没有java基础能学flink



写在前面

最近一段时间都没有更新博客了，原因有点离谱，在实现flink的两阶段提交的时候，每次执行自定义的notifyCheckpointComplete时候，好像就会停止消费数据，完成notifyComplete后再消费数据；基于上述原因，开始了一些奇奇怪怪的探索…

存在问题：
1、JobMaster的提交过程，在ResourceManager上，但是为什么会用到zookeeper；–》高可用
2、执行图是否会放到Checkpoint里面，–》目前没有分析，背景是SQL添加字段后，ck就无法使用了
3、本地快照和远程快照的区别，回顾一下Checkpoint的过程—》flink本身支持本地快照和远程快照，其目的自然不言而喻；

总结：

1. 之前一直不理解flink为什么好像和kafka总是有一种莫名其妙的联系，其实flink=通过mailbox处理数数据的过程本身就利用了消息队列的思想
2. 源码剖析，通过对整个集群启动，执行图的转换，Task的启动，Checkpoint过程了解，这部分大量运用到了并发编程的知识，真的强；
3. 下一阶段，先把优秀的源码Copy一遍，java基础搞起来；flink历史版本的重大变更也需要看一下；

1.Flink集群启动

1.1.Flink RPC详解

Flink的RPC实现：基于Scala的网络编程库：Akka

1. ActorSystem是管理Actor生命周期的组件，Actor是负责进行通信的组
2. 每个Actor都有一个Mailbox，别的Actor发送给它的消息都首先存储在Mailbox中，通过这种方式可以实现异步通信；
3. 每个Actor是单线程的处理方式，不断的从Mailbox拉取消息执行处理，所以对于Actor的消息处理，不适合调用会阻塞的处理方法。
4. Actor可以改变他自身的状态，可以接收消息，也可以发送消息，还可以生成新的Actor
5. 每一个ActorSystem和Actor都在启动的时候会给定一个name，如果要从ActorSystem中，获取一个Actor，则通过以下的方式来进行Actor的获取：akka.tcp://asname@bigdata02:9527/user/actorname
6. 如果一个 Actor 要和另外一个 Actor进行通信，则必须先获取对方 Actor 的 ActorRef 对象，然
   后通过该对象发送消息即可。
7. 通过 tell 发送异步消息，不接收响应，通过 ask 发送异步消息，得到 Future 返回，通过异步回到
   返回处理结果。

1. RpcGateway：路由，RPC的老祖宗，其他个RPC组件，都是RpcGateWay的子类
2. RpcServer：RpcService 和 RpcEndpoint 之间的粘合层
3. RpcEndpoint： 业务逻辑载体，对应的 Actor 的封装
4. RpcService：对应ActorSystem的封装
   

RpcEndpoint下面有四个比较重要的子类：TaskExecutor、Dispatcher、JobMaster、ResourceManager

1.2.Flink集群启动脚本分析

Flink 集群的启动脚本在：flink-dist 子项目中，位于 flink-bin 下的 bin 目录：启动脚本为：startcluster.sh
该脚本会首先调用 config.sh 来获取 masters 和 workers，masters 的信息，是从 conf/masters 配置
文件中获取的， workers 是从 conf/workers 配置文件中获取的。然后分别：

1. 通过 jobmanager.sh 来启动 JobManager
2. 通过 taskmanager.sh 来启动 TaskManager

他们的内部，都通过 flink-daemon.sh 脚本来启动 JVM 进程，分析 flink-daemon.sh 脚本发现：

1. JobManager 的启动参数：standalonesession，实现类是：StandaloneSessionClusterEntrypoint
2. TaskManager 的启动参数：taskexecutor，实现类是：TaskManagerRunner

1.3.Flink主节点JobManager启动分析

JobManager是Flink集群的主节点，它包含三大重要的组件：

1. ResourceManager：Flink的集群资源管理器，只有一个，关于Slot的管理和申请等工作，都由他负责
2. Dispatcher：负责接收用户提交的JobGraph，然后启动一个JobMaster
3. JobMaster：负责一个具体的Job的执行，在一个集群中，可能会有多个JobMaster同时执行，类似于 YARN集群中的 AppMaster 角色，类似于 Spark Job 中的 Driver 角色
4. WebMonitorEndpoint：里面维护了很多的handler，如果客户端通过flink run的方式提交一个Job到Flink集群，最终，是由WebMonitorEndpoint来接收，并且决定使用哪一个handler来执行处理，如：

根据以上的启动脚本分析：JobManager的启动主类：StandaloneSessionClusterEntrypoint

第一步，initializeServices()中做了很多服务组件的初始化：

第二步， createDispatcherResourceManagerComponentFactory(configuration)中负责初始化了很多组件的工厂实例；

第三步，dispatcherResourceManagerComponentFactory.create(…)中主要去创建三个重要的组件：

1.4.Flink从节点TaskManager启动分析

TaskManager：This class is the executable entry point（入口点） for the task manager in yarn or standalone mode.

TaskManager上的基本资源单位是Slot，一个作业的Task最终会部署在一个TaskManager的Slot上运行，TaskManager会维护本地的Slot资源列表，并与JobMaster和JobManager通信

根据以上的加班启动分析：TaskManager的启动主类：TaskManagerRunner

2. Flink 应用程序的提交

2.1.Flink Program编程流程总结

Flink底层提供了一个功能完善且复杂的分布式流式计算引擎，但是上层的应用API却很简单，简单来说，把整个Flink应用程序的编写，抽象成三个方面：

• 执行环境 ExecutionEnvironment
• 数据抽象 DataSet DataStream
• 逻辑操作 Source Transformation Sink

所以Flink的应用程序在编写的时候，基本是一个简单的统一套路：

在Flink应用程序中，其实所有的操作，都是StreamOperator，分为SourceOperator，SinkOperator，StreamOperator，然后能被优化的Operator就会Chain在一起，形成一个OperatorChain。
基本路数，和Spark一致，并且，在Flink-1.13版本后，将会完全统一批处理的API。
三个类似的概念：

1. Function：函数
2. Operator：对Function的封装
3. Transformation：等价于Operator的概念，Flink中，process函数底层调用的依旧是transform

2.2.Flink Job提交脚本解析-Session模式

2.3.CliFronted提交分析

1. 根据Flink后面的执行命令来确定执行方法（run===>run(params)）
2. 解析main参数，构建PackageProgram，然后执行PackageProgram
3. 通过反射获取应用程序的main方法的实例，通过反射调用执行起来

总得来说，就是准备执行Program所需要的配置，jar包，运行主类等的必要信息，然后提交执行。

2.4.ExecutionEnvironment源码解析

Flink应用程序的执行，首先就是创建运行环境StreamExecutionEnvironment，一般在企业环境中，都是通过getExecutionEnvironment()来获取ExecutionEnvironment，如果是本地运行的话，则会获取到：LocalStreamEnvironment，如果是提交到Flink集群运行，则获取到：StreamExecutionEnvironment。

StreamExecutionEnvironment是Flink应用程序的执行入口，提供了一些重要的操作机制（包括但不限于）：

1. 提供了readTextFile()，socketTextStream()，createInput()，addSource()等方法去对接数据源
2. 提供了setParallelism()设置程序的并行度
3. StreamExecutionEnvironment管理了ExecutionConfig对象，该对象负责Job执行的一些行为配置管理
4. StreamExecutionEnvironment管理了一个List<Transformation<?>> transformations 成员变量，该成员变了，主要用于保持Job的各种算子转化得到的Transformation，把这些Transformation按照逻辑拼接起来，就能得到StreamGraph(Transformation–>StreamOperator–>StreamNode)
5. StreamExecutionEnvironment提供了execute()方法用于提交Job执行，该方法接收的参数就是：StreamGraph

2.5.Job提交流程源码分析

核心流程如下：

第一步：getStreamGraph(jobName)生成StreamGraph解析

transform(transformation)的内部实现：

第二步：execute(StreamGraph)解析

继续提交：

最终通过Channel把请求数据，发给 WebMonitorEndpoint 中的 JobSubmitHandler 来执行处理。

2.6.Flink Graph演变

Flink的一个job，本质还是构建一个高效率的能用于分布式执行的DAG执行图。

1. 帮我们把上下游两个相邻算作如果能Chain到一起，则Chain到一起做优化
2. Chain到一起的多个Operator就会组成一个OperatorChain，当OperatorChain执行的时候，到底要执行多少个Task，则需要把DAG进行并行化变成实实在在的Task来调度执行。

一个Flink流式作业，从Client提交到Flink集群，到最后执行，总共会经历四种不同的状态。总得来说：

1. Client 首先根据用户编写的代码生成StreamGraph，然后把StreamGraph构建成JobGraph交给Flink集群主节点
2. 然后启动的JobMaster在接收到JobGraph后，会对其进行并行化生成ExecutionGraph后调度启动StreamTask执行。
3. StreamTask并行化的运行在Flink集群中，就是最终的物理执行图状态结构。

没有java基础能学flink

• JobGraph中，数据从上一个Operator（JobVertex）流到下一个Operator（JobVertex）的过程中，上游作为生产者提供了IntermediateDataSet，而下游作为消费者需要JobEdge。事实上，JobEdge是一个通信管道，连接了上游生产的dataset和下游的JobVertex节点。【注：优化算子链以提高效率】
• 在JobGraph转换到ExecutionGraph的过程中，主要发生了以下转变：
  1.加入了并行度的概念，成为真正可调度的图结构；
  2.生成了与JobVertex对应的ExecutionJobVertex，ExecutionVertex；与IntermediateDataSet对应的IntermediateResult和IntermediateResultPartition；并行将通过这些类实现
• ExecutionGraph已经可以用于调度任务。Flink根据该图生成了一一对应的Task，每个Task对应一个ExecutionGraph的一个Execution。Task用InputGate、InputChannel和ResultPartition对对应了上面图中IntermediateResult和ExecutionEdge。

1. StreamGraph是对用户逻辑的映射
2. JobGraph在StreamGraph基础上进行了一些优化，比如吧一部分操作串成Chain以提高效率
3. ExecutionGraph是为了调度存在的，加入了并行处理的概念
4. 物理执行结构，真正执行的是Task及其相关结构。

2.6.1.StreamGraph构建和提交源码解析

1. StreamNode：用来代表Operator的类，并具有所有相关的配置，如并发度、入边和出边等。
2. StreamEdge：表示连接两个StreamNode的边。

源码核心代码入口：

StreamGraph生成过程中，生成StreamNode的代码入口：

StreamGraph生成过程中，生成StreamEdge的代码入口：

2.6.2.JobGraph构建和提交源码解析

1. JobVertex：经过优化后符合条件的多个StreamNode可能会Chain子啊一起生成一个JobVertex，即一个JobVertex包含一个或多个Operator，JobVertex的输入是JobEdge，输出是IntermediateDataSet。
2. IntermediateDataSet：表示JobVertex的输出，即经过Operator处理产生的数据集。
   producer是JobVertex，consumer是JobEdge。
3. JobEdge：代表了Job Graph中的一条数据传输通道。Source是IntermediateDataSet，target事故JobVertex，即数据通过JobEdge由InterMediateDataSet传递给目标JobVertex。

源码核心代码入口：

注：这里的Pipeline其实本质上就是StreamGraph

经过层层递进：

在StreamGraph构建JobGraph的过程中，最重要的事情就是Operator的Chain优化，那么到底什么情况下的Operator能Chain在一起呢？

2.6.3.ExecutionGraph构建和提交源码解析

1. ExecutionJobVertex：和JobGraph中的JobVertex一一对应；每一个ExecutionJobVertex都有和并发度一样的ExecutionVertex。
2. ExecutionVertex：表示ExecutionJobVertex的其中一个并发子任务，输入是ExecutionEdge，输出是IntermediateResultPartition。
3. IntermediateResult：和JobGraph中IntermediateDataSet一一对应。一个IntermediateResult包含多个IntermediateResultPartition，其个数等于该Operator的并发度。
4. IntermediateResultPartition：表示ExecutionVertex的一个输出分区，producer是ExecutionVertex，consumer是若干个ExecutionEdge。
5. ExecutionEdge：表示ExecutionVertex的输入，source是IntermediateResultPartition，target是ExecutionVertex。source和target都只能是一个。
6. Execution：是执行一个 ExecutionVertex 的一次尝试。当发生故障或者数据需要重算的情况下
   ExecutionVertex 可能会有多个 ExecutionAttemptID。一个 Execution 通过ExecutionAttemptID 来唯一标识。JM和TM之间关于 task 的部署和 task status 的更新都是通过ExecutionAttemptID 来确定消息接受者。

源码核心代码入口：

在SchedulerBase这个类的内部，有两个成员变量：一个是JobGraph，一个是ExecutionGraph；
在创建SchedulerBase这个类的子类：DefaultSchedule的实例对象的时候，会再SchedulerBase的构造方法中去生成ExecutionGraph。
源码核心流程：

2.6.4.物理执行图

1. Task：Execution被调度后再分配的TaskManager中启动对应的Task，Task包裹了具有用户执行逻辑的Operator。
2. ResultPartition：A result partition for data produced by a single task.
3. ResultSubpartition：A single subpartition of a {@link ResultPartition} instance.
4. InputGate：An input gate consumes one or more partitions of a single produced intermediate result.
5. InputChannel：An input channel consumes a single {@link ResultSubpartitionView}.

2.7.WebMonitorEndpoint处理RetClient的JobSubmit请求

Dispatcher的提交执行逻辑：

接着上面的过程继续：

接着继续申请Slot然后部署：

3.1.Slot管理（申请和释放）源码解析

大体上，分为四个大步骤：

1. JobManager发送请求申请Slot
2. ResourceManager接收到请求，执行Slot请求处理
3. TaskManager处理ResourceManager发送过来的Slot请求
4. JobMaster接收到TaskManager发送过来的Slot申请处理结果

4.1.StreamTask初始化和执行

4.1.1.TaskExecutor执行一个Task

TaskExecutor接收提交Task执行的请求，则调用：

在该方法的内部，会封装一个Task对象，在Task的构造方法中，也做了一些相应的初始化动作：

4.1.2.SourceStreamTask和StreamTask初始化

前提知识：在最开始一个Job提交到Flink standalone集群运行的时候，在client构建StreamGraph（顶点是StreamNode，边是StreamEdge）的时候，会根据用户调用的算子生成Transformation为StreamGraph生成StreamNode，在生成StreamNode的时候，会通过OperatorFactory执行判断，如果该StreamOperator是StreamSource的时候，就会指定该StreamTask的invokableClass为SourceStreamTask，否则为（OneInputStreamTask，TwoInputStreamTask，StreamTask），核心代码如下：

因此，当ExecutionVertex真正被提交到TaskExecutor中运行的时候，被封装的Execution对应的Task类的启动类AbstractInvokeable就是在构建StreamGraph的时候指定的对应的invokableClass。即：

1. 如果启动SourceStreamTask，则启动类是：SourceStreamTask
2. 如果启动非SourceStreamTask，则启动类是StreamTask

拉起ResultPartitionWriter和InputGate的时候到底是怎么做的？

然后跳转到重载构造：

其中在SourceStreamTask的processInput()方法中，主要是启动接收数据的线程LegacySourceFunctionThread；在执行构造方法完毕后，LegacySourceFunctionThread已经初始化好了，但是 headOperator 还是null，所以，LegacySourceFunctionThread 还未真正启动。

4.1.3.SourceStreamTask和StreamTask执行

接下来要进入到StreamTask.invoke()方法执行，核心分为四个步骤：

在beforeInvoke()中，主要初始化OperatorChain，然后调用init()执行初始化，然后恢复状态，更改Task的状态isRuning=true；
在runMailboxLoop()中，主要是不停的处理mail，是Flink-1.10的改进，使用了mailbox模型来处理任务；
参考链接：http://matt33.com/2020/03/20/flink-task-mailbox/
在afterInvoke()中，主要是完成Task要结束之前需要完成的一些细节，比如，把buffer中的数据flush；
最后，在cleanUpInvoke()主要做一些资源的释放，执行各自关闭动作：set false，interrupt，shutdown，close，cleanup，dispose等；

首先看ChainOperator的初始化，首先会为每个Operator创建一个RecordWriterOutput，再为每个Operator创建一个OutputCollector；然后把每一个Operator都包装成OperatorWrapper放入List< StreamOperatorWrapper > allOpWrappers集合中。最后调用linkOperatorWrappers(allOpWrappers)方法以逻辑正序的方式来构建StreamOperator的链式关系。

然后就是init()方法，对于SourceStreamTask来说，就是看Source是不是ExternallyInduceSource，如果是，则注册一个savepoint钩子。对于OneInputStreamTask来说，主要就是创建CheckpointedInputGate，StreamTaskNetworkOutput，StreamTaskNetworkInput，StreamOneInputProcessor用来进行shuffle相关的数据传输。
到此为止，Task初始化和预执行相关的，都基本到位了，然后就开始我们的SourceStreamTask的HeadOperator的数据接收线程，开始流式处理。
核心代码入口：

4.2~4.3.State和Checkpoint的过程剖析

首先明确一个观点，Statebackend核心的工作是管理State（生命周期），State是用于状态数据，Checkpoint是实现快照的过程

1. 假定现在一个Task在正常的处理数据，即从mailBox中不断的取出数据，处理数据；更新该Task的State，如：KeyedState通过CopyOnWriteMap实现状态更新，但是本身受到HashMapStateBackend管理，
2. TaskManager接收到JobMaster发送的checkpoint请求，向SourceTask注入barrier，barrier首先会进入mailbox，处理完成后开始准成Checkpoint，完成的工作：
   1. 广播当前barrier到下游StreamTask
   2. 启动一个异步线程AsyncCheckpointRunnable完成快照，这个过程Task会继续处理数据；
3. Task完成Checkpoint后，汇报JobManager完成了Checkpoint，JobManager通知Task完成Checkpoint（不是等所有Task完成后再通知），会在StreamTask的notifyCheckpointOperation方法中，产生一个command（可以理解为mailbox的Task，优先级为MAX_PRIORITY）完成notifyCheckpointComplete

其实Checkpoint过程本身说复杂不负责，但是对于每一个步骤的细节如何，似乎单纯死记硬背不是一个好的建议，下面给出网上一些大佬的帖子，真的再次感谢各位大佬对源码的分析：
Flink 源码阅读笔记（10）- State 管理
AsyncCheckpointRunnable
怎么理解flink的异步检查点机制
Flink 基于 MailBox 实现的 StreamTask 线程模型
Flink Mailbox模型
Apache Flink and the input data reading
分布式数据流的轻量级异步快照
论文阅读-Lightweight Asynchronous Snapshots for Distributed Dataflows

4.4.Checkpoint的触发

Checkpoint是Flink Default Tolerance机制的重要组成部分，Flink Checkpoint的核心类名为

4.4.1.Client端生成Checkpoint配置

Flink的应用程序，都是通过StreamExecutionEnvironment的execute()方法提交执行的，在StreamExecutionEnvironment初始化的时候，会调用：

方法来执行配置参数的初始化，其中就会涉及到：

将CheckpointConfig中的各自参数，封装成JobCheckpointingSettings对象，然后设置到JobGraph中由成员变量snapshotSettings来进行保存。

4.4.2.Checkpoint CheckpointCoordinator启动源码详解

然后再ExecutionGraphBuilder构建ExecutionGraph的时候，会生成CheckpointCoordinatorConfiguration对象，来保存成JobGraph中的snapshotSettings参数，最终该交给：

1. 解析ExecutionGraph中的各种ExecutionVertex，设置到tasksToTrigger，tasksToWaitFor，tasksToCommitTo数组中
2. 注册了CheckpointFailureManager组件，用来汇总Checkpoint的统计信息。
3. 创建CheckpointFailureManager，管理Checkpoint失败后的策略
4. 创建定时器CheckpointCoordinatorTimer（ScheduledExecutorService），用于定时触发Checkpoint
5. 创建CheckpointCoordinator，并注册CheckpointCoordinatorDeActivator
   首先是CheckCoordinator的触发机制，核心入口是：

checkpointCoordinator.createActivatorDeactivator()方法返回的是一个JobStatusListener，具体实现是：CheckpointCoordinatorDeActivator，它的作用是：当监听到Job的状态为JobStatus.RUNNING的时候，就开始执行CheckpointCoordinatorDeActivator.jobStatusChanges()的回调处理。而具体的间隔时间，一般都由用户自己设置。
总结一下：

4.4.3.CheckpointCoordinator Checkpoint执行源码详解

所以，真正开始执行Checkpoint的入口是：

内部具体通过scheduleTriggerWithDelay(getRandomInitDelay())来实现调度！
其中：getRandomInitDelay()存在意义是：ScheduledExecutor timer不要一上来就执行Checkpoint，而是等一段随机事件（在minPauseBetweenCheckpoints和baseInterval + 1L之间）。ScheduledTrigger就是定时调度的一个Checkpoint触发器。
具体的minPauseBetweenCheckpoints和baseInterval是多少，就看用户的设置是多少：

接下来看调度逻辑：

1. coordinator处于shutdown状态
3. 当前有排队的Checkpoint请求
4. 当前pendingCheckpoints数量达到设定上限
5. 与上一次Checkpoint间隔小于设定的最小值，如果间隔太小，会取消并重新设定调度器
6. 如果Job的所有Source ExecutionVertex没有全处于RUNNING的状态的时候

4.4.4.Checkpoint TaskManager端处理state保存

当TaskManager接收到Checkpoint请求的时候，TaskManager端的Checkpoint分为两种情况：

1. SourceStreamTask
2. 其他StreamTask

当SourceStreamTask所在的TaskExecutor收到trigger Checkpoint消息，继续进行Checkpoint，核心入口是：

下一步调用：

下一步调用：获取Task的AbstractInvokeable。并生成CheckpointMetaData，然后执行SourceStreamTask的状态判断，继续调用Checkpoint还是取消：

经过一些跳转，最终跳转到：StreamTask

内部通过MailBox模型来调度执行，内部调用：

来触发执行Checkpoint。从这里开始，就进入到Mailbox的主线程来执行Checkpoint了。在该方法中，核心逻辑为：

在performCheckpoint()方法中，会调用：SubtaskCheckpointCoordinatorImpl的checkpointState() 执行 state 的快照！内部分为这么几个步骤：

事实上一个Job的所有Task的state的Checkpoint是由takeSnapshotSync来真正完成的。最底层会调用StreamOperatorStateHandler的snapshotState()方法来完成具体的工作，它的内部主要做三件事情：

4.4.5.Checkpoint CheckCoordinator端反馈处理

当上述，第四步完成的时候，第五步就可以对JobMaster进行Checkpoint状态汇报了。然后当TaskExecutor执行完Checkpoint之后，发送回反馈CheckCoordinator执行处理。
核心入口是：JobMaster.acknowledgeCheckpoint()方法
下面看详细流程：

4.5.Checkpoint State恢复源码剖析

JobMaster实例创建时，通过调用链：

版权声明：

本文来源网络，所有图片文章版权属于原作者，如有侵权，联系删除。

本文网址：https://www.bianchenghao6.com/h6javajc/20491.html