Uber Athenax项目核心技术点剖析

本文剖析一下Uber Athenax项目的核心技术点。

overview

以下这段介绍摘自项目官方文档。

AthenaX是一个流式分析平台，它可以让用户运行SQL来进行大规模可扩展的流式分析。由Uber开源，具备扩展到上百台节点处理日均千亿级别的实时事件。

架构图如下：

技术说明

• 构建在Apache Calcite以及Apache Flink之上；
• 采用YARN集群来管理Job
• LevelDB作为持久化存储

Features

• Streaming SQL
  
  • Filtering, projecting and combining streams
  • Aggregation on group windows over both processing and event time
  • User-defined functions (UDF), User-defined aggregation function (UDAF), and User-defined table functions (UDTF) (coming soon)
• Efficient executions through optimizations and code generations
• Mechanisms to automatically fail over across multiple data centers
• Auto scaling for AthenaX jobs

核心技术点

athenax-backend

项目的后端服务实现，提供了一个运行时实例。其主要启动步骤分为两步：

• 启动一个web server，用来接收restful的各种服务请求；

这里的web server，事实上一个Glashfish（Java EE应用服务器的实现）中的grizzly（基于Java NIO实现的服务器）所提供的一个轻量级的http server，它也具备处理动态请求（web container，Servlet）的能力。

web server接收用户的RESTful API请求，这些API可以分成三类：

（1）Cluster: 集群相关的信息；
（2）Instance: Job运行时相关的信息；
（3）Job: 作业本身的信息；

RESTful API这块，AthenaX使用了当前比较流行的swagger这一API开发框架来提供部分代码（实体类/服务接口类）的生成。

• 启动了一个Server的Context（上下文），它封装了一些核心对象，是服务的具体提供者：
  
  • job store：一个机遇LevelDB的job元数据存储机制；
  • job manager：注意这与Flink的JobManager没有关系，这是AthenaX封装出来的一个对象，用于对SQL Job进行管理；
  • instance manager：一个instance manager管理着部署在YARN集群上所有正在被执行的job；
  • watch dog：提供了对job的状态、心跳的检测，以适时进行failover；

athenax-vm-compiler

三个component：

• planer：计划器，该模块的入口，它会顺序调用parser、validator、executor，最终得到一个称之为作业编译结果的JobCompilationResult对象；
• parser：编译器，这里主要是针对其对SQL的扩展提供相应的解析实现，主要是对Calcite api的实现，最终得到SqlNode集合SqlNodeList；
• executor：真正完成所谓的”编译“工作，这里编译之所以加引号，其实只是借助于Flink的API得到对应的JobGraph；

这里，值得一提的是其”编译“的实现机制。AthenaX最终是要将其SQL Job提交给Flink运行时去执行，而对Flink而言JobGraph是其唯一识别的Job描述的对象，所以它最关键的一点就是需要得到其job的JobGraph。那么它是如何做到这一点的？

JobGraph的生成

它（JobCompiler）通过mock出一个利用Flink的Table&SQL API编写的Table&SQL 程序模板 :

StreamExecutionEnvironment execEnv = StreamExecutionEnvironment.createLocalEnvironment();
StreamTableEnvironment env = StreamTableEnvironment.getTableEnvironment(execEnv);
execEnv.setStreamTimeCharacteristic(TimeCharacteristic.EventTime);
CompilationResult res = new CompilationResult();

try {
    JobDescriptor job = getJobConf(System.in);
    res.jobGraph(new JobCompiler(env, job).getJobGraph());
} catch (Throwable e) {
    res.remoteThrowable(e);
}

核心在于上面的getJobGraph方法

JobDescriptor是其Job业务相关的信息，然后为其 动态设置 非固定部分：

• input catalog：table source
• udf: user defined table/scalar/agg function
• sql: business sql
• output catalog: sink

  JobGraph getJobGraph() throws IOException {
    StreamExecutionEnvironment exeEnv = env.execEnv();
    exeEnv.setParallelism(job.parallelism());
    this
        .registerUdfs()
        .registerInputCatalogs();
    Table table = env.sql(job.sql());
    for (String t : job.outputs().listTables()) {
      table.writeToSink(getOutputTable(job.outputs().getTable(t)));
    }
    StreamGraph streamGraph = exeEnv.getStreamGraph();
    return streamGraph.getJobGraph();
  }

其中调用env.sql()这个方法说明它本质没能真正脱离Flink Table&SQL

设置完成之后，通过调用StreamExecutionEnvironment#getStreamGraph就可以自动获得JobGraph对象，因此JobGraph的生成还是由Flink 自己提供的，而AthenaX只需要拼凑并触发该对象的生成。

生成后会通过flink的yarn client实现，将JobGraph提交给YARN集群，并启动Flink运行时执行Job。

而具体的触发机制，这里AthenX采用了运行时执行构造命令行执行JobCompiler的方法，然后利用套接字+标准输出重定向的方式，来模拟UNIX PIPELINE，事实上个人认为没必要这么绕弯路，直接调用就行了。

解析器的代码生成

值得一提的是，parser涉及到具体的语法，这一块为了体现灵活性。AthenaX将解析器的实现类跟SQL语法绑定在一起通过fmpp(文本模板预处理器)的形式进行代码生成。

fmpp是一个支持freemark语法的文本预处理器。

athenax-vm-api

这个模块就是Athenax提供给用户的去实现的一些API接口，它们是：

• function：各种函数的rich化(open/close方法对)扩展；
• catalog：table / source、sink的映射；
• sink provider：sink的扩展接口；

athennax-vm-connectors

开放给用户去扩展的连接器，目前只提供了kafka这一个连接器的实现。

总结

AthenaX代码量不大且不复杂，但是它提供了一个对Flink进行扩展以利用其运行时的一种机制。