如何构建一个flink sql平台
我们都知道，离线计算有Hive,使用过的知道，需要先定义一个schema,比如针对HDFS这种存储对标mysql定义一个schema，schema的本质是什么？主要描述下面这些信息 1）当前存储的物理位置的描述 2）数据格式的组成形式 然后Hive可以让用户定义一段sql，针对上面定义的schema进行，sql的本质是什么，是业务逻辑的描述。然后Hive内部会将这段sql进行编译转化为原生的底层MapReduce操作，通过这种方式，屏蔽底层技术原理，让业务开发人员集中精力在schema和sql业务逻辑上，flink sql平台也正是做同样的事情。 一开始经过跟上海同事的讨论，选择Uber的Athenax作为技术选型，通过翻阅源码，发现还是有很多不完善的地方，比如配置文件采用yaml，如果做多集群调度，平台代码优化，多存储扩展机制，都没有考虑得很清楚，所以代码拿过来之后基本上可以说按照对yarn和flink的理解重新写了一遍。 大致的工作流程如图所示： 简单解释一下： 1)业务定义job 2)提交到web服务器,存到mysql中 3)------------------- 4)-------------------- 5)flink平台进程定时扫描mysql,探测到job定义，并从yarn集群获取当前运行状态的job的report 比较时间戳，决定哪些任务要杀死，启动 6)flink提交到yarn集群的任务，yarn会从hdfs拉取job描述里的jar包，启动这个flink job 然后步骤3,4,5,6 重复执行 下面是平台代码的思路 1）通过springboot提供HTTP API，提供多集群定义，存储在mysql里 一个集群需要定义的信息点如下： 2）提供HTTP API让业务进行Job定义 这里的Job定义包含3个方面：job的输出输出的schema定义，job的业务逻辑定义（sql）,job需要的yarn资源定义，具体来说如下所示： Job定义 文中的sql定义 SELECT SUM(nested.number) as nestedNumber, hundredFunction(SUM(CAST(`value` AS DOUBLE))) as `sum`, COUNT(`value`) as `count`, AVG(CAST(`value` AS DOUBLE)) as `avg`, MAX(CAST(`value` AS DOUBLE)) as `max`, MIN(CAST(`value` AS DOUBLE)) as `min`, TUMBLE_END(`time`, INTERVAL '3' SECOND) as `time` FROM input.`ymm-appmetric-dev-self1` WHERE metric IS NOT NULL AND `value` IS NOT NULL and `time` IS NOT NULL GROUP BY metric,TUMBLE(`time`, INTERVAL '3' SECOND) 输入/输出schema定义，以kafka为例，输入和输出格式差不多 { "brokerAddress":"略", "topic":"dev-metric", "schemas":[ {"key":"sum","type":"double"}, {"key":"count","type":"int"}, {"key":"avg","type":"double"}, {"key":"max","type":"double"}, {"key":"min","type":"double"}, {"key":"time","type":"timestamp"}, {"key":"nestedNumber","type":"int"} ] } 对于业务来说，“打开IDE->了解flink语法写java代码->打包成jar->提交到yarn集群”这一环节省去了，直接打开界面，点击按钮定义sql，写一段业务逻辑sql,提交此业务到mysql，关闭浏览器即可.由平台进行调度(秒级),永远不用担心这个任务某一天挂了怎么办，平台会自动发现自动拉起.提交一次永远不需要再人工干预，除非逻辑发生变化，在逻辑发生变化时也简单，打开任务修改再提交，关闭浏览器，结束，平台会发现job变化杀死老任务拉起新任务. 下面讲一下平台内部是如何实现的 3）集群自动发现 如果平台维护方想增加一个集群，通过界面直接定义一个存在mysql即可，后台线程会自动发现，为每个集群创建一个线程，多节点情况下，整个环境中某个特定集群的多个线程通过ZK进行抢占决定哪个线程当前为这个集群服务. 增加JVM关闭钩子，在JVM退出时，主动关闭ZK客户端，释放ZK上的临时节点. 4）UDF的支持&自动发现 错误做法： 平台支持平台级UDF的定义，由平台人员进行维护，平台人员编写脚本，通过base64编码存在mysql里，归属到某个集群，这个集群的扫描线程发现有必要进行编译时，实时编译成class常驻内存，同时，打包成jar包上传到远程HDFS，后面会将此路径放入到具体job的classpath路径下. job就可以正确发现UDF. 当UDF没有发生变化时，线程不会编译，而是复用上一次的编译结果. 正确做法： 后来发现这种做法是愚蠢的，算是踩了坑吧，后来改成jar包上传的方式了！！！ 5)程序可以任意部署，不依赖大数据环境 程序本身不依赖大数据环境的配置，具体是指不需要依赖当前宿主机.../etc/hadoop/*.xml文件 通过读取cluster的配置，动态生成XML配置，再生成HDFS/YARN的客户端client,这样，平台代码可以任意部署到物理机/容器中，只要环境可以通过TCP连接到对应域名/ip即可. 6)如何做任务调度-任务的自动发现 这里的任务调度是指:哪些任务需要下线，哪些任务需要第一次上线，哪些任务需要重新上线， 这里的业务逻辑就是比较mysql里job的时间戳和yarn集群里任务的时间戳 yarn集群里任务的时间戳是通过提交时打上Tag标记，就是为了下一次比较用。 这里有一个细节，就是Athenax的做法是先算出所有要杀死的任务，杀死，再拉起所有要拉起的任务，个人认为这里不妥，优化之后的做法是：按照任务级别，算出(killaction,startaction),对于单个job来说，二者至少存在1个action,然后以任务为级别进行调度，不再是之前的大一统提交方式，这样就算单个任务调度异常，也不影响其它任务，做到了任务之间做隔离. 通过时间戳的方式，就不难理解业务一旦修改任务，平台发现时间戳有变化，就可以自动杀死老任务，拉起新任务，不需要人工操作. 7)拉起任务中的编译工作 一个job需要拉起时，会实时结合(输入schema,SQL业务逻辑，输出schema)进行编译， 正如hive会翻译成原生的mapreduce操作，flink sql编译工作会翻译成原生的flink jobgraph 这部分是抽取了athenax里的编译工作做2开 代码如下： privateJobCompilerResultcompile(Mapinputs,StringoriginSql, ExternalCatalogoutput,ResourceDTOresourceDTO, ClusterDTOathenaxCluster, ConfigurationflinkConf)throwsException{ //解析sql LoggerUtil.info("tobecompiledsql:[{}]",originSql); SqlNodeListstmts=(SqlNodeList)newCalciteSqlParser().parse(originSql); Validatorvalidator=newValidator(); validator.validateQuery(stmts); HashMapudfMap=validator.getUserDefinedFunctions(); StringselectSql=validator.getStatement().toString(); ListadditionalResources=validator.getAdditionalResources(); LoggerUtil.info("succeedtoparsesql,resultis:[{}]",stmts); LoggerUtil.info("udf{}",udfMap); LoggerUtil.info("statement{}",selectSql); LoggerUtil.info("additionalResources{}",additionalResources); //准备编译,输出Flink的JobGraph LoggerUtil.info("begintocreateexecutionenvironment"); StreamExecutionEnvironmentlocalExecEnv=StreamExecutionEnvironment .createLocalEnvironment(); //非常重要 setFeature(localExecEnv, resourceDTO.getTaskManagerCount()*resourceDTO.getSlotPerTaskManager(),flinkConf); StreamTableEnvironmenttableEnv=StreamTableEnvironment.getTableEnvironment(localExecEnv); LoggerUtil.info("tableEnv:{}",tableEnv); //注册UDF,收归到平台了,也就是说,只支持平台开发人员预定义,暂时不支持业务自定义 for(Map.Entrye:udfMap.entrySet()){ finalStringname=e.getKey(); StringclazzName=e.getValue(); LoggerUtil.info("usedudfspecifiedbybusiness:{}",name); } registerSDF(athenaxCluster,tableEnv); LoggerUtil.info("alludfregisterd,bingo"); //开始注册所有的input相关的schema for(Map.Entrye:inputs.entrySet()){ LoggerUtil.info("Registeringinputcatalog{}",e.getKey()); tableEnv.registerExternalCatalog(e.getKey(),e.getValue()); } LoggerUtil.info("allinputcatalogregisterd,bingo"); Tabletable=tableEnv.sqlQuery(selectSql); LoggerUtil.info("succeedtoexecutetableEnv.sqlQuery(...)"); LoggerUtil.info("table{}",table); LoggerUtil.info("bingo!inputworkdonecompletely,letushandleoutputworknow!!!"); //开始注册output ListoutputTables=output.listTables(); for(Stringt:outputTables){ table.writeToSink(getOutputTable(output.getTable(t))); } LoggerUtil.info("handleoutputok"); //生成JobGraph StreamGraphstreamGraph=localExecEnv.getStreamGraph(); JobGraphjobGraph=streamGraph.getJobGraph(); //thisisrequiredbecausetheslotsareallocatedlazily //如果为true就会报错,然后flink内部就是一直重启,所以设置为false jobGraph.setAllowQueuedScheduling(false); LoggerUtil.info("createflinkjobok{}",jobGraph); JobGraphTool.analyze(jobGraph); //生成返回结果 JobCompilerResultjobCompilerResult=newJobCompilerResult(); jobCompilerResult.setJobGraph(jobGraph); ArrayListpaths=newArrayList(); Collectionvalues=udfMap.values(); for(Stringvalue:values){ paths.add(value); } jobCompilerResult.setAdditionalJars(paths); returnjobCompilerResult; } 这部分工作要理解，需要对Calcite有基础 8)多存储的支持 平台在一开始编写的时候，就考虑到了多存储支持，虽然很多任务是从kafka->计算->Kafka 但是平台并不只满足于这一点，因为写到kafka之后，可能还需要业务再去维护一段代码取读取kafka的消息进行消费，如果有的业务希望直接能把结果写到mysql,这个时候就是需要对多存储进行扩展 通过设计和扩展机制，平台开发人员只需要定义储存相关的类，针对schema定义的解析工作已经再父类中完成，所有存储类共用，这样可以灵活支持多存储，平台开发人员只需要把重点放在特定存储性质的支撑即可. PS:编写此类存储类需要对fink job内部的运行机制，否则会造成资源泄露和浪费. 平台内部已经针对每种类型进行了定义 //存储类型 //排名不分先后 publicstaticintSTORAGE_REDIS=1<<0;//1 publicstaticintSTORAGE_MYSQL=1<<1;//2 publicstaticintSTORAGE_ROCKETMQ=1<<2;//4 publicstaticintSTORAGE_KAFKA=1<<3;//8 publicstaticintSTORAGE_PULSAR=1<<4;//16 publicstaticintSTORAGE_OTHER0=1<<5;//32 publicstaticintSTORAGE_OTHER1=1<<6;//64 publicstaticintSTORAGE_OTHER2=1<<7;//128 publicstaticintSTORAGE_RABBITMQ=1<<8;//256 publicstaticintSTORAGE_HBASE=1<<9;//512 publicstaticintSTORAGE_ES=1<<10;//1024 publicstaticintSTORAGE_HDFS=1<<11;//2048 目前支持的情况如下： 输入:Kafka 输出:Kafka/Mysql PS:输出mysql是基于flink官方的提供类实现的第一版，经过分析源码，mysql sink官方这部分代码写得太随意，差评. 后续当业务有需求时，需要结合zebra做2次开发.毕竟运维不会提供生产环境的ip和端口等信息，只会提供一个数据源字符串标识.这样更贴合公司内部的运行环境 9)任务提交 一旦生成flink原生的job,就可以准备提交工作 这部分需要对yarn的运行机制比较清楚，比如任务提交到RM上经过哪些状态变化，ApplicationMaster如何申请资源启动TaskManager, 具体的job是如何提交给JobManager的，平台开发人员需要对此有基本的原理掌握，当初也是0基础开始学习，通过快速翻阅源代码掌握一些运行机制，方可安心进行平台开发. 10)其它优化 针对yarn client的参数优化，保证可在一定时间内返回，否则可能一直卡死 针对flink job的平台级优化，比如禁止缓存，让信息立刻传输到下一个环节(默认100毫秒延迟) 定义flink job的重启次数，当发生异常时可自行恢复等 11)压测结果 输入：本地启动7个线程，发送速度 每秒发送到kafka 十几万条 接收topic描述 ymm-appmetric-dev-self1 开发环境 partitions 6 replication 1 flink任务描述 2个TaskManager进程 每个进程800M内存 每个进程3个线程， 并行度 2*3=6 flink计算任务所用sql SELECT SUM(nested.number) as nestedNumber, hundredFunction(SUM(CAST(`value` AS DOUBLE))) as `sum`, COUNT(`value`) as `count`, AVG(CAST(`value` AS DOUBLE)) as `avg`, MAX(CAST(`value` AS DOUBLE)) as `max`, MIN(CAST(`value` AS DOUBLE)) as `min`, TUMBLE_END(`time`, INTERVAL '3' SECOND) as `time` FROM input.`ymm-appmetric-dev-self1` WHERE metric IS NOT NULL AND `value` IS NOT NULL and `time` IS NOT NULL GROUP BY metric, TUMBLE(`time`, INTERVAL '3' SECOND) 输出topic ymm-appmetric-dev-result partitions 3 观察flink consumer端的消费速度 每个线程的消费速度在24000上下浮动，并发度6，每秒可消费kafka消息14万+，应该说目前不会碰到性能瓶颈. 其它 本次测试发送数据条数：4.3 亿条 耗时：56分钟 对于业务开发人员来说，我觉得好处就是 1)不需要懂flink语法(你真的想知道flink的玩法？好吧我承认你很好学) 2)不需要打开IDE写java代码(你真的想写Java代码？好吧我承认你对Java是真爱) 3)提交一次，不再需要人工介入(你真的想在假期/晚上/过节/过年 担心任务挂掉？好吧我承认你很敬业) 只需要 1)界面点击操作,定义你的schema 2)写一段你所擅长的sql 3)点击提交按钮 4)关闭浏览器 5)关闭电脑 其它的就交给平台吧! 后续：针对平台来说，后续的主要工作是根据业务需求扩展多存储 如果再长远，那就是要深度阅读flink源码对平台进行二次优化
