年薪50万前阿里工程师分享如何构建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)flink平台进程定时扫描mysql,探测到udf变化，按需实时编译class,class常驻内存

4)同时打包推送到hdfs

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.

写到这里给大数据推荐一个大数据学习群：774 666 256 ，里面有大数据学习资料，学习录屏，视频教程

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

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.

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：

private JobCompilerResult compile(Map inputs, String originSql,
 ExternalCatalog output, ResourceDTO resourceDTO,
 ClusterDTO athenaxCluster,
 Configuration flinkConf) throws Exception {
 // 解析sql
 LoggerUtil.info("to be compiled sql : [{}]", originSql);
 SqlNodeList stmts = (SqlNodeList) new CalciteSqlParser().parse(originSql);
 Validator validator = new Validator();
 validator.validateQuery(stmts);
 HashMap udfMap = validator.getUserDefinedFunctions();
 String selectSql = validator.getStatement().toString();
 List additionalResources = validator.getAdditionalResources();
 LoggerUtil.info("succeed to parse sql,result is : [{}]", stmts);
 LoggerUtil.info("udf {}", udfMap);
 LoggerUtil.info("statement {}", selectSql);
 LoggerUtil.info("additionalResources {}", additionalResources);
 // 准备编译,输出Flink的JobGraph
 LoggerUtil.info("begin to create execution environment");
 StreamExecutionEnvironment localExecEnv = StreamExecutionEnvironment
 .createLocalEnvironment();
 //非常重要
 setFeature(localExecEnv,
 resourceDTO.getTaskManagerCount() * resourceDTO.getSlotPerTaskManager(), flinkConf);
 StreamTableEnvironment tableEnv = 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.Entry e : udfMap.entrySet()) {
 final String name = e.getKey();
 String clazzName = e.getValue();
 LoggerUtil.info("used udf specified by business : {}", name);
 }
 registerSDF(athenaxCluster, tableEnv);
 LoggerUtil.info("all udf registerd , bingo");
 // 开始注册所有的input相关的schema
 for (Map.Entry e : inputs.entrySet()) {
 LoggerUtil.info("Registering input catalog {}", e.getKey());
 tableEnv.registerExternalCatalog(e.getKey(), e.getValue());
 }
 LoggerUtil.info("all input catalog registerd , bingo");
 Table table = tableEnv.sqlQuery(selectSql);
 LoggerUtil.info("succeed to execute tableEnv.sqlQuery(...)");
 LoggerUtil.info("table {}", table);
 LoggerUtil.info("bingo! input work done completely,let us handle output work now!!!");
 // 开始注册output
 List outputTables = output.listTables();
 for (String t : outputTables) {
 table.writeToSink(getOutputTable(output.getTable(t)));
 }
 LoggerUtil.info("handle output ok");
 // 生成JobGraph
 StreamGraph streamGraph = localExecEnv.getStreamGraph();
 JobGraph jobGraph = streamGraph.getJobGraph();
 // this is required because the slots are allocated lazily
 //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("create flink job ok {}", jobGraph);
 JobGraphTool.analyze(jobGraph);
 // 生成返回结果
 JobCompilerResult jobCompilerResult = new JobCompilerResult();
 jobCompilerResult.setJobGraph(jobGraph);
 ArrayList paths = new ArrayList();
 Collection values = udfMap.values();
 for (String value : values) {
 paths.add(value);
 }
 jobCompilerResult.setAdditionalJars(paths);
 return jobCompilerResult;
 }

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 
 public static int STORAGE_REDIS = 1 << 0; //1
 public static int STORAGE_MYSQL = 1 << 1; //2
 public static int STORAGE_ROCKETMQ = 1 << 2; //4
 public static int STORAGE_KAFKA = 1 << 3; //8
 public static int STORAGE_PULSAR = 1 << 4; //16
 public static int STORAGE_OTHER0 = 1 << 5; //32
 public static int STORAGE_OTHER1 = 1 << 6; //64
 public static int STORAGE_OTHER2 = 1 << 7; //128
 public static int STORAGE_RABBITMQ = 1 << 8; //256
 public static int STORAGE_HBASE = 1 << 9; //512
 public static int STORAGE_ES = 1 << 10;//1024
 public static int STORAGE_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!