      namespace: data-center
    spec:
      storageClassName: nfs-client
      accessModes:
        - ReadWriteMany
      resources:
        requests:
          storage: 5Gi
    ---
    kind: PersistentVolumeClaim
    apiVersion: v1
    metadata:
      name: dinky-lib-volume
      namespace: data-center
    spec:
      storageClassName: nfs-client
      accessModes:
        - ReadWriteMany
      resources:
        requests:
          storage: 5Gi
    ---
    kind: PersistentVolumeClaim
    apiVersion: v1
    metadata:
      name: dinky-resource-volume
      namespace: data-center
    spec:
      storageClassName: nfs-client
      accessModes:
        - ReadWriteMany
      resources:
        requests:
          storage: 5Gi
    • dinky-config-volume 用于放置配置文件（helm 包内的conf目录文件）
      XQW5uU
    • dinky-lib-volume 用于放置自定义jar包，映射的/opt/dinky/customJar/
      b2alEN

  • 调整helm包

    • 部署文件

      helm包经久未维护，我改了下

    • dinky.yaml 增加volumes:
      1
      2
      3
      4
      volumes:
        - name: dinky-lib-volume
          persistentVolumeClaim:
            claimName: dinky-lib-volume
    • dinky.yaml 增加volumeMounts:
      1
      2
      3
      volumeMounts:
        - mountPath: /opt/dinky/customJar
          name: dinky-lib-volume
    • dinky.yaml 修正auto.sh目录位置错误，原来是/opt/dinky/auto.sh 
      1
      2
      3
      4
      5
      command:
        - /bin/bash
        - '-c'
        - >-
          /opt/dinky/bin/auto.sh startOnPending {{ .Values.spec.extraEnv.flinkVersion}}
    • values.yaml 配置mysql
      1
      2
      3
      4
      5
      6
      7
      mysql:
        enabled: true
        url: "192.168.103.113:3306"
        auth:
          username: "root"
          password: "XXX"
          database: "dinky"

  • 部署

    1
    2
    helm install dinky . -f values.yaml -n data-center
    helm uninstall dinky -n data-center

  • 在dinky内增加刚刚创建的Flink Native Kubernetes集群
    LoPzn6

流计算实践

实践1: mysql cdc connector 写入 paimon

dinky基于flink sql的作业类型
打开dinky页面，新建Flink Sql任务

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
EXECUTE CDCSOURCE demo WITH (
  'connector' = 'mysql-cdc',
  'hostname' = '127.0.0.1',
  'port' = '3306',
  'username' = 'root',
  'password' = '123456',
  'checkpoint' = '10000',
  'scan.startup.mode' = 'initial',
  'parallelism' = '1',
  'table-name' = 'test\..*',
  'sink.connector' = 'sql-catalog',
  'sink.catalog.name' = 'fts',
  'sink.catalog.type' = 'table-store',
  'sink.catalog.warehouse'='file:/tmp/table_store',
  'sink.auto-create' = 'true', -- 可自动paimon建表
);

实践2: paimon cdc 写入 paimon

dinky基于flink jar的作业类型 （paimon-flink-action-1.0.0.jar）
打开dinky页面，新建Flink jar任务

  • 原始提交命令：
    1
    2
    3
    4
    5
    6
    7
    8
    9
    10
    11
    12
    13
    ./bin/flink run \
        ./lib/paimon-flink-action-0.9.0.jar \
        mysql_sync_database \
        --warehouse s3://lakehouse-1253767413/paimon \
        --database app_db \
        --mysql_conf hostname=192.168.103.113 \
        --mysql_conf username=root \
        --mysql_conf password=XXX \
        --mysql_conf database-name=app_db \
        --catalog_conf s3.endpoint=cos.ap-guangzhou.myqcloud.com \
        --catalog_conf s3.access-key=XXX \
        --catalog_conf s3.secret-key=XXX \
        --table_conf bucket=1
  • dinky作业

    通过资源中心上传paimon-flink-action-0.9.0.jar包，然后按照上面原始命令分别填写程序路径、程序运行类、程序运行参数
    plpJLv

dinky基于flink sql的作业类型
打开dinky页面，新建Flink Sql任务

待验证 刚发布的flink cdc 3.3是否现在可以写入paimon,以前验证flink cdc pipline是无法成功写paimon paimon cdc入湖 & StarRocks湖仓分析实践
示例：

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
SET 'execution.checkpointing.interval' = '10s';
EXECUTE PIPELINE WITHYAML (
source:
  type: mysql
  name: MySQL Source
  hostname: 127.0.0.1
  port: 3306
  username: admin
  password: pass
  tables: adb.\.*, bdb.user_table_[0-9]+, [app|web].order_\.*
  server-id: 5401-5404

sink:
  type: paimon
  name: Paimon Sink
  catalog.properties.metastore: filesystem
  catalog.properties.warehouse: /path/warehouse

pipeline:
  name: MySQL to Paimon Pipeline
  parallelism: 1
)

其他相关参考

Native Kubernetes
Flink 1.10 Native Kubernetes 原理与实践
Flink on Kubernetes - Native Kubernetes - 配置基础环境
Flink CDC+Dinky同步到paimon（HDFS）
FlinkCDC pipline+Dinky整库同步StarRocks

0%