CloudCanal + Apache Paimon + StarRocks 实时构建湖仓一体架构

2025年7月17日 · 阅读需 8 分钟

Chief Technology Officer

在实时数仓的浪潮下，企业越来越重视如何以低延迟、高一致性的方式将数据写入数据湖，并结合下游分析引擎完成统一分析。Apache Paimon 作为新一代流批一体的数据湖存储引擎，因其高效写入、实时更新等能力，成为构建实时湖仓架构的理想选型。

本文将介绍如何基于 Paimon、CloudCanal、StarRocks 快速构建一套真正实时、灵活、高可维护的数据湖仓架构。

Apache Paimon 介绍

Apache Paimon 是一个开源的、面向流计算的湖仓存储格式，源于 Apache Flink 社区（原 Flink Table Store）。它的核心创新在于将 湖存储格式 与 日志结构合并树（LSM-tree） 技术融合，为数据湖带来了强大的实时流式更新能力，这使得高吞吐、低延迟的数据摄取、变更日志追踪和高效的即时分析成为可能。

核心能力：

流批一体处理：支持 Streaming Write / Snapshot Read
主键支持：高效 UPSERT / DELETE
Schema 演进：新增、删除、修改列，无需重写旧数据
ACID 事务保障：支持并发读写一致性
生态兼容：支持 StarRocks、Flink、Spark 等引擎
对象存储兼容：支持 S3、OSS 等文件系统

举个例子：数据湖中的实时订单状态变更

以大型电商平台的实时销售大屏为例，业务团队希望能够每秒更新订单状态，例如订单从“已支付”变为“已发货”，并立即体现在可视化大屏中。

传统方案的挑战（Merge-on-Read）

在传统的数据湖架构中，变更数据通常会先追加写入日志区，再依赖定期的 Merge-on-Read 批处理任务将新旧数据合并成最新快照。

实时写入采用 追加方式，变更记录不会立即反映在查询结果中，需等待合并操作完成后才可见。
读旧、写新、重写文件的过程通常以分钟为单位，难以满足秒级迟需求。

Paimon 的解决方式（LSM-tree）

Paimon 从架构层面对这一痛点进行了优化，引入类似数据库的主键更新能力。

订单在交易库（如 MySQL）中状态变更。
变更事件（如 UPDATE orders SET status = '已发货' WHERE order_id = '123'）实时写入 Paimon。
Paimon 基于 LSM-tree，更新后读取，通常可在秒级内完成。

实际效果

下游如 StarRocks 等分析引擎可以秒级查询到更新后的状态，从而确保实时大屏始终反映业务的最新动态。

Paimon vs. Iceberg：关键特性对比

Apache Paimon 与 Apache Iceberg 是当前数据湖领域的两大主流方案，分别在实时处理和批量分析方向各有侧重，体现了两种不同的技术演进路径。

Paimon 设计之初就面向流式数据处理，底层采用 LSM-tree 架构，原生支持主键和高效变更，特别适合 高频更新、CDC等行级数据实时入湖场景。

Iceberg 以快照机制为核心，强调 强一致性，同时也逐步增强对流式写入与变更处理的支持，具备实现近实时入湖的能力。

特性	Apache Paimon	Apache Iceberg
核心更新机制	LSM-tree	Copy-on-Write / Merge-on-Read
主键与更新模型	支持 Primary Key，流式 UPSERT 写入更高效	通过 Merge-on-Read 机制支持 UPSERT
流式写入	支持	支持
数据更新延迟	毫秒到秒级，更适合实时性要求极高的场景	通常为分钟级，更侧重于批处理和微批处理
生态成熟度	较新，在 Flink 社区中发展迅速	更成熟，拥有更广泛的引擎和工具支持
适用场景	实时数仓、CDC 数据实时入湖、流批一体分析	通用数据湖、大规模批处理、数据仓库

总体来看，Paimon 在实时更新、变更频繁的场景中具备更直接的能力优势，而 Iceberg 则在批量处理、版本治理和生态成熟度方面表现更稳健。

构建湖仓一体架构

尽管 Paimon 可以通过 Flink CDC 写入数据，但管理作业状态、处理容错和检查点等工作，对多数团队而言仍有不小的技术门槛和运维成本。CloudCanal 提供了一种更轻量、更自动化的方式实现数据入湖。

外部数据源：企业的核心交易库（如 MySQL, PostgreSQL）、日志数据（Kafka）等。
CloudCanal：
- 基于日志实时捕获数据的变更，流式批量写入，实现秒级延迟。
- 支持 **结构自动迁移 **和 DDL 同步。
- 支持数据迁移同步、数据校验与订正、断点续传、任务监控、告警。
Apache Paimon：
- 作为湖仓底座，承接 CloudCanal 写入的实时数据流。
- 采用 LSM-tree 架构自动去重合并，管理数据分区与后台 Compaction。
- 基于 **S3、OSS **等其他对象存储，构建存算分离架构。
StarRocks：直接进行实时查询分析，无需额外的数据导入或转换。

实操演示

接下来将以 MySQL -> Paimon 链路为例，展示如何快速将数据实时同步至 Paimon，并使用 StarRocks 外表实时查询入湖数据。

步骤 1: 安装 CloudCanal

请参考全新安装(Docker Linux/MacOS)，下载安装 CloudCanal 私有部署版本。

步骤 2: 添加数据源

添加 Paimon 数据源时，需配置额外参数，具体可参考：Paimon 数据源配置

步骤 3: 创建任务

点击 同步任务 > 创建任务。
选择源和目标实例，并分别点击 测试连接。

在 功能配置 页面，选择 增量同步，并勾选 全量初始化。

在 表和操作过滤 页面，选择需要迁移同步的表，可同时选择多张。

在 数据处理 页面，保持默认配置。

6. 在 创建确认 页面，点击 创建任务，开始运行。

任务启动后，CloudCanal 会自动完成全量数据的初始化，并实时捕获增量变更写入 Paimon。

步骤 4: 使用 StarRocks 查询数据

Paimon 中的数据最终需要被下游分析引擎查询，StarRocks 原生支持 Paimon Catalog，可通过外部 Catalog 的方式直接查询 Paimon 中的实时数据，无需额外导入或数据转换。

在 StarRocks 中创建 Paimon Catalog

在 StarRocks 中执行 CREATE EXTERNAL CATALOG 语句，即可将整个 Paimon 仓库映射进 StarRocks：

CREATE EXTERNAL CATALOG paimon_catalog
PROPERTIES
(
    "type" = "paimon",
    "paimon.catalog.type" = "filesystem",
    "paimon.catalog.warehouse" = "<s3_paimon_warehouse_path>",
    "aws.s3.use_instance_profile" = "true",
    "aws.s3.endpoint" = "<s3_endpoint>"
);

具体配置可参考：https://docs.starrocks.io/docs/data_source/catalog/paimon_catalog/#examples

实时查询数据

Catalog 创建成功后，可以像 操作本地表 一样查询 Paimon 中的数据：

-- 查看 Catalog 中有哪些数据库
SHOW DATABASES FROM paimon_catalog;

-- 切换 Catalog
SET CATALOG paimon_catalog;

-- 切换至指定数据库
USE your_database;

-- 查询表数据
SELECT COUNT(*) FROM your_table LIMIT 10;

当 MySQL 中的数据发生变化后，CloudCanal 会将变更实时同步至 Paimon，StarRocks 查询到的数据也将同步更新，从而实现真正的端到端 秒级实时分析能力，无需构建复杂的 ETL 流程。

总结

Apache Paimon 以其创新的 实时更新 能力，为现代数据湖仓架构注入了新的活力，而 CloudCanal + Paimon 的组合，则通过零代码、自动化的方式，快速落地高性能的实时湖仓，最后与 StarRocks 等下游引擎配合，打通了从数据同步到实时查询的完整闭环。

Apache Paimon 介绍​

核心能力：​

举个例子：数据湖中的实时订单状态变更​

Paimon vs. Iceberg：关键特性对比​

构建湖仓一体架构​

实操演示​

步骤 1: 安装 CloudCanal​

步骤 2: 添加数据源​

步骤 3: 创建任务​

步骤 4: 使用 StarRocks 查询数据​

总结​