Flink保证exactly-once机制介绍:checkpoint及TwoPhaseCommitSinkFunction
Posted 宝哥大数据
tags:
篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了Flink保证exactly-once机制介绍:checkpoint及TwoPhaseCommitSinkFunction相关的知识,希望对你有一定的参考价值。
文章目录
一、前言
我们知道exactly-once
,大多知道有checkpoint
,但是在Flink1.4
之后,又新增了端到端的exactly-once。也就是输入和输出是对应的,没有丢失和重复。
1.1、Flink-1.4之前的exactly-once实现
Flink的基本思路就是将状态定时地checkpiont
到hdfs中去,当发生failure的时候恢复上一次的状态,然后将输出update到外部。这里需要注意的是输入流的offset也是状态的一部分,因此一旦发生failure就能从最后一次状态恢复,从而保证输出的结果是exactly once。
1.2、Flink-1.4之后的exactly-once实现
2017年12月,apache flink 1.4.0发布。其中有一个里程碑式的功能:两步提交的sink function(TwoPhaseCommitSinkFunction,relevant Jira here)。TwoPhaseCommitSinkFunction
就是把最后写入存储的逻辑分为两部提交,这样就有可能构建一个从数据源到数据输出的一个端到端的exactly-once语义的flink应用。当然,TwoPhaseCommitSinkFunction的数据输出包括apache kafka 0.11以上的版本。flink提供了一个抽象的TwoPhaseCommitSinkFunction类,来让开发者用更少的代码来实现端到端的exactly-once语义。
Flink的 checkpoint
在保证exactly-once
是内部应用exactly-once
,不需要重复计算等
Flink是通过两步提交协议来保证从数据源到数据输出的exactly-once
语义(外部)
接下来,我们通过一个例子来解释如果应用TwoPhaseCommitSinkFunction
来实现一个exactly-once
的sink
。
二、Exactly-once Tow Phase Commit
下面我们来看看flink
消费并写入kafka
的例子是如何通过两部提交来保证exactly-once
语义的。
注意: 因为只有kafka
从0.11
开始支持事物操作,若要使用flink
端到端exactly-once
语义需要flink
的sink
的kafka
是0.11
版本以上的。 同时 DELL/EMC
的 Pravega
也支持使用flink
来保证端到端的exactly-once
语义。
这个例子包括以下几个步骤:
- 从
kafka
读取数据 - 一个聚合窗操作
- 向kafka写入数据
为了保证exactly-once
,所有写入kafka的操作必须是事务的。在两次checkpiont
之间要批量提交数据,这样在任务失败后就可以将没有提交的数据回滚。
然而一个简单的提交和回滚,对于一个分布式的流式数据处理系统来说是远远不够的。下面我们来看看flink是如何解决这个问题的。
Flink官方推荐所有需要保证exactly once的Sink逻辑都继承该抽象类。它定义了如下4个抽象方法,需要子类实现。
// 开始一个事务,返回事务信息的句柄。
protected abstract TXN beginTransaction() throws Exception;
// 预提交(即提交请求)阶段的逻辑。
protected abstract void preCommit(TXN transaction) throws Exception;
// 正式提交阶段的逻辑。
protected abstract void commit(TXN transaction);
// 取消事务。
protected abstract void abort(TXN transaction);
2.1、预提交 (preCommit)
首先我们看下 preCommit 代码实现。
@Override
protected void preCommit(FlinkKafkaProducer.KafkaTransactionState transaction)
throws FlinkKafkaException
switch (semantic)
case EXACTLY_ONCE:
case AT_LEAST_ONCE:
flush(transaction); // 实际上是代理了KafkaProducer.flush()方法。
break;
// .....
preCommit
在TwoPhaseCommitSinkFunction#snapshotState()
中调用
TwoPhaseCommitSinkFunction也继承了CheckpointedFunction
接口,所以2PC是与检查点机制一同发挥作用的。
每当需要做checkpoint
时,JobManager
就在数据流中打入一个屏障(barrier
),作为检查点的界限。屏障随着算子链向下游传递,每到达一个算子都会触发将状态快照写入状态后端(state BackEnd)的动作。当屏障到达Kafka sink后,触发preCommit(实际上是KafkaProducer.flush())方法刷写消息数据,但还未真正提交。接下来还是需要通过检查点来触发提交阶段。
2.2、提交阶段
@Override
protected void commit(FlinkKafkaProducer.KafkaTransactionState transaction)
if (transaction.isTransactional())
try
// 实际上是代理了KafkaProducer.commitTransaction()方法,正式向Kafka提交事务。
transaction.producer.commitTransaction();
finally
recycleTransactionalProducer(transaction.producer);
该方法的调用点位于TwoPhaseCommitSinkFunction.notifyCheckpointComplete()
方法中。顾名思义,当所有检查点都成功完成之后,会回调这个方法。
该方法每次从正在等待提交的事务句柄中取出一个,校验它的检查点ID,并调用commit()方法提交之。
参考
https://www.aboutyun.com/forum.php?mod=viewthread&tid=27395
https://dandelioncloud.cn/article/details/1441622512370266113
https://flink.apache.org/features/2018/03/01/end-to-end-exactly-once-apache-flink.html
以上是关于Flink保证exactly-once机制介绍:checkpoint及TwoPhaseCommitSinkFunction的主要内容,如果未能解决你的问题,请参考以下文章