大数据笔记2 Exactly Once 语义在 Flink 中的实现 ｜ 青训营笔记

GeekPMAlex
120 阅读7分钟

这是我参与「第四届青训营 」笔记创作活动的的第2天！

Exactly Once 语义在 Flink 中的实现

1 数据流和动态表

1.1 无处不在的数据流

  • GPS
  • LOT
  • IM(微信)
  • 短信
  • 视频

1.2 传统SQL 和数据流

image.png

1.3 概述 数据流和动态表的转换

简单来说就是

流数据 --> 动态表 --> ContinousQuery --> 动态表 --> 流数据

image.png

1.3.1 在流上定义表

动态表: 与静态表的批处理不同，动态表是随时间变化的，但是可以像处理静态表一样处理。

如果所示： 左侧的点击事件（流）被 定义成了 右侧的表 随着时间推移，表会不断变长

image.png

1.4 连续查询

  • 查询 从不停止
  • 查询结果会 不断更新，产生新的动态表

如图，从上往下，不同时间查询，相同代码（不同用户的点击次数），结果不一样。
查询的结果就随着时间改变，但是包括了之前的数据。

image.png

1.5 查询产生仅追加数据的动态表

这个SQL比较复杂。
简单说：统计用户在窗口时间（1小时内）对某一网站的点击次数。
查询的结果就随着时间改变，并且不包括之前的数据。

image.png

1.6 两个连续查询的对比

image.png

  1. 第一个查询更新先前输出的结果，即定义结果的changelog流包含 INSERT 和UPDATE 2个操作
  2. 第二个查询只附加到结果表，即结果表的changelog流只包含 INSERT 1个操作

1.7 Retract（回撤） 消息的产生

这张图中
“+” 代表点击次数+1
“-” 代表 点击次数-1
如果要更新结果，先发送回撤消息（对应减号），再发送更新后的结果

image.png

1.8 状态

需要存储每个用户的URL计数,以便能够增加计数，并在输入表接收新行时发送新结果（可能需要设置DeadLine）

1.9 数据流动态表转换回顾

  1. 数据流和动态表之间的转换
  2. 在数据流的查询永远不会停止
  3. 查询可能会有状态，不断更新结果

1.10 不同数据处理保证的语义

image.png

2 Exactly-once 和 Checkpoint

2.1 状态快照与恢复

image.png

3个算子

  • sum_even: 保存偶数的合
  • sum_old: 保存奇数的合
  • Input offset: 最近1个输入数据

Storage：某一时刻对状态进行备份，保存当前三个算子状态，每当check point到来，就把这3个数据进行一次对比,数据不一致会进行以下操作。

  • 出现了数据不一致的情况

image.png

  • 清空流数据

image.png

  • 把存储在storage的数据恢复到流中

image.png

  • 继续计算

image.png

2.2 快照时间点

状态恢复的时间点：需要等待所有处理逻辑消费完成source保留状态及之前的数据。 一个简单的快照制作算法：

  1. 暂停处理输入的数据；
  2. 等待后续所有处理算子消费当前已经输入的数据
  3. 待2处理完后，作业所有算子复制自己的状态并保存到远端可靠存储；
  4. 恢复对输入数据的处理

2.3 Chandy-Lamport算法

分布式快照算法：
同时存在两个数据流，两个流分别处理各自数据，第一个统计偶数累加和，第二个统计奇数累加和。 image.png

制作快照开始
每一个suurce算子都会收到JM发送的Checkpoint Barrier

image.png

Source算子的处理

source收到checkpoint barrier后，同时将当前的算子结果暂时保存，向所有的下游都发送一个checkpoint barrier，同时告知JM 自己的状态保存完成

image.png

Barrier Alignment
如图：source1的checkpoint barrier到了，但是source2的checkpoint barrier还未到达，该时间节点称为barrier alignment

直到2个checkpoint barrier都到了，才会进行快照制作，继续向下游发送数据
已经制作完成的上游算子会继续处理数据，并不会被下游算子制作快照的过程阻塞。

image.png

快照制作和处理数据的解耦
类似的过程发生在sink，保存完当前数据，因为sink没有下游，直接通知JM状态制作完成。 image.png

checkpoint的结束
当所有算子告诉JM状态制作完成之后，Checkpoint就结束了

image.png

Checkpoint对作业性能的影响

image.png

3 Flink端到端的Exactly-once语义

3.1 端到端的Exactly-once语义

  • Checkpoint能保证每条数据都对各个有状态的算子更新一次，sink输出算子仍然可能下发重复的数据；
  • 严格意义的端到端的Exactly-once语义需要特殊的sink算子实现。

image.png

3.2 两阶段提交协议

3.1 预提交阶段

  1. 协作者向所有参与者发送一个comit消息；
  2. 每个参与的协作者收到消息后，执行事务，但是不真正提交
  3. 若事务成功执行完成，发送一个成功的消息（vote yes）；执行失败，则发送一个失败的消息（vote no）

image.png

3.2 提交阶段

若协作者成功接收到所有的参与者vote.yes的消息

image.png

  1. 协作者向所有参与者发送一个commit消息
  2. 每个收到commit消息的参与者释放执行事务所需的资源，并结束这次事物的执行；
  3. 完成步骤2后，参与者发送一个ack消息给协作者；
  4. 协作者收到所有参与者的ack消息后，标识该事务执行完成

若协作者收到了参与者的vote.no的消息（或者等待超时）

image.png

  1. 协作者向所以有参与者发送一个rollback消息；
  2. 每个收到rollback消息的参与者回滚事务的执行操作，并释放事务所占资源；
  3. 完成步骤2后，参与者发送一个ack消息给协作者；
  4. 协作者收到所有参与者的ack消息后，表示该事务成功完成回滚。

3.3 Flink中的2PC Sink

  • source：负责从kafka读数据
  • window：统计点击次数，window计算算子的结果写入到Sink
  • sink：把结果下发给kafka

预提交阶段
协作者向所有参与者提交query to commit，可以预执行事务了，类似于flink的checkpoint，JM向source发送checkpoint barrier，状态制作开始了。

image.png

每个算子都向 State Backend 提交自己的状态
依次通过source向下传递checkpoint barrier给所有算子，都开始执行状态制作，向state backend反馈vote，成功之后向JM发送成功消息，三个算子都向JM发送状态制作完成。

image.png

image.png

提交阶段 JM发送收到3个Yes,发送commit消息，在Flink中，向所有算子发送notify checkpoint compelete，算子状态全部制作完成,写入下游数据。

image.png

3.4 Flink两阶段提交总结

image.png

4 Flink 案例讲解

4.1.1 原本方案

  1. 在上次记录的微店之后，从Kafka中读取固定大小的数据；
  2. 对比该批数据进行去重和聚合计算；
  3. 处理完成后写入Mysql中，若全部写入成功，则记录当前读取到的消息的终止位置；若处理或者写入失败，则不记录位点
  4. 跳回步骤1

image.png

4.1.2 存在问题

  1. 非严格的端到端的Exactly-Once语义：若该批数据处理完成后，再写入MySQL中发生异常，则存在部分数据写入的情况，下次作业启动后，这部分数据仍然会重复写入
  2. 去重能力有限：只能在当前处理的一批数据内进行去重，无法在批与批之间进行去重

4.1.3 Flink解决方案

image.png

  1. 严格意义上的端到端的Exactly-Once语义：下游读到的数据是不丢不重的；
  2. 增强的去重能力：可以在更长的时间维度对数据进行去重（比如3个算子都可以增加去重）

课程总结

image.png

avatar
文章
阅读
粉丝