Flink SQL FileSystem Connector 分区提交与自定义小文件合并策略

Spark学习技巧

发布于 2020-08-28 13:49:09

2.1K2

发布于 2020-08-28 13:49:09

之前笔者在介绍 Flink 1.11 Hive Streaming 新特性时提到过，Flink SQL 的 FileSystem Connector 为了与 Flink-Hive 集成的大环境适配，做了很多改进，而其中最为明显的就是分区提交（partition commit）机制。

本文先通过源码简单过一下分区提交机制的两个要素——即触发（trigger）和策略（policy）的实现，然后用合并小文件的实例说一下自定义分区提交策略的方法。

PartitionCommitTrigger

在最新的 Flink SQL 中，FileSystem Connector 原生支持数据分区，并且写入时采用标准 Hive 分区格式，如下所示。

path└── datetime=2019-08-25    └── hour=11        ├── part-0.parquet        ├── part-1.parquet    └── hour=12        ├── part-0.parquet└── datetime=2019-08-26    └── hour=6        ├── part-0.parquet

那么，已经写入的分区数据何时才能对下游可见呢？这就涉及到如何触发分区提交的问题。根据官方文档，触发参数有以下两个：

sink.partition-commit.trigger：可选 process-time（根据处理时间触发）和 partition-time（根据从事件时间中提取的分区时间触发）。
sink.partition-commit.delay：分区提交的时延。如果 trigger 是 process-time，则以分区创建时的系统时间戳为准，经过此时延后提交；如果 trigger 是 partition-time，则以分区创建时本身携带的事件时间戳为准，当水印时间戳经过此时延后提交。

可见，process-time trigger 无法应对处理过程中出现的抖动，一旦数据迟到或者程序失败重启，数据就不能按照事件时间被归入正确的分区了。所以在实际应用中，我们几乎总是选用 partition-time trigger，并自己生成水印。当然我们也需要通过 partition.time-extractor.*一系列参数来指定抽取分区时间的规则（PartitionTimeExtractor），官方文档说得很清楚，不再赘述。

在源码中，PartitionCommitTrigger 的类图如下。

下面以分区时间触发的 PartitionTimeCommitTrigger 为例，简单看看它的思路。直接上该类的完整代码。

public class PartitionTimeCommitTigger implements PartitionCommitTrigger {    private static final ListStateDescriptor<List<String>> PENDING_PARTITIONS_STATE_DESC =            new ListStateDescriptor<>(                    "pending-partitions",                    new ListSerializer<>(StringSerializer.INSTANCE));
    private static final ListStateDescriptor<Map<Long, Long>> WATERMARKS_STATE_DESC =            new ListStateDescriptor<>(                    "checkpoint-id-to-watermark",                    new MapSerializer<>(LongSerializer.INSTANCE, LongSerializer.INSTANCE));
    private final ListState<List<String>> pendingPartitionsState;    private final Set<String> pendingPartitions;
    private final ListState<Map<Long, Long>> watermarksState;    private final TreeMap<Long, Long> watermarks;    private final PartitionTimeExtractor extractor;    private final long commitDelay;    private final List<String> partitionKeys;
    public PartitionTimeCommitTigger(            boolean isRestored,            OperatorStateStore stateStore,            Configuration conf,            ClassLoader cl,            List<String> partitionKeys) throws Exception {        this.pendingPartitionsState = stateStore.getListState(PENDING_PARTITIONS_STATE_DESC);        this.pendingPartitions = new HashSet<>();        if (isRestored) {            pendingPartitions.addAll(pendingPartitionsState.get().iterator().next());        }
        this.partitionKeys = partitionKeys;        this.commitDelay = conf.get(SINK_PARTITION_COMMIT_DELAY).toMillis();        this.extractor = PartitionTimeExtractor.create(                cl,                conf.get(PARTITION_TIME_EXTRACTOR_KIND),                conf.get(PARTITION_TIME_EXTRACTOR_CLASS),                conf.get(PARTITION_TIME_EXTRACTOR_TIMESTAMP_PATTERN));
        this.watermarksState = stateStore.getListState(WATERMARKS_STATE_DESC);        this.watermarks = new TreeMap<>();        if (isRestored) {            watermarks.putAll(watermarksState.get().iterator().next());        }    }
    @Override    public void addPartition(String partition) {        if (!StringUtils.isNullOrWhitespaceOnly(partition)) {            this.pendingPartitions.add(partition);        }    }
    @Override    public List<String> committablePartitions(long checkpointId) {        if (!watermarks.containsKey(checkpointId)) {            throw new IllegalArgumentException(String.format(                    "Checkpoint(%d) has not been snapshot. The watermark information is: %s.",                    checkpointId, watermarks));        }
        long watermark = watermarks.get(checkpointId);        watermarks.headMap(checkpointId, true).clear();
        List<String> needCommit = new ArrayList<>();        Iterator<String> iter = pendingPartitions.iterator();        while (iter.hasNext()) {            String partition = iter.next();            LocalDateTime partTime = extractor.extract(                    partitionKeys, extractPartitionValues(new Path(partition)));            if (watermark > toMills(partTime) + commitDelay) {                needCommit.add(partition);                iter.remove();            }        }        return needCommit;    }
    @Override    public void snapshotState(long checkpointId, long watermark) throws Exception {        pendingPartitionsState.clear();        pendingPartitionsState.add(new ArrayList<>(pendingPartitions));
        watermarks.put(checkpointId, watermark);        watermarksState.clear();        watermarksState.add(new HashMap<>(watermarks));    }
    @Override    public List<String> endInput() {        ArrayList<String> partitions = new ArrayList<>(pendingPartitions);        pendingPartitions.clear();        return partitions;    }}

注意到该类中维护了两对必要的信息：

pendingPartitions/pendingPartitionsState：等待提交的分区以及对应的状态；
watermarks/watermarksState：<检查点 ID, 水印时间戳>的映射关系（用 TreeMap 存储以保证有序）以及对应的状态。

这也说明开启检查点是分区提交机制的前提。snapshotState() 方法用于将这些信息保存到状态中。这样在程序 failover 时，也能够保证分区数据的完整和正确。

那么 PartitionTimeCommitTigger 是如何知道该提交哪些分区的呢？来看 committablePartitions() 方法：

检查 checkpoint ID 是否合法；
取出当前 checkpoint ID 对应的水印，并调用 TreeMap的headMap() 和 clear() 方法删掉早于当前 checkpoint ID 的水印数据（没用了）；
遍历等待提交的分区，调用之前定义的 PartitionTimeExtractor（比如${year}-${month}-${day} ${hour}:00:00）抽取分区时间。如果水印时间已经超过了分区时间加上上述 sink.partition-commit.delay 参数，说明可以提交，并返回它们。

PartitionCommitTrigger 的逻辑会在负责真正提交分区的 StreamingFileCommitter 组件中用到（注意 StreamingFileCommitter 的并行度固定为 1，之前有人问过这件事）。StreamingFileCommitter 和 StreamingFileWriter（即 SQL 版 StreamingFileSink）的细节相对比较复杂，本文不表，之后会详细说明。

PartitionCommitPolicy

PartitionCommitTrigger 解决了分区何时对下游可见的问题，而 PartitionCommitPolicy 解决的是对下游可见的标志问题。根据官方文档，我们可以通过 sink.partition-commit.policy.kind 参数进行配置，一共有三种提交策略（可以组合使用）：

metastore：向 Hive Metastore 更新分区信息（仅在使用 HiveCatalog 时有效）；
success-file：向分区目录下写一个表示成功的文件，文件名可以通过 sink.partition-commit.success-file.name 参数自定义，默认为_SUCCESS；
custom：自定义的提交策略，需要通过 sink.partition-commit.policy.class 参数来指定策略的类名。

PartitionCommitPolicy 的内部实现就简单多了，类图如下。策略的具体逻辑通过覆写 commit() 方法实现。

两个默认实现 MetastoreCommitPolicy 和 SuccessFileCommitPolicy 如下，都非常容易理解。

public class MetastoreCommitPolicy implements PartitionCommitPolicy {    private static final Logger LOG = LoggerFactory.getLogger(MetastoreCommitPolicy.class);
    private TableMetaStore metaStore;
    public void setMetastore(TableMetaStore metaStore) {        this.metaStore = metaStore;    }
    @Override    public void commit(Context context) throws Exception {        LinkedHashMap<String, String> partitionSpec = context.partitionSpec();        metaStore.createOrAlterPartition(partitionSpec, context.partitionPath());        LOG.info("Committed partition {} to metastore", partitionSpec);    }}

public class SuccessFileCommitPolicy implements PartitionCommitPolicy {    private static final Logger LOG = LoggerFactory.getLogger(SuccessFileCommitPolicy.class);
    private final String fileName;    private final FileSystem fileSystem;
    public SuccessFileCommitPolicy(String fileName, FileSystem fileSystem) {        this.fileName = fileName;        this.fileSystem = fileSystem;    }
    @Override    public void commit(Context context) throws Exception {        fileSystem.create(                new Path(context.partitionPath(), fileName),                FileSystem.WriteMode.OVERWRITE).close();        LOG.info("Committed partition {} with success file", context.partitionSpec());    }}

Customize PartitionCommitPolicy

还记得之前做过的 Hive Streaming 实验么？

由上图可见，在写入比较频繁或者并行度比较大时，每个分区内都会出现很多细碎的小文件，这是我们不乐意看到的。下面尝试自定义 PartitionCommitPolicy，实现在分区提交时将它们顺便合并在一起（存储格式为 Parquet）。

Parquet 格式与普通的TextFile等行存储格式不同，它是自描述（自带 schema 和 metadata）的列存储，数据结构按照 Google Dremel 的标准格式来组织，与 Protobuf 相同。所以，我们应该先检测写入文件的 schema，再按照 schema 分别读取它们，并拼合在一起。

下面贴出合并分区内所有小文件的完整策略 ParquetFileMergingCommitPolicy。为了保证依赖不冲突，Parquet 相关的组件全部采用 Flink shade 过的版本。窃以为代码写得还算工整易懂，所以偷懒不写注释了。

package me.lmagics.flinkexp.hiveintegration.util;
import org.apache.flink.hive.shaded.parquet.example.data.Group;import org.apache.flink.hive.shaded.parquet.hadoop.ParquetFileReader;import org.apache.flink.hive.shaded.parquet.hadoop.ParquetFileWriter.Mode;import org.apache.flink.hive.shaded.parquet.hadoop.ParquetReader;import org.apache.flink.hive.shaded.parquet.hadoop.ParquetWriter;import org.apache.flink.hive.shaded.parquet.hadoop.example.ExampleParquetWriter;import org.apache.flink.hive.shaded.parquet.hadoop.example.GroupReadSupport;import org.apache.flink.hive.shaded.parquet.hadoop.metadata.CompressionCodecName;import org.apache.flink.hive.shaded.parquet.hadoop.metadata.ParquetMetadata;import org.apache.flink.hive.shaded.parquet.hadoop.util.HadoopInputFile;import org.apache.flink.hive.shaded.parquet.schema.MessageType;import org.apache.flink.table.filesystem.PartitionCommitPolicy;import org.apache.hadoop.conf.Configuration;import org.apache.hadoop.fs.FileSystem;import org.apache.hadoop.fs.LocatedFileStatus;import org.apache.hadoop.fs.Path;import org.apache.hadoop.fs.RemoteIterator;import org.slf4j.Logger;import org.slf4j.LoggerFactory;
import java.io.IOException;import java.util.ArrayList;import java.util.List;
public class ParquetFileMergingCommitPolicy implements PartitionCommitPolicy {  private static final Logger LOGGER = LoggerFactory.getLogger(ParquetFileMergingCommitPolicy.class);
  @Override  public void commit(Context context) throws Exception {    Configuration conf = new Configuration();    FileSystem fs = FileSystem.get(conf);    String partitionPath = context.partitionPath().getPath();
    List<Path> files = listAllFiles(fs, new Path(partitionPath), "part-");    LOGGER.info("{} files in path {}", files.size(), partitionPath);
    MessageType schema = getParquetSchema(files, conf);    if (schema == null) {      return;    }    LOGGER.info("Fetched parquet schema: {}", schema.toString());
    Path result = merge(partitionPath, schema, files, fs);    LOGGER.info("Files merged into {}", result.toString());  }
  private List<Path> listAllFiles(FileSystem fs, Path dir, String prefix) throws IOException {    List<Path> result = new ArrayList<>();
    RemoteIterator<LocatedFileStatus> dirIterator = fs.listFiles(dir, false);    while (dirIterator.hasNext()) {      LocatedFileStatus fileStatus = dirIterator.next();      Path filePath = fileStatus.getPath();      if (fileStatus.isFile() && filePath.getName().startsWith(prefix)) {        result.add(filePath);      }    }
    return result;  }
  private MessageType getParquetSchema(List<Path> files, Configuration conf) throws IOException {    if (files.size() == 0) {      return null;    }
    HadoopInputFile inputFile = HadoopInputFile.fromPath(files.get(0), conf);    ParquetFileReader reader = ParquetFileReader.open(inputFile);    ParquetMetadata metadata = reader.getFooter();    MessageType schema = metadata.getFileMetaData().getSchema();
    reader.close();    return schema;  }
  private Path merge(String partitionPath, MessageType schema, List<Path> files, FileSystem fs) throws IOException {    Path mergeDest = new Path(partitionPath + "/result-" + System.currentTimeMillis() + ".parquet");    ParquetWriter<Group> writer = ExampleParquetWriter.builder(mergeDest)      .withType(schema)      .withConf(fs.getConf())      .withWriteMode(Mode.CREATE)      .withCompressionCodec(CompressionCodecName.SNAPPY)      .build();
    for (Path file : files) {      ParquetReader<Group> reader = ParquetReader.builder(new GroupReadSupport(), file)        .withConf(fs.getConf())        .build();      Group data;      while((data = reader.read()) != null) {        writer.write(data);      }      reader.close();    }    writer.close();
    for (Path file : files) {      fs.delete(file, false);    }
    return mergeDest;  }}

别忘了修改分区提交策略相关的参数：

'sink.partition-commit.policy.kind' = 'metastore,success-file,custom', 'sink.partition-commit.policy.class' = 'me.lmagics.flinkexp.hiveintegration.util.ParquetFileMergingCommitPolicy'

重新跑一遍之前的 Hive Streaming 程序，观察日志输出：

20-08-04 22:15:00 INFO  me.lmagics.flinkexp.hiveintegration.util.ParquetFileMergingCommitPolicy       - 14 files in path /user/hive/warehouse/hive_tmp.db/analytics_access_log_hive/ts_date=2020-08-04/ts_hour=22/ts_minute=13
// 如果看官熟悉Protobuf的话，可以发现这里的schema风格是完全一致的20-08-04 22:15:00 INFO  me.lmagics.flinkexp.hiveintegration.util.ParquetFileMergingCommitPolicy       - Fetched parquet schema: message hive_schema {  optional int64 ts;  optional int64 user_id;  optional binary event_type (UTF8);  optional binary from_type (UTF8);  optional binary column_type (UTF8);  optional int64 site_id;  optional int64 groupon_id;  optional int64 partner_id;  optional int64 merchandise_id;}
20-08-04 22:15:04 INFO  me.lmagics.flinkexp.hiveintegration.util.ParquetFileMergingCommitPolicy       - Files merged into /user/hive/warehouse/hive_tmp.db/analytics_access_log_hive/ts_date=2020-08-04/ts_hour=22/ts_minute=13/result-1596550500950.parquet

最后来验证一下，合并成功。