读Flink源码谈设计：FileSystemConnector中的整洁架构

本文首发于泊浮目的语雀:https://www.yuque.com/17sing

版本	日期	备注
1.0	2022.3.8	文章首发

本文基于Flink 1.14代码进行分析。

0.前言

前阵子在生产上碰到了一个诡异现象：全量作业无法正常进行，日志中充斥着java.util.concurrent.TimeoutException: Heartbeat of TaskManager with id container xxxx(HOSTNAME:PORT) timed out的报错。

场景为Oracle全量抽取至Hive，数据会流过Kafka，数据量为T级别，根据时间字段每天做一个分区。报错的Job负责抽取Kafka的数据并写至Hive，使用的是TableAPI。

1.排查思路

这个问题报到我这边的时候，有同学已经排查过一轮了。根据网上搜索，会告知你可能是yarn的压力过大、网络短暂不稳定等，可以调大heartbeat.timeout来缓解这个问题，经调整改问题并未解决。

另外一个说法会告知你是GC频繁的原因。建议调整内存，调整后，的确有一定的效果（使出问题的时间变慢）。那很显然和代码有关系了。

因为之前一个版本同步数据都没有出问题，因此开始寻找最近代码的改动，找了几圈下来并没有找到可疑的代码。顿时觉得有点头皮发麻。于是让现场的同学切换到上个版本继续做全量，现象依旧会发生。

这时我就有点怀疑生产环境的特性了——比如数据特性，但现场的同学告知我数据并没有什么特殊之处。于是我要了一份现场的HeapDump，丢到了分析软件上进行查看，发现org.apache.flink.streaming.api.functions.sink.filesystem.Bucket的对象特别多。

于是看了一下Bucket对象的定义：

/**
 * A bucket is the directory organization of the output of the {@link StreamingFileSink}.
 *
 * 
For each incoming element in the {@code StreamingFileSink}, the user-specified {@link
 * BucketAssigner} is queried to see in which bucket this element should be written to.
 */
@Internal
public class Bucket {

好家伙。一个目录一个对象，此时此刻我已经对现场的同学告知我的“数据没有什么特殊之处”产生了怀疑，不过为了实锤，我还是跟了一遍代码：

|-- HiveTableSink
   \-- createStreamSink
|-- StreamingFileSink
  \-- initializeState
|-- StreamingFileSinkHelper
  \-- constructor
|-- HadoopPathBasedBulkFormatBuilder
  \-- createBuckets
|-- Buckets
  \-- onElement
  \-- getOrCreateBucketForBucketId

过了一遍代码以后，心里便有了数。问了下现场，同步的数据时间跨度是不是特别大，现场同学确认后，时间跨度为3年多。于是建议降低时间跨度，或者降低分区时间。最终将全量批次进行切分后解决了这个问题。

2. 解决问题后的好奇

如果每个目录都会产生一个Bucket，那如果运行一个流作业，岂不是迟早碰到相同的问题。这么显而易见的问题，社区的大神们肯定早就想到了，好奇心驱使着我寻找答案——直到看到了这段代码：

    public void commitUpToCheckpoint(final long checkpointId) throws IOException {
        final Iterator>> activeBucketIt =
                activeBuckets.entrySet().iterator();

        LOG.info(
                "Subtask {} received completion notification for checkpoint with id={}.",
                subtaskIndex,
                checkpointId);

        while (activeBucketIt.hasNext()) {
            final Bucket bucket = activeBucketIt.next().getValue();
            bucket.onSuccessfulCompletionOfCheckpoint(checkpointId);

            if (!bucket.isActive()) {
                // We've dealt with all the pending files and the writer for this bucket is not
                // currently open.
                // Therefore this bucket is currently inactive and we can remove it from our state.
                activeBucketIt.remove();
                notifyBucketInactive(bucket);
            }
        }
    }

做Checkpoint后的提交时，这里会根据Bucket是否处于活跃状态来决定是否移除在内存中维护的数据结构。

那么怎样才算活跃呢？代码很简短：

    boolean isActive() {
        return inProgressPart != null
                || !pendingFileRecoverablesForCurrentCheckpoint.isEmpty()
                || !pendingFileRecoverablesPerCheckpoint.isEmpty();
    }

接下来就是讲清楚这三个的触发条件了。

2.1 inProgressPart == null

该对象的类型为InProgressFileWriter，触发条件和FileSystem的滚动策略息息相关。

/**
 * The policy based on which a {@code Bucket} in the {@code Filesystem Sink} rolls its currently
 * open part file and opens a new one.
 */
@PublicEvolving
public interface RollingPolicy extends Serializable {

    /**
     * Determines if the in-progress part file for a bucket should roll on every checkpoint.
     *
     * @param partFileState the state of the currently open part file of the bucket.
     * @return {@code True} if the part file should roll, {@link false} otherwise.
     */
    boolean shouldRollOnCheckpoint(final PartFileInfo partFileState) throws IOException;

    /**
     * Determines if the in-progress part file for a bucket should roll based on its current state,
     * e.g. its size.
     *
     * @param element the element being processed.
     * @param partFileState the state of the currently open part file of the bucket.
     * @return {@code True} if the part file should roll, {@link false} otherwise.
     */
    boolean shouldRollOnEvent(final PartFileInfo partFileState, IN element)
            throws IOException;

    /**
     * Determines if the in-progress part file for a bucket should roll based on a time condition.
     *
     * @param partFileState the state of the currently open part file of the bucket.
     * @param currentTime the current processing time.
     * @return {@code True} if the part file should roll, {@link false} otherwise.
     */
    boolean shouldRollOnProcessingTime(
            final PartFileInfo partFileState, final long currentTime) throws IOException;
}

这三个接口分别对应在某些情况下，是否应该关闭当前打开的文件：

• shouldRollOnCheckpoint：做Checkpoint之前检查。
• shouldRollOnEvent：根据当前的状态检查是否应该关闭。比如当前的buffer大小是否超过了限制。
• shouldRollOnProcessingTime：检查当前打开时间是否太长来盘判断符合关闭的条件。

2.2 pendingFileRecoverablesForCurrentCheckpoint isNotEmpty

其中的元素也是根据RollingPolicy来触发的，不做过多的解释。

2.3 pendingFileRecoverablesPerCheckpoint isNotEmpty

基于pendingFileRecoverablesForCurrentCheckpoint isNotEmpty。用字典来保存一个CheckpointId与List的关系。

2.4 非活跃Bucket

结合前面的条件来说，其实就是已经关闭并做完所有Checkpoint的目录，则为非活跃Bucket。检查的时机一般是：

1. Task重新恢复时，从StateBackend中读取之前的状态，并做检查
2. 做完Checkpoint后，会进行一次检查

当Bucket变成非活跃状态时，会做一次通知Inactive的通知。告知下游该分区的数据已提交，变成可读状态。见issue：artition commit is delayed when records keep coming

3. FileSystemConnector中的整洁架构

在了解完上文的知识点后，我关注到了有这么一个Proposal：FLIP-115: Filesystem connector in Table。根据这个Proposal，我简单的翻阅了一下相关的源码，发现其实现也是一种整洁架构的体现。

在上面我们已经进行过源码分析了，接下来我们就里面的抽象设计以及职责、分层进行分析：

|-- HiveTableSink  #Table级API，负责对外，用户可以直接调用
|-- StreamingFileSink  #Streaming 级API，也可以对外，位于TableAPI下方
|-- StreamingFileSinkHelper #集成了对于TimeService的逻辑，便于定期关闭Bucket；以及对于数据到Bucket的分发。这个类也被AbstractStreamingWriter使用，注释上也建议复用于 RichSinkFunction or StreamOperator
|-- BucketsBuilder #场景中调到的具体类是HadoopPathBasedBulkFormatBuilder，这个类会关注Buckets的具体实现以BucketWriter的具体实现
|-- Buckets #这是一个管理Bucket生命周期的类。其中有几个关键成员对象
  |-- BucketWriter  #会对应具体的FileSystem实现与写入的Format
  |-- RolingPolicy  #滚动策略，前面提到过，不再深入讨论
  |-- BucketAssigner #决定每个元素输出到哪个Bucket中。比如是key还是date等等
  |-- BucketFactory #负责每个Bucket的创建

由于职责切分粒度较细，数据的流转逻辑与外部具体实现是解耦的，我们举几个例子：

1. 如果我们要基于自己的DSL来调用Hive的写入，那么只需要写个和HiveTableSink类似的HiveDSLSink。
2. 如果一个数仓（数据湖）一直在增加自己底层的文件系统的支持，那么当第一套代码构筑完毕时，后续只需要实现相应的BucketWriter和FileSystem即可。
3. 如果一个数仓（数据湖）一直在增加自己支持的Format，那么当第一套代码构筑完毕时，后续只需要实现相应的BucketWriter即可。

基于这种设计，核心逻辑往往不会产生变化，并将容易变化的部分隔离开来，整个模块的质量将更容易得到保障。