Apache Flink源码解析 DataStream API

https://www.jianshu.com/p/a3f43f861a42?utm_source=oschina-app

概述

这篇文章是但不仅仅是官方文档的中文翻译，还有里面每一个方法对应的Transformation和运行时对Task的影响。

Prerequisites

• 关于算子想说的有很多，都在上一篇文章里，在这篇文章中，把算子理解为包含了一个函数（Flink实现的或自己实现的，比如MapFunction，FilterFunction）的持续获得输入并且将结果输出出去的任务就好。
• 图中的Task表示一个节点，或者说是一个TaskManager中一个Slot执行的任务
• 流程图中红色代表这个方法在生成Transformation和实际运行时对Task产生的影响

DataStream

• Map

  • 消费一个元素并产出一个元素
  • 参数 MapFunction
  • 返回DataStream
  • 例子：

  DataStream dataStream = //...
  dataStream.map(new MapFunction() {
      @Override
      public Integer map(Integer value) throws Exception {
          return 2 * value;
      }
  });
  

  • Transformation: 生成一个OneInputTransformation并包含StreamMap算子

     

    StreamMapTransformation

  • Runtime:

     

    StreamMapTask

• FlatMap

  • 消费一个元素并产生零到多个元素
  • 参数 FlatMapFunction
  • 返回 DataStream
  • 例子：

  dataStream.flatMap(new FlatMapFunction() {
      @Override
      public void flatMap(String value, Collector out)
          throws Exception {
          for(String word: value.split(" ")){
              out.collect(word);
          }
      }
  });
  

  • Transformation: 生成一个OneInputTransformation并包含StreamFlatMap算子

     

    StreamFlatMapTransformation

  • Runtime：

     

    StreamFlatMapTask

• Filter

  • 根据FliterFunction返回的布尔值来判断是否保留元素，true为保留，false则丢弃
  • 参数 FilterFunction
  • 返回DataStream
  • 例子：

  dataStream.filter(new FilterFunction() {
      @Override
      public boolean filter(Integer value) throws Exception {
          return value != 0;
      }
  });
  

  • Transformation：生成一个OneInputTransformation并包含StreamFilter算子

     

    StreamFilterTransformation

  • Runtime：

     

    StreamFilterTask

• KeyBy

  • 根据指定的Key将元素发送到不同的分区，相同的Key会被分到一个分区（这里分区指的就是下游算子多个并行的节点的其中一个）。keyBy()是通过哈希来分区的。
  • 只能使用KeyedState（Flink做备份和容错的状态）
  • 参数 String，tuple的索引，覆盖了hashCode方法的POJO，不能使数组
  • 返回KeyedStream
  • 例子：

  dataStream.keyBy("someKey") // Key by field "someKey"
  dataStream.keyBy(0) // Key by the first element of a Tuple
  

  • Transformation: KeyBy会产生一个PartitionTransformation，并且通过KeySelector创建一个KeyGroupStreamPartitioner，目的是将输出的数据分区。此外还会把KeySelector保存到KeyedStream的属性中，在下一个Transformation创建时时将KeySelector注入进去。

     

    KeyByTransformation

  • Runtime: 生成StreamGraph时会将PartitionTransformation中的Partitioner 注入到StreamEdge当中，此外还会在下一个StreamNode创建过程中注入KeySelector用于提取元素的Key。之后将Partitioner注入StreamRecordWriter中用于将上一个Task的输出元素指定到某一个ResultSubParition中，此外KeySelector也被注入到下一个Task的算子当中。

     

    KeyBy Runtime

• WindowAll

  • 将元素按照某种特性聚集在一起（如时间：滑动窗口，翻转窗口，会话窗口，又如出现次数：计数窗口）
  • 参数 WindowAssigner
  • 返回 AllWindowedStream
  • 例子：

  dataStream.windowAll(TumblingEventTimeWindows.of(Time.seconds(5))); // Last 5 seconds of data
  

  • Transformation：返回AllWindowedStream，不产生Transformation，详情见AllWindowedStream
  • Runtime：详情见AllWindowedStream

• Union

  • 将两个或多个datastream合并，创造一个新的流包含这些datastream的所有元素
  • 参数DataStream（一个或多个）
  • 返回UnionStream
  • 例子：

  dataStream.union(otherStream1, otherStream2, ...);
  

  • Transformation: 从所有相关的stream中获取Transformation并注入到UnionTransformation的inputs中

     

    UnionTransformation

  • Runtime：这些Inputs会在下一个Transformation创建时被作为Input来穿件StreamEdge，如果上下游并行度一致则会生成ForwardPartitioner，不一致则是RebalancePartitioner。由于Partitioner是在处理下游Transformation生成的，所以这里没有图。

• Join

  • 将两个DataStream按照key和window join在一起
  • 参数：1. KeySelector1 2. KeySelector2 3. DataStream 4. WindowAssigner 5. JoinFunction/FlatJoinFunction
  • 返回DataStream
  • 例子：

  dataStream.join(otherStream)
      .where().equalTo()
      .window(TumblingEventTimeWindows.of(Time.seconds(3)))
      .apply (new JoinFunction () {...});
  

  • Transformation：1. 调用join方法后生成JoinedStream，JoinedStream保存了两个input 2. 调用where方法生成一个内部类Where对象，注入KeySelector1 3. 调用equalTo生成内部类EqualTo对象，注入KeySelector2 4. 调用window升成内部静态类WithWindow，并且注入WindowAssigner（在该对象中还可以注入Trigger和Evictor 5. 最后调用apply方法将（Flat)JoinFunction注入并且用一个(Flat)JoinCoGroupFunction封装起来，而在这一步会将所有注入的对象用在coGroup上。详情见下一个Window CoGroup的解析。
  • Runtime： 与Window CoGroup相同，详情见下一个WIndow CoGroup解析

• Window CoGroup

  • 根据Key和window将两个DataStream的元素聚集在两个集合中，根据CoGroupFunction来处理这两个集合，并产出结果
  • 参数 1. DataStream 2. KeySelector1 3. KeySelector2 4. WindowAssigner 5. CoGroupFunction
  • 返回DataStream
  • 例子：

  dataStream.coGroup(otherStream)
      .where(0).equalTo(1)
      .window(TumblingEventTimeWindows.of(Time.seconds(3)))
      .apply (new CoGroupFunction () {...});
  

  • Transformation：生成一个TaggedUnion类型和unionKeySelector，里面分别包含了两个流的元素类型和两个流的KeySelector。将两个流通过map分别输出为类型是TaggedUnion的两个流（map详情见StreamMap），再Union在一起（详情见Union），再使用合并过后的流和unionKeySelector生成一个KeyedStream（详情见KeyBy），最后使用KeyedStream的window方法并传入WindowAssigner生成WindowedStream，并apply CoGroupFunction来处理（详情见WindowedStream Apply方法）。总体来说，Flink对这个方法做了很多内部的转换，最后生成了两个StreamMapTransformation，一个PartitionTransformation和一个包含了WindowOperator的OneInputTransformation。

     

    CoGroupTransformation

  • Runtime：参考每个Transformation对应的Runtime情况

• Connect

  • 将两个DataStream连接在一起，使得他们之间可以共享状态
  • 参数 DataStream
  • 返回ConnectedStreams
  • 例子：

  DataStream someStream = //...
  DataStream otherStream = //...
  
  ConnectedStreams connectedStreams = someStream.connect(otherStream);
  

  • Transformation：在这一步会生成一个包含了两个DataStream的ConnectedStreams对象，不会有Transformation产生。详情见后续ConnectedStreams的API详解。

• Split

  • 按照一个规则将一个流的元素产出到两个或多个支流（每个元素可以发送到不止一个支流）
  • 参数 OutputSelector
  • 返回 SplitStream
  • 例子：

  SplitStream split = someDataStream.split(new OutputSelector() {
      @Override
      public Iterable select(Integer value) {
          List output = new ArrayList();
          if (value % 2 == 0) {
              output.add("even");
          }
          else {
              output.add("odd");
          }
          return output;
      }
  });
  

  • Transformation：在这一步会生成一个SplitTransformation，里面包含了OutputSelector。

     

    SplitTransformation

  • Runtime: 在生成StreamGraph时找到父Transformation，并将OutputSelector注入到父StreamNode中。生成JobGraph的时候在注入到对应的JobNode中，最后在运行时封装到OperatorChain的OutputCollector中并且注入算子。

     

    SplitRuntime

• Iterate

  • 通过将一个算子的输出重定向到某个输入Operator上来创个一个循环。非常适合用来持续更新一个模型。
  • 过程 DataStream → IterativeStream → DataStream
  • 例子：

  IterativeStream iteration = initialStream.iterate();
  DataStream iterationBody = iteration.map (/*do something*/);
  DataStream feedback = iterationBody.filter(new FilterFunction(){
      @Override
      public boolean filter(Integer value) throws Exception {
          return value > 0;
      }
  });
  iteration.closeWith(feedback);
  DataStream output = iterationBody.filter(new FilterFunction(){
      @Override
      public boolean filter(Integer value) throws Exception {
          return value <= 0;
      }
  });              
  

  • Iterate不展开讲解

• ExtractTimestamps

  • 从元素中提取timestamp来用作事件时间（EventTime）。
  • 参数 TimeStampExtractor
  • 返回 DataStream
  • 例子：

  stream.assignTimestamps (new TimeStampExtractor() {...}); 
  

  • Transformation：assignTimestamps会将TimeStampExtractor注入进刚创建的ExtractTimestampsOperator，再通过ExtractTimestampsOperator生成一个OneInputTransformation

     

    ExtractTimestampsTransformation

  • Runtime：

     

    ExtractTimestampsTask

• Project

  • 如果元素是Tuple，直接通过index提取出Tuple中的字段组成新的Tuple，并产出结果
  • 参数 Tuple中的index（int， 一个或多个）
  • 返回 DataStream
  • 例子：

  DataStream> in = // [...]
  DataStream> out = in.project(2,0);
  

  • Transformation：生成一个OneInputTransformation并包含StreamProjection算子

     

    StreamProjectionTransformation

  • Runtime

     

    StreamProjectionTask

• Custom partitioning

  • 通过用户定义的流分区器（Partitioner）将每个元素传输到指定的subtask
  • 参数 Partitioner， Tuple索引/POJO属性名/KeySelector
  • 返回 DataStream
  • 例子：

  dataStream.partitionCustom(partitioner, "someKey");
  dataStream.partitionCustom(partitioner, 0);
  

  • Transformation：partitionCustom类似于KeyBy，不过partitioner是由自己定制并且输出的不是KeyedStream。首先会通过KeySelector和用户实现的Partitioner生成一个CustomPartitionerWrapper（StreamPartitioner），再讲它注入到PartitionTransformation。

     

    CustomPartitioningTransformation

  • Runtime：将Partitioner注入StreamRecordWriter中用于将上一个Task的输出元素指定到某一个ResultSubParition中

     

    CustomPartitioningTask

• Random partitioning

  • 将元素按照均匀分布打散到下游
  • 返回 DataStream
  • 例子：

  dataStream.shuffle();
  

  • Transformation: 将partitioner换成ShufflePartitioner，其余同上
  • Runtime：同上

• Rebalancing (Round-robin partitioning)

  • 通过轮询调度（Round-robin）将元素均匀的分配到下游
  • 返回 DataStream
  • 例子

  dataStream.rebalance();
  

  • Transformation: 将partitioner换成RebalancePartitioner，其余同上
  • Runtime：同上

• Rescaling

  • 通过轮询调度将元素从上游的task一个子集发送到下游task的一个子集
  • 返回 DataStream
  • 原理：第一个task并行度为2，第二个task并行度为6，第三个task并行度为2。从第一个task到第二个task，Src的子集Src1 和 Map的子集Map1，2，3对应起来，Src1会以轮询调度的方式分别向Map1，2，3发送记录。从第二个task到第三个task，Map的子集1，2，3对应Sink的子集1，这三个流的元素只会发送到Sink1。
    假设我们每个TaskManager有三个Slot，并且我们开了SlotSharingGroup，那么通过rescale，所有的数据传输都在一个TaskManager内，不需要通过网络。

  • rescale.png

  • 例子

  dataStream.rescale();
  

  • Transformation: 将partitioner换成RescalePartitioner，其余同上
  • Runtime：同上

• Broadcasting

  • 将元素广播到每个分区
  • 返回DataStream
  • 例子：

  dataStream.broadcast();
  

KeyedStream

• Reduce

  • 根据ReduceFunction将元素与上一个reduce后的结果合并，产出合并之后的结果。
  • 参数 ReduceFunction
  • 返回 DataStream
  • 例子：

  keyedStream.reduce(new ReduceFunction() {
      @Override
      public Integer reduce(Integer value1, Integer value2)
      throws Exception {
          return value1 + value2;
      }
  });
  

  • Transformation：生成一个OneInputTransformation并包含StreamGroupedReduce算子

     

    KeyedReduceTransformation

  • Runtime：

     

    KeyedReduceTask

• Fold

  • 根据FoldFunction和初始值，将元素与上一个fold过后的结果合并，产出合并之后的结果。
  • 参数 FoldFunction
  • 返回 DataStream
  • 例子：

  DataStream result =
    keyedStream.fold("start", new FoldFunction() {
      @Override
      public String fold(String current, Integer value) {
          return current + "-" + value;
      }
    });
  

  • Transformation：将StreamGroupedReduce换成StreamGroupedFold，其余同Reduce
  • Runtime：将StreamGroupedReduce换成StreamGroupedFold，其余同Reduce

• Aggregations

  • Flink实现的一系列聚合方法，具体作用由方法名就可以得知
  • 返回 DataStream
  • 例子：

  keyedStream.sum(0);
  keyedStream.sum("key");
  keyedStream.min(0);
  keyedStream.min("key");
  keyedStream.max(0);
  keyedStream.max("key");
  keyedStream.minBy(0);
  keyedStream.minBy("key");
  keyedStream.maxBy(0);
  keyedStream.maxBy("key");
  

  • Transformation：StreamGroupedReduce里注入了Flink内置的Aggregation方法实现，同Reduce
  • Transformation：同Reduce

• Window

  • 窗口将同一个key的元素按照某种特性聚集在一起（如时间：滑动窗口，翻转窗口，会话窗口，又如出现次数：计数窗口）
  • 返回WindowedStream
  • 参数WindowAssigner
  • 例子：

  dataStream.window(TumblingEventTimeWindows.of(Time.seconds(5))); // Last 5 seconds of data
  

  • Transformation: 生成一个WindowedStream，不产生Transformation，详情见WindowedStream详解
  • Runtime：详情见WindowedStream

• Interval Join

  • 给定一个时间间隔，将两个流中的元素按照key来做join
  • 满足条件e1.timestamp + lowerBound <= e2.timestamp <= e1.timestamp + upperBound
  • 参数 1. KeyedStream 2. Time: LowerBound and UpperBound 3. boolean(optional) 4. boolean(optional) 5. IntervalJoinFunction
  • 返回DataStream
  • 例子：

  // this will join the two streams so that
  // key1 == key2 && leftTs - 2 < rightTs < leftTs + 2
  keyedStream.intervalJoin(otherKeyedStream)
      .between(Time.milliseconds(-2), Time.milliseconds(2)) // lower and upper bound
      .upperBoundExclusive(true) // optional
      .lowerBoundExclusive(true) // optional
      .process(new IntervalJoinFunction() {...});
  

WindowedStream

• Apply

  • 使用WindowFunction对window重的元素做处理（例如聚合操作）并产出结果
  • 参数 WindowFunction
  • 返回 DataStream
  • 例子：

  windowedStream.apply (new WindowFunction, Integer, Tuple, Window>() {
      public void apply (Tuple tuple,
              Window window,
              Iterable> values,
              Collector out) throws Exception {
          int sum = 0;
          for (value t: values) {
              sum += t.f1;
          }
          out.collect (new Integer(sum));
      }
  });
  

  • Transformation：

     

    WindowApplyTransformation

  • Runtime：

     

    WindowApply Task

• Reduce

  • 根据ReduceFunction将窗口中的元素按照key和window合并，并产出结果
  • 参数 ReduceFunction
  • 返回DataStream
  • 例子

  windowedStream.reduce (new ReduceFunction>() {
      public Tuple2 reduce(Tuple2 value1, Tuple2 value2) throws Exception {
          return new Tuple2(value1.f0, value1.f1 + value2.f1);
      }
  });
  

  • Transformation：基本同上，将ReduceFunction注入到WindowOperator中（具体注入方式要看有没有evictor，这边不作赘述）。
  • Runtime：同上

• Aggregations

  • Flink实现的一系列聚合方法，具体作用由方法名就可以得知，需要注意的是他们被分别作用在按key和window分割过后的元素集合上
  • 返回 DataStream
  • 例子：

  windowedStream.sum(0);
  windowedStream.sum("key");
  windowedStream.min(0);
  windowedStream.min("key");
  windowedStream.max(0);
  windowedStream.max("key");
  windowedStream.minBy(0);
  windowedStream.minBy("key");
  windowedStream.maxBy(0);
  windowedStream.maxBy("key");
  

  • Transformation：WindowOperator里注入了Flink内置的Aggregation方法实现，其余同上
  • Runtime：同上

AllWindowedStream

• Apply

  • 使用WindowFunction对window重的元素做处理（例如聚合操作）并产出结果
  • 与WindowedStream的区别在于是否有key
  • 参数 WindowFunction
  • 返回 DataStream
  • 例子

  // applying an AllWindowFunction on non-keyed window stream
  allWindowedStream.apply (new AllWindowFunction, Integer, Window>() {
      public void apply (Window window,
              Iterable> values,
              Collector out) throws Exception {
          int sum = 0;
          for (value t: values) {
              sum += t.f1;
          }
          out.collect (new Integer(sum));
      }
  });
  

  • Transformation：AllWindowedStream.apply()与WindowedStream.apply()基本是一致的，只是没有KeySelector
  • Runtime：通WindowedStream.apply()

ConnectedStreams

• CoMap, CoFlatMap

  • 同时对两个流进行Map或FlatMap操作
  • 参数 CoMapFunction, CoFlatMapFunction
  • 返回 DataStream
  • 例子：

  connectedStreams.map(new CoMapFunction() {
      @Override
      public Boolean map1(Integer value) {
          return true;
      }
      
      @Override
      public Boolean map2(String value) {
          return false;
      }
  });
  connectedStreams.flatMap(new CoFlatMapFunction() {
  
     @Override
     public void flatMap1(Integer value, Collector out) {
         out.collect(value.toString());
     }
  
     @Override
     public void flatMap2(String value, Collector out) {
         for (String word: value.split(" ")) {
           out.collect(word);
         }
     }
  });
  

  • Transformation：ConnectedStream并不会产生Transformation，只会保存两个Input DataStream，从inputs中的DataStream获取父Transformation，并生成一个CoStream(Flat)Map算子。KeySelector依赖于父Transformation注入（如果是PartitionTransformation的话）。

     

    Co(Flat)MapTransformation

  • Runtime: Task会具体负责调用processElement1方法还是processElement2方法。

     

    CoStream(Flat)MapTask

SplitStream

• Select

  • 根据SplitStream中OutputSelector设定的规则获取一个或多个DataStream
  • 参数 OutputNames
  • 返回 DataStream
  • 例子：

  SplitStream split;
  DataStream even = split.select("even");
  DataStream odd = split.select("odd");
  DataStream all = split.select("even","odd");
  

  • Transformation：生成SelectTransformation，里面包含了OutputSelector

     

    SelectTransformation

  • Runtime：生成StreamGraph时会将OutputNames注入到新生成的StreamEdge中，然后注入到对应的JobEdge中，最后用它来生成OutputCollector中的outputMap，发送消息时根据相应的selectedName发送到相应的下游Task

     

    Select Runtime

作者：铛铛铛clark
链接：https://www.jianshu.com/p/a3f43f861a42
來源：简书
简书著作权归作者所有，任何形式的转载都请联系作者获得授权并注明出处。