Flink-1.10中的StreamingFileSink相关特性
Flink-1.10中的StreamingFileSink相关特性
Flink流式计算的核心概念，就是将数据从Source输入流一个个传递给Operator进行链式处理，最后交给Sink输出流的过程。本篇文章主要讲解Sink端比较强大一个功能类StreamingFileSink,我们基于最新的Flink1.10.0版本进行讲解，之前版本可能使用BucketingSink,但是BucketingSink从Flink 1.9开始已经被废弃，并会在后续的版本中删除，这里只讲解StreamingFileSink相关特性。
1. 写出文件的状态
看这个图片应该能明白，文件会分在不同的桶中，bucket中存在不同状态的文件：
- In-progress ：当前文件正在写入中
- Pending ：当处于 In-progress 状态的文件关闭（closed）了，就变为 Pending 状态
- Finished ：在成功的 Checkpoint 后，Pending 状态将变为 Finished 状态
2. 简单的字符串写出示例
DataStreamSource<String> lines = FlinkUtil.createSocketStream("localhost", 8888);
StreamExecutionEnvironment env = FlinkUtil.getEnv();
// 设置checkpoint
env.enableCheckpointing(TimeUnit.SECONDS.toMillis(10));
OutputFileConfig config = OutputFileConfig
.builder()
.withPartPrefix("prefix")
.withPartSuffix(".txt")
.build();
final StreamingFileSink<String> sink = StreamingFileSink
.forRowFormat(new Path(outputPath), new SimpleStringEncoder<String>("UTF-8"))
/**
* 设置桶分配政策
* DateTimeBucketAssigner--默认的桶分配政策，默认基于时间的分配器，每小时产生一个桶，格式如下yyyy-MM-dd--HH
* BasePathBucketAssigner ：将所有部分文件（part file）存储在基本路径中的分配器（单个全局桶）
*/
.withBucketAssigner(new DateTimeBucketAssigner<>())
/**
* 有三种滚动政策
* CheckpointRollingPolicy
* DefaultRollingPolicy
* OnCheckpointRollingPolicy
*/
.withRollingPolicy(
/**
* 滚动策略决定了写出文件的状态变化过程
* 1. In-progress ：当前文件正在写入中
* 2. Pending ：当处于 In-progress 状态的文件关闭（closed）了，就变为 Pending 状态
* 3. Finished ：在成功的 Checkpoint 后，Pending 状态将变为 Finished 状态
*
* 观察到的现象
* 1.会根据本地时间和时区，先创建桶目录
* 2.文件名称规则：part-<subtaskIndex>-<partFileIndex>
* 3.在macos中默认不显示隐藏文件，需要显示隐藏文件才能看到处于In-progress和Pending状态的文件，因为文件是按照.开头命名的
*
*/
DefaultRollingPolicy.builder()
.withRolloverInterval(TimeUnit.SECONDS.toMillis(2)) //设置滚动间隔
.withInactivityInterval(TimeUnit.SECONDS.toMillis(1)) //设置不活动时间间隔
.withMaxPartSize(1024 * 1024 * 1024) // 最大零件尺寸
.build())
.withOutputFileConfig(config)
.build();
lines.addSink(sink).setParallelism(1);3. 写出文件的滚动策略
数据写入文件时，查看源码可以知道 滚动策略是这么判断的： 没有处于inProgressPart状态的文件 或者 DefaultRollingPolicy.shouldRollOnEvent成立，即打开的文件大小超过了滚动器中设置的大小 滚动文件时，首先关闭当前处于progress的part文件，然后创建一个新的 assembleNewPartPath，并且partCounter++（计数器）
StreamingFileSink继承自RichSinkFunction，显然之后执行一次， 该方法中注册了一个定时器，定时器的执行时间为currentProcessingTime + bucketCheckInterval 其中bucketCheckInterval为调用StreamingFileSink.forRowFormat()时，默认创建的，其默认值为60000，也就是一分钟
onProcessingTime方法继承自ProcessingTimeCallback，此方法使用调度触发器的时间戳调用。 该方法中设定了60秒的定时器，定时每60秒执行一次该方法 该方法中会调用buckets.onProcessingTime(currentTime) 里面判断是否需要关闭part文件，注意是关闭而不是滚动 判断条件为：part文件不为空 并且 DefaultRollingPolicy.shouldRollOnProcessingTime条件成立。 即part文件存在，并且 （当前时间-part的创建时间 >= 滚动时间 或者 当前时间-part的最后修改时间 >= 不活跃时间）
snapshotState和initializeState方法继承自CheckpointedFunction，用来构建快照或者恢复历史状态。 其中snapshotState方法会调用buckets.snapshotState()方法，对桶的状态进行快照处理。 将所有处理活跃状态的桶全部进行快照处理，做快照时会检查是否需要滚动，滚动条件为： part文件不为空 并且 DefaultRollingPolicy.shouldRollOnCheckpoint成立，即文件大小超过设定。 满足该条件时，就会关闭partFile
notifyCheckpointComplete方法继承自CheckpointListener，用来通知检查点完成 该方法中会调用onSuccessfulCompletionOfCheckpoint方法 会将已经关闭的（其实是处于Pending状态的文件）part文件重命名。