带你走入 Flink 的世界

纯洁的微笑

发布于 2019-10-30 11:36:38

1K0

发布于 2019-10-30 11:36:38

文章被收录于专栏：纯洁的微笑纯洁的微笑

1. 为什么要学 Flink

在 18 年时，就听说过 Flink 流式计算引擎，是阿里调研选型选择的新一代大数据框计算架，当时就记住了这个新框架。

由于工作中，常写的还是业务开发，没有系统的去学习它，恰好在今年，我们的数据增长越来越快，架构师提出可以根据数据进行加工，通过数据分析得到更多指标性的计算结果，提供更多有价值的业务给用户。

于是规划了基于以下的系统架构：

可以看到，业务数据库与数据分析进行了剥离，避免了对核心业务的影响，基于数据分析的结果存储到线下备份库，查询大量的分析结果也不会影响核心业务。

同时，在数据处理上，选择了 Flink 这个分布式处理引擎。随着深入的调研和了解，从它的描述、性能、接口编程和容错恢复上进行了学习，觉得它十分适合我们的场景，所以接下来我分享一下调研的结果~

2. 官网介绍

“Apache Flink 是什么？Apache Flink 是一个框架和分布式处理引擎，用于在无边界和有边界数据流上进行有状态的计算。Flink 能在所有常见集群环境中运行，并能以内存速度和任意规模进行计算。

官网也有中文版的文档，但是翻译的并不是很全面，经常跳转到英文博文，这里推荐一个国内网站 https://ververica.cn/，上面的翻译和技术分享都十分的棒，一开始就看英文文档还是比较吃力的，所以可以先从国内牛人的分享中学习起来~

基础语义

基础语义很重要，高层语法都是基础基础语义加工的，所以需要对它们有个了解，这里推荐的是 ververica 中的介绍：

1. 流 Stream

从上图中看出，分为 有界（bounded） 和 无界（unbounded） 数据流。二者的区别在于无限数据流的数据会随着时间的推演而持续增加，计算持续进行且不存在结束的状态，相对的有限数据流大小固定，计算最终会完成并处于结束的状态。

同样还有实时和 历史记录 属性。流中的数据一生成就得到实时处理；另一种可能时效性要求不高，只需要在凌晨统计前一天完整的数据，可以先将数据流持久化到存储系统中，然后再进行批处理。

2. 状态 State

状态是计算过程中的数据信息，在容错恢复和 Checkpoint 中有重要的作用，流计算在本质上是增量处理，因此需要不断查询保持状态；另外，为了保证 Excatly-once 语义，还需要将数据写入到状态中，用来保证在故障发生时，通过保存在状态中的数据，进行恢复，保证一致性；还有持久化存储，能够保证在整个分布式系统运行失败或者挂掉的情况下做到 Exactly-once，这是状态的另一个价值。

3. 时间 Time

分为事件时间（Event Time）、摄入时间（Ingestion Time）、处理时间（Processing Time），Flink 的无限数据流是一个持续的过程，时间是我们判断业务状态是否滞后，数据处理是否及时的重要依据。

事件时间：事件被处理的时间，也就是由机器的系统时间决定。

处理时间：事件发生的时间，一般数据源携带的一个字段，指明事件发生的时间。

摄入时间：时间进入 Flink 的时间，在数据源处，事件将会以当源的操作时间作为时间戳。

三个时间出现的位置在上图的底部，具体的之后会专门讲述~

4. 接口 API

从上往下有三层，分别是 SQL/Table API、DataStream API 和 ProcessFunction，API 的表达能力及业务抽象能力都非常强大，但越接近 SQL 层，表达能力会逐步减弱，抽象能力会增强（由于是基础了解，所以没有对于 SQL API 层深入学习，感兴趣的同学可以深入了解）。

反之， ProessFunction 层 API 的表达能力非常强，可以进行多种灵活方便的操作，但抽象能力也相对越小。

结合上面说的，平时用到最多的是中间 DataStream 这层的 API，后面的内容学习基本也是围绕着它~

架构介绍

来源 https://ververica.cn/developers/flink-basic-tutorial-1-basic-concept/

1. 有界和无界数据流

Flink 具有统一的框架处理有界和无界两种数据流的能力（流处理是无界的，批处理是有界的，给无界的流处理加上窗口 Window 就相当于有界的批处理，由于 API 是一致的，所以算子写完后可以进行复用）

2. 部署灵活

Flink 底层支持多种资源调度器，包括 Yarn、Kubernetes 等。Flink 自身带的 Standalone 的调度器，在部署上也十分灵活。（Standalone 也是我们本地开发常用的模式）

3. 极高的可伸缩性

可伸缩性对于分布式系统十分重要，资源不够可以动态添加节点，分摊压力，资源充足，撤下服务器，减少资源浪费。介绍中说到：阿里巴巴双 11 大屏采用 Flink 处理海量数据，使用过程中测得峰值可达 17 亿/秒。

4. 极致的流式处理性能

Flink 相对于 Storm 最大的特地就是将状态语义完全抽象到框架后只能怪，支持本地状态读取，避免了大量网络 IO，可以极大提升状态存储的性能。

3. 特性和优点

上面是对于 Flink 的定义以及架构上的介绍，下面来看下关于它更具体一点的信息，在官网中，分为了【架构】、【应用】和【运维】三个方面来介绍。

这里不会太深入分析，主要简单介绍它的特性和优点，有个大致的了解，由浅入深，在之后的文章中慢慢加深学习~

处理流程

Flink 程序的基本构建块是流和转换。（请注意，Flink 的 DataSet API中使用的 DataSet也是内部流）从概念上讲，流是数据记录流（可能永无止境），而转换是将一个或多个流作为一个操作的操作。一个输入，可以产生一个（例如 map）或多个输出流（例如 flatMap）。

上图是数据处理流程，可以看到有几个核心组件：

1. 数据源 Source

自带的 api 中，可以读取数据如下：集合数据（fromCollection）、文件数据（readFile）、网络套接字（socket）以及更多扩展来源（addSource），更多扩展中通过自定义来实现 RichSourceFuncation，实现读取更多来源的数据。

像图中获取的数据源是 Kafka，与其它中间件整合中，也封装了很多方便的方法，调用它们可以更方便获取数据源的数据。

2. 转换 Transaction

进行数据的转化，对应于文档中的算子 Operator。常见的数据操作有以下：map、flatMap、filter、keyBy、reduce、fold（在 1.9 中看到被标注为 deprecated）、aggregate、window等常用操作。

同时从上图也能看出，转换的操作可以不止一次，多个算子可以形成 chain 链式调用，然后发挥作用。

3. 存储 Sink

进行数据的存储或发送，对应于文档中的 connector（既可以连接数据源，也能发送到某个地方存储起来）。

常用的存储 sink 有 Kafka、Apache Cassandra、Elasticsearch、RabbitMQ、Hadoop 等。与前面一样，可以通过扩展 RichSinkFunction 进行自定义存储的逻辑。

性能比较

例如 Hadoop、Storm 或 Spark，与这些优秀的前辈们进行比较，对比性能的高低，如果选择使用 Flink，必须得比以前的开发方便和性能好。

由于之前没有使用过这些大数据框架，所以测评数据可以参考了这两篇：

Flink实时计算性能分析 https://ververica.cn/developers/shishijisuan/
流计算框架 Flink 与 Storm 的性能对比 https://ververica.cn/developers/stream-computing-framework/

下面简单列出它俩的吞吐量和作业延迟的比较

上图的数据源是 Kafka Source，蓝色是 Storm，橙色是 Flink，在一个分区 partition 情况下，Flink 吞吐约为 Storm 的 3.2 倍；而在 8 个分区情况下，性能提高到 4.6 倍。

上图采用的的 outTime-eventTime 作为延迟，可以看出，Flink 的延迟还是比 Storm 的要低。

管理方式 JobManager、TaskWorker

上面是官方示意图，阐述了 Flink 提交作业的流程，应用程序 Flink Program、JobManage 和 TaskManager 之间的关系。

上面是我对它的理解，个人觉得 zhisheng 大佬写的更加详细，可以参考这篇文章：http://www.54tianzhisheng.cn/2018/10/13/flink-introduction/

高可用 HA、状态恢复

High Availablity 是个老生常谈的话题了，服务难免会遇到无法预测的意外，如何在出现异常情况下并尽快恢复，继续处理之前的数据，保证一致性，这是个考量服务稳定性的标准。

Flink 提供了丰富的状态访问（例如有 List、Map、Aggregate 等数据类型），以及高效的容错机制，存储状态 State，然后通过存储了状态的 Checkpoint 和 Savepoint 来帮助应用进行快速恢复。

详细请参考这两篇：

Apache Flink 零基础入门（七）：状态管理及容错机制 https://ververica.cn/developers/state-management/
Apache Flink状态管理和容错机制介绍 https://ververica.cn/developers/introduction-to-state-management-and-fault-tolerance/

社区生态

真的是十分敬仰发明优秀框架的团队，也十分敬佩每一个为技术做贡献的参与者，所以每次找到相关的资料都跟发现宝藏一样。

下面罗列一下目前找到的资料：

Flink 官网：https://ci.apache.org/projects/flink/flink-docs-release-1.9/
Vererica 国内牛人的分享：https://ververica.cn
Github 项目 可以关注一下提的问题和阿里分支 Blink：https://github.com/apache/flink
zhisheng 个人学习的流程是跟着他的文章走了一遍，然后遇到不懂的继续深入学习和了解：http://www.54tianzhisheng.cn/tags/Flink/
wuchong 这位大佬是从 16 年就开始研究 Flink，写的文章很有深度，想要详细了解 Flink，一定要看它的文章！：http://wuchong.me/categories/Flink/