FlinkSQL演进过程，解析原理及一些优化策略

Spark学习技巧

发布于 2021-03-05 14:58:30

9830

发布于 2021-03-05 14:58:30

文章被收录于专栏：Spark学习技巧

本文整理自Flink Forward 全球在线会议，演讲者云邪，由浪尖整理。

1. Flink table/sql架构演变

flink 1.9之前的版本，对于Table API和SQL的底层实现结构如下图，可以看处流处理和批处理有各自独立的api (流处理DataStream，批处理DataSet)。而且有不同的执行计划解析过程，codegen过程也完全不一样，完全没有流批一体的概念，面向用户不太友好。

自flink 1.9之后的版本，在Flink Planner基础上，增加了Blink Planner，架构图如下：

自flink 1.9 版本为了兼容老版本Table及SQL模块，插件化实现了Planner，Flink原有的Flink Planner不变，后期版本会被移除。新增加了Blink Planner，新的代码及特性会在Blink planner模块上实现。blink planner的批或者流都是通过解析为Stream Transformation来实现的，不像Flink Planner，批是基于Dataset，流是基于DataStream。

所以后期的架构会进一步实现流批统一，流批主要区别在Trasformation和codegen层，整体架构如下：

blink planner在1.11版本开始作为默认的planner，后期版本会移除调Flink Planner。

2. flink sql的工作机制

下图是flink sql 的从编码层到执行的解析过程概览图：

flink 编程语言： scala，java，python，sql。
catalog支持hive 的metastore，也支持自定义Catalog。
API到Logical plan，会有catalg参与进来-目前是可以基于hive metastore，也可以自定义，catalog会提供，比如udf参数，返回值类型，表路径等等信息。
logical plan是优化起点，会被交给优化器optimizer进行优化，比如subquery 拆解，fliter/project下推，join recorder等，其实现过程中大量使用了calcite框架
Physical plan使用code generation生成transformations，这里也是做了大量优化，比如Code Optimizations，state-of-art opertors，resource Optimizations等具体可以看上图。
transformations之后就可以生成JobGraph了，可以用来提交到flink集群。
批和流的区别重点呈现在Pysical plan和transformations。

3.批处理SQL解析过程

案例sql

select 
  t1.id，1+2+t1.value as v
from t1 join t2 
where 
  t1.id = t2.id AND
  t2.id < 1000

首先，sql表达到逻辑执行计划，select操作对应Project，join对应join，where对应fliter，该逻辑计划如下图：

逻辑执行计划是优化的开始，案例中的sql优化过程如下：

常量折叠，也即是对sql中的常量的加减乘除等操作进行预计算，避免执行过程频繁对常量重复执行加减乘除计算：

上图常量折叠前：1+2+t1.value；折叠后：3+t1.value，逻辑执行计划缩减了一个大步骤。

filter下推执行，这里就是把t2.id<1000,下推到扫描 t2表的时候。

假设不进行这一步优化，执行过程是：全量数据扫描，执行join操作，然后才进行fiter，这明显很浪费，id大于1000的不需要执行join操作，将fliter操作下推到join之前执行，减少了join的数据量，大大提升性能。

project下推执行，可以用来避免加载不需要的字段。由原来的sql可知，t1只需要加载t1.id，t1.value，t2只需要加载t2.id。假如表还有大量的其他字段，由于SQL中没用到，加载多余字段就是浪费，所以将project操作下推执行，就不需要加载无用字段。而且此时假如是列存储，只需要加载指定的列，优化更大。

物理执行计划生成的时候也会进行很多优化操作，如根据代价cost选择批处理join有方式(sortmergejoin，hashjoin，boradcasthashjoin)。比如咱们这个例子，再filter下推之后，在t2.id<1000的情况下，由1 百万数据量变为了1 千条，计算cost之后，使用broadcasthashjoin最合适。

物理计划codegen过程，就是翻译成transformation tree的过程：

4.流处理SQL解析过程

flink 的流处理sql解析过程如下：

对于flink 流表的计算，在Optimizer和Physical plan过程中是需要引入changelog机制，也可以叫做retraction机制。

比如下面一条sql，表达含义就是先进行wordcount操作，得到临时表<列Row(word，cnt)>，然后统计频次cnt出现的次数。

SELECT cnt, COUNT(cnt) as freq
FROM (
  SELECT word, COUNT(*)as cnt
  FROM words
  GROUP BY word 
)
GROUP BY cnt

数据源先后输入的单词: hello，word ，hello。

期望的结果是cnt 值为1和2各出现一次。

假如数据先输入了hello 和word两个词，得到计算过程及结果如下：

图中结果是cnt为1出现频次为2，因为word和hello各出现了一次。

此时，在输入hello，假设没有changelog机制，得到结果如下：

图中cnt 值为1出现的频次为2，cnt为2出现频次为1，这明显不符合预期，是错误的结果。

引入changelog机制，在wordcount aggregate计算结束之后，会给下游发送update_before和update_after两个消息，在进行cnt频率统计时，用来保证结果的正确性。

changelog机制保证了结果的正确性，同时query优化器决定者update_before消息是否需要，并且该机制对于用户来说是无感知的。

5.changelog机制介绍

5.1 确定node该产生消息类型

简单来说，对于flink流处理的动态实时表，主要是有三种操作Insert，update，delete。这三种操作在transfoation之间传递的时候就是对应着三种message，下游算子接受到这三种message之后就知道该进行如何操作了，changelog机制就以此来实现的。

消息正向传递过程解释：

Source到word count的Aggregate算子只产生了一种消息-INSERT message。
word count的Aggregate之后到Calc产生了两种message，分别是新增的消息 INSERT ，更新的消息UPDATE ，Calc不会产生新的消息，直接透传消息到cnt频次统计的Aggregate算子。
cnt频次统计的Aggregate操作向UpsertSink发送了三种消息，分别是INSERT，UPDATE，DELETE。
最后upsertSink就根据cnt频次统计Aggregate传递的这三种消息，做具体的操作(insert，update)，保证结果的正确性。

5.2 确定update消息内容

一个update消息，有两个内容：update_before和update_after。产生update消息的节点，可以只发送update_after，也可以同时发送两个消息，这个决定于下游算子，推导过程可以从sink到source。

update message推导过程：

updsertSink假设只接受Update_After消息，那么他就会告诉频次统计的Aggregate，只发送Update_After消息即可。sink编写时确定接受消息类型。
Aggregate知道前一层会发送：update_before和update_after，而自身也需要两种消息，那么就会通知Calc节点同时发送两种消息，其实Calc节点是不会产生消息，只会透传的。
Calc会知道wordcount的aggregate算子会产生update_before和update_after，而且自己也需要向下传递两个消息，所以会要求Aggregate产生update_before和update_after两个消息。
wordcount的aggregate算子由于知道source不会产生update消息，所以不会要求其传递update消息。

最后就是正向传递update消息的过程，具体过程如下图右侧，source 到sink流动箭头。

经过上述过程之后，最终生成的物理计划如下：

6. Flink的一些优化操作

6.1 内部数据结构优化

原有的row数据结构如图：

主要有以下几个缺点：

a.占用过多空间,比如object 头。

b.频繁的封箱和拆箱操作

c.序列化和反序列化的开销，尤其在随机访问字段的时候开销更明显。

新的内部数据结构，BinaryRow如下图：

BinaryRow有以下有点：

a.与MenorySegment深度整合。

b.大量减少反序列化及序列化操作/压缩/随机访问更友好

c.依然支持BinaryString，BinaryArray，BinaryMap。

解析一下，BinaryRow源码可以知道：

由Flink的最小内存管理单元 MemorySegment 支撑实现，能够大量减少序列化与反序列化的开销

正如上图所示，一个binary row含有两个部分: 定长和变长部分

a. Fixed-length part:

一个字节长的header
null bit sets 用于null 的追踪??与8个字节长的字对齐
field values 保存基本类型和能以8个字节长存储的变长的值
否则field values将会存储变长值的长度与offset
完全落在MemorySegment，这会加速field的读写速度。
单行的field的数值不能超过一个MemorySegment的容量

b.variable-length part:

可能会由多个memorySegment来存储

6.2 预聚合策略

其实，就是通过设置参数：

table.optimizer.agg-phase-strategy = TWO_PHASE

来开启map端聚合操作，减少shuffle数据量。

6.3 支持微批

大家都知道flink是可以基于时间和事件进行处理，原有策略是每条数据都会触发计算，状态更新等操作，这个其实性能也不是很好。

翻一下，就是逐条消息处理代价：

每次都需要读写状态，
每条消息都需要序列化反序列化，
每条消息都会输出一次。

支持微批处理，就会缓解单事件处理的缺点，具体介绍如下：

策略也是很简单，批次加超时，来实现该功能，主要有三个配置：

// 开启支持微批table.exec.mini-batch.enabled = true// 微批处理超时时间设置，主要是处理 积累不到指定的批大小，程序永远等待的情况。table.exec.mini-batch.allow-latency = "5000 ms"// 每个批次的大小table.exec.mini-batch.size = 1000

优点：

使用堆内存缓存数据。
在反问历史状态和进行序列化操作之前，内存中聚合。
也可以减轻下游的负载。

6.4 top n策略优化

实时计算中对数据全局排序代价是非常大的，但是计算top n还是比较容易实现的。

下面是计算每个类别，top n的策略，flink sql表达：

SELECT *
FROM (
  SELECT // you can get like shopld or other information from this
  ROW_NUMBER() OVER (PARTITION BY category ORDER BY sales DESC) AS rowNum
  FROM shop_sales
)
WHERE rowNum <= 3

具体实现实际上是重写了底层的执行计划，将OverAggregate操作替换为了一个rank操作。