这是我参与「第四届青训营 」笔记创作活动的第三天
传统SQl和流处理
| 特征 | SQL | 流处理 |
|---|---|---|
| 处理数据的有界性 | 处理的表是有界的 | 流是一个无限元组序列 |
| 处理数据的完整性 | 执行查询可以访问完整的数据 | 执行查询无法访问所有数据 |
| 执行时间 | 批处理产生固定大小的结果后停止 | 查询不断更新结果，永不终止 |
在流上定义表
动态表：
与表示批数据数据的静态表不同，动态表是随时间变化的，可以像查询静态批处理表一样查询他们，数据库表是INSERT UPDATE DETELE DML语句产生的Stream结果，通常叫做changelog Stream
连续查询:
查询从不终止
查询结果不断更新，产生一个新的动态表
任何时候，连续查询的结果在语义上与以批处理模式在输入表快照上执行的相同查询结果是一致的
查询产生仅追加数据的动态表
连续查询的对比
第一个查询更新先前输出的结果,即定义结果表的changelog流包含INSERT和UPDATE操作
第二个查询只附加到结果表，即结果表的changelog流只包含INSERT操作
Retract消息的产生
需要存储每个用户的URL计数，以便能够增加该计数并在输入表接受新行时发送新结果
数据表和动态表转化
数据流和动态表之间的转换
在数据流的查询中不会终止
查询可能会有状态，用来不断更新查询的结果
如何解决查询中的故障？
不同数据处理保证的语义
At-most-once：出现故障时，什么也不做，数据处理不保证任何语义，处理时延低
At-least-once：保证每条数据均至少被处理一次，一条数据可能存在重复消费
Exactly-once：最严格的处理语义，从输出结果来看，每条数据均被消费且仅消费一次，仿佛故障从未发生
Exactly-once与CheckPoint
状态快照与恢复
制作快照的时间点：
状态恢复的时间点：需要等待所有处理逻辑消费完成source保留状态之前的数据
一个简单的快照制作算法：
暂停处理输入的数据
等待后续所有处理算子消费当前已经输入的数据
待上述过程处理完之后，作业所有算子复制自己的状态并保存到远端可靠存储
恢复对输入数据的处理
Chandy-Lamport算法
快照制作的开始
每一个source算子都接受到JM的发送的Checkpoint Barrier标识状态快照制作的开始
Source算子的处理
各个source保存自己状态后,向所有连接的下游继续发送checkpoint Barrier同时告知JM自己状态已经制作完成
Barrier Alignment
算子会等待上游所有的barrier到达之后才会开始快照的制作
已经制作完成的上有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
快照制作和处理数据的解耦
checkpoint结束
所有算子告知JM状态制作完成之后，整个checkpoint结束
checkpoint对作业性能的影响
解耦了快照制作和数据处理过程,各个算子制作完成状态快照后就可以正常处理数据，不用等待下游算子制作完成快照
在快照制作和Barrier Alignment过程中需要暂停处理数据,仍然会增加数据处理延迟
快照保存到远端也有可能极为耗时
端到端的Exactly-once语义
1.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
2.严格意义的端到端的Exactly-once语义需要特殊的sink算子实现
两阶段提交协议
在多个节点参与执行的分布式系统中，为了协调每个节点都能同时执行或者回滚某个事务性的操作，引入了一个中心节点来统一出苦力所有的节点的执行逻辑，这个中心节点叫做协作者，被中心节点调度的其他业务节点叫做参与者
预提交阶段
1.协作者向所有参与者发送一个commit信息
2.每个参与的协作者收到消息后，执行事务，但是不是真正的提交
3.若事务成功执行完成，发送一个成功的消息，执行失败发送一个失败的消息
提交阶段
若协作者成功接受到所有参与者vote yes的消息
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，并结束这次事务的执行
3.完成步骤2后，参与者发送ACK给协作者
4.协作者收到所有参与者的ACK后，标志该事务完成
若协作者有收到参与者vote no的消息
1.协作者向所有参与者发送一个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后，标志事务成功回滚
Flink中的2pc link
总结
