Apache Flink：数据流编程模型

Posted 2022-11-23 王小雷-多面手

Apache Flink：数据流编程模型

| 从入门到精通 - 第 2 期（每天一期新知识）

Flink是最热门的实时计算引擎之一。在动手部署和编程之前，学习Flink的数据流编程模型，可以建立起核心概念的全局架构。方便局部概念深入学习。

Apache Flink：数据流编程模型

▾点击播放视频教程▾

https://www.bilibili.com/video/av66869896/

Flink的数据流编程模型(基于最新版flink1.9)，共包含的概念有：抽象层级，程序和数据流，并行数据流，窗口，时间概念，有状态计算，容错检查点。

| 抽象层级

Flink提供不同级别的抽象来开发流/批处理应用程序。

• 最低级抽象只提供有状态流。它通过Process Function嵌入到DataStream API中。它允许用户自由处理来自一个或多个流的事件，并使用一致的容错状态。此外，用户可以注册事件时间和处理时间回调，允许程序实现复杂的计算。

• 在实践中，很多应用程序不需要上述的低级抽象，而是针对Core APIs编程，如DataStream API（有界/无界流）和DataSet API（有界数据集）。这些流畅的API提供了用于数据处理的通用构建块，例如各种形式的用户指定的转换，连接，聚合，窗口，状态等。在这些API中处理的数据类型在相应的编程语言中表示为类。

  低级Process Function与DataStream API集成在一起，因此只能对某些操作进行低级抽象。DataSet API在有界数据集上提供了额外的基元，如循环/迭代。

• Table API是以表为中心的声明性DSL，可以是动态更改表（表示流时）。Table API遵循（扩展）关系模型：表附加了一个模式（类似于关系数据库中的表），API提供了可比较的操作，例如select，project，join，group-by，aggregate等。表API程序以声明方式定义应该执行的逻辑操作，而不是准确指定操作代码的外观。尽管Table API可以通过各种类型的用户定义函数进行扩展，但它的表现力不如Core API，但使用起来更简洁（编写的代码更少）。此外，Table API程序还会通过优化程序，在执行之前应用优化规则。

  可以在表和DataStream/DataSet之间无缝转换，允许程序混合Table API以及DataStream和DataSet API。

• Flink提供的最高级抽象是SQL。这种抽象在语义和表达方面类似于Table API，但是将程序表示为SQL查询表达式。SQL抽象与Table API紧密交互，SQL查询可以在Table API中定义的表上执行。

| 程序和数据流

Flink程序的基本构建块是流和转换。（请注意，Flink的DataSet API中使用的DataSet也是内部流 - 稍后会详细介绍。）从概念上讲，流是（可能永无止境的）数据记录流，而转换的操作是将一个或多个流作为输入，并产生一个或多个输出流作为结果。

执行时，Flink程序映射到流式数据流，由流和转换算子组成。每个数据流都以一个或多个源开始，并以一个或多个接收器结束。数据流类似于任意有向无环图（DAG） 。尽管通过迭代结构允许特殊形式的循环，但为了简单起见，我们将在大多数情况下对其进行掩盖。

通常，程序中的转换与数据流中的算子之间存在一对一的对应关系。但是，有时一个转换可能包含多个转换算子。
源和接收器记录在流连接器和批处理连接器文档中。转换在DataStream operators算子和DataSet转换文档中。

| 并行数据流

Flink中的程序本质上是并行和分布式的。在执行期间，流具有一个或多个流分区，并且每个算子具有一个或多个算子子任务。算子子任务彼此独立，并且可以在不同的线程中执行，并且可能在不同的机器或容器上执行。
算子子任务的数量是该特定算子的并行度。流的并行度始终是其生成算子的并行度。同一程序的不同算子可能具有不同的并行级别。

流可以在一对一（或转发）模式或在重新分发模式的两个算子之间传输数据：

• 一对一 流（例如，在上图中的Source和map()算子之间）保留元素的分区和排序。这意味着source算子的子任务[1]生成的元素的顺序，将在map()算子的子任务[1]看到的是一样的。

• 重新分配流（在上面的map()和keyBy/window之间，以及keyBy/window和Sink之间）重新分配流的分区。每个算子子任务将数据发送到不同的目标子任务，具体取决于所选的转换。例如keyBy()（通过散列键重新分区），broadcast()或rebalance()（随机重新分区）。在重新分配交换中，元素之间的排序仅保留在每对发送和接收子任务中（例如，map()的子任务[1]和keyBy/window的子任务[2]。因此，在此示例中，保留了每个键内的排序，但并行性确实引入了关于不同键的聚合结果到达接收器的顺序的非确定性。

| 窗口

聚合事件（例如，计数，总和）在流上的工作方式与批处理方式不同。例如，不可能计算流中的所有元素，因为流通常是无限的（无界）。相反，流上的聚合（计数，总和等）由窗口限定，例如“在最后5分钟内计数”或“最后100个元素的总和” 。

窗口可以是时间驱动的（例如：每30秒）或数据驱动（例如：每100个元素）。人们通常区分不同类型的窗口，例如翻滚窗口（没有重叠），滑动窗口（具有重叠）和会话窗口（由不活动间隙打断）。

| 时间概念

当在流程序中引用时间（例如定义窗口）时，可以参考不同的时间概念：

• 事件时间（Event Time）是事件的创建时间。它通常由事件中的时间戳来描述，例如由生产传感器或生产服务来附加。Flink通过时间戳分配器访问事件时间戳。
• 接入时间（Ingestion time）是事件在源操作员处输入Flink数据流的时间。
• 处理时间（Processing Time）是执行基于时间的操作的每个操作员的本地时间。

| 有状态计算

虽然数据流中的许多计算只是一次查看一个单独的事件（例如事件解析器），但某些操作会记住多个事件（例如窗口操作符）的信息。这些操作称为有状态。

状态计算的状态保持在可以被认为是嵌入式键/值存储的状态中。状态被严格地分区和分布在有状态计算读取的流中。因此，只有在keyBy()函数之后才能在有键的流上访问键/值状态，并且限制为与当前事件的键相关联的值。对齐流和状态的键可确保所有状态更新都是本地操作，从而保证一致性而无需事务开销。此对齐还允许Flink重新分配状态并透明地调整流分区。

| 容错检查点

Flink使用流重放和检查点(checkpointing)的组合实现容错。检查点与每个输入流中的特定点以及每个操作符的对应状态相关。通过恢复算子的状态并从检查点重放事件，可以从检查点恢复流数据流，同时保持一致性（恰好一次处理语义） 。
检查点间隔是在执行期间用恢复时间（需要重放的事件的数量）来折中容错开销的手段。
容错内部的描述提供了有关Flink如何管理检查点和相关主题的更多信息。

| 流地批处理

Flink流程序上执行批处理，其中流是有界的（有限数量的元素）。DataSet在内部被视为数据流。因此，上述概念以相同的方式应用于批处理程序，并且除了少数例外它们适用于流程序：

• 批处理程序的容错不使用检查点(checkpointing)。通过完全重放流来进行恢复。因为输入有限所以是可行的。这会使成本更多地用于恢复，但使常规处理更代价更低，因为它避免了检查点。
• DataSet API中的有状态操作使用简化的内存/核外数据结构，而不是键/值索引。
• DataSet API引入了特殊的同步（超级步骤）迭代，这些迭代只能在有界流上进行。

| 上期回顾

初识Apache Flink - 数据流上的有状态计算

【扫码关注】
最新大数据系列教程

公众号：从入门到精通

（从入门到精通 - 每天一期新知识）