flink--9 fink 容错机制
flink的容错机制主要是通过checkpoint和state来实现的
checkpiont机制和容错性
Flink使用流重放和检查点的组合来实现容错。检查点与每个输入流中的特定点以及每个操作员的相应状态相关。流数据流可以从检查点恢复，同时通过恢复操作员的状态和从检查点重放事件来保持一致性（正好一次处理语义）。
检查点间隔是在执行期间利用恢复时间（需要重播的事件数）来权衡容错开销的一种方法。对于批处理：
Flink将批处理程序作为流式程序的一种特殊情况来执行，其中流是有界的（元素数量有限）。数据集在内部被视为数据流。因此，上述概念同样适用于批处理程序，也适用于流式程序，但有小的例外：
批处理程序的容错不使用检查点。通过完全重播流来进行恢复。这是可能的，因为输入是有界的。这将使恢复的成本更高，但使常规处理更便宜，因为它避免了检查点。
数据集API中的状态操作使用简化的内存/核心数据结构，而不是键/值索引。
数据集API引入了特殊的同步（基于超级步骤）迭代，这只能在有界流上实现。有关详细信息，请查看迭代文档。
-----------------------------------
在谈checkpoint之前先要说下state
•state一般指一个具体的task/operator的状态【state数据默认保存在java的堆内存中】
•而checkpoint【可以理解为checkpoint是把state数据持久化存储了】，则表示了一个Flink Job在一个特定时刻的一份全局状态快照，即包含了所有task/operator的状态
•注意：task是Flink中执行的基本单位。operator指算子(transformation)。
lFlink中有两State可以被记录，在失败的情况下数据还可以恢复
l种基本类型的State
•Keyed State
•Operator State
lKeyed State和Operator State，可以以两种形式存在：
•原始状态(raw state)
•托管状态(managed state)
l托管状态是由Flink框架管理的状态，工作中常用的是这种状态
l而原始状态，由用户自行管理状态具体的数据结构，框架在做checkpoint的时候，使用byte[]来读写状态内容，对其内部数据结构一无所知。
l通常在DataStream上的状态推荐使用托管的状态，当实现一个用户自定义的operator时，会使用到原始状态。
State-Keyed State
l顾名思义，就是基于KeyedStream上的状态。这个状态是跟特定的key绑定的，对KeyedStream流上的每一个key，都对应一个state。
•stream.keyBy(…)
l保存state的数据结构
•ValueState
•ListState
•ReducingState
•MapState
l需要注意的是，以上所述的State对象，仅仅用于与状态进行交互（更新、删除、清空等），而真正的状态值，有可能是存在内存、磁盘、或者其他分布式存储系统中。相当于我们只是持有了这个状态的句柄
下面有一个官网的例子
public class CountWindowAverage extends RichFlatMapFunction, Tuple2> {
/**
* The ValueState handle. The first field is the count, the second field a running sum.
*/
private transient ValueState> sum;
@Override
public void flatMap(Tuple2 input, Collector> out) throws Exception {
// access the state value
Tuple2 currentSum = sum.value();
// update the count
currentSum.f0 += 1;
// add the second field of the input value
currentSum.f1 += input.f1;
// update the state
sum.update(currentSum);
// if the count reaches 2, emit the average and clear the state
if (currentSum.f0 >= 2) {
out.collect(new Tuple2<>(input.f0, currentSum.f1 / currentSum.f0));
sum.clear();
}
}
@Override
public void open(Configuration config) {
ValueStateDescriptor> descriptor =
new ValueStateDescriptor<>(
"average", // the state name
TypeInformation.of(new TypeHint>() {}), // type information
Tuple2.of(0L, 0L)); // default value of the state, if nothing was set
sum = getRuntimeContext().getState(descriptor);
}
}
// this can be used in a streaming program like this (assuming we have a StreamExecutionEnvironment env)
env.fromElements(Tuple2.of(1L, 3L), Tuple2.of(1L, 5L), Tuple2.of(1L, 7L), Tuple2.of(1L, 4L), Tuple2.of(1L, 2L))
.keyBy(0)
.flatMap(new CountWindowAverage())
.print();
State-Operator State
l与Key无关的State，与Operator绑定的state，整个operator只对应一个state
l保存state的数据结构
•ListState
l举例来说，Flink中的Kafka Connector，就使用了operator state。它会在每个connector实例中，保存该实例中消费topic的所有(partition, offset)映射
官网的一个例子
public class BufferingSink
implements SinkFunction>,
CheckpointedFunction {
private final int threshold;
private transient ListState> checkpointedState;
private List> bufferedElements;
public BufferingSink(int threshold) {
this.threshold = threshold;
this.bufferedElements = new ArrayList<>();
}
@Override
public void invoke(Tuple2 value, Context contex) throws Exception {
bufferedElements.add(value);
if (bufferedElements.size() == threshold) {
for (Tuple2 element: bufferedElements) {
// send it to the sink
}
bufferedElements.clear();
}
}
@Override
public void snapshotState(FunctionSnapshotContext context) throws Exception {
checkpointedState.clear();
for (Tuple2 element : bufferedElements) {
checkpointedState.add(element);
}
}
@Override
public void initializeState(FunctionInitializationContext context) throws Exception {
ListStateDescriptor> descriptor =
new ListStateDescriptor<>(
"buffered-elements",
TypeInformation.of(new TypeHint>() {}));
checkpointedState = context.getOperatorStateStore().getListState(descriptor);
if (context.isRestored()) {
for (Tuple2 element : checkpointedState.get()) {
bufferedElements.add(element);
}
}
}
} 上面说了state都是保存在内存中的，但是这并不能保证容错性，所以引入了checkpoint机制，除了checkpoint之外，还需要flink内部的exactly-once的保证，同时还需要source和sink所依赖的外部组件保证exactly-once
l为了保证state的容错性，Flink需要对state进行checkpoint。
lCheckpoint是Flink实现容错机制最核心的功能，它能够根据配置周期性地基于Stream中各个Operator/task的状态来生成快照，从而将这些状态数据定期持久化存储下来，当Flink程序一旦意外崩溃时，重新运行程序时可以有选择地从这些快照进行恢复，从而修正因为故障带来的程序数据异常
lFlink的checkpoint机制可以与(stream和state)的持久化存储交互的前提：
•持久化的source，它需要支持在一定时间内重放事件。这种sources的典型例子是持久化的消息队列（比如Apache Kafka，RabbitMQ等）或文件系统（比如HDFS，S3，GFS等）
•用于state的持久化存储，例如分布式文件系统（比如HDFS，S3，GFS等）
checkpoint生成
checkpoint恢复
checkPoint的一些配置
l默认checkpoint功能是disabled的，想要使用的时候需要先启用
lcheckpoint开启之后，默认的checkPointMode是Exactly-once
lcheckpoint的checkPointMode有两种，Exactly-once和At-least-once
Exactly-once对于大多数应用来说是最合适的。At-least-once可能用在某些延迟超低的应用程序（始终延迟为几毫秒
StreamExecutionEnvironment env = StreamExecutionEnvironment.getExecutionEnvironment();
// 生成checkpoint的时间间隔
env.enableCheckpointing(1000);
// advanced options:
// 设置语义
env.getCheckpointConfig().setCheckpointingMode(CheckpointingMode.EXACTLY_ONCE);
//两个检查点之间的时间间隔
env.getCheckpointConfig().setMinPauseBetweenCheckpoints(500);
//检查点必须在一分钟之内完成，否则就丢弃
env.getCheckpointConfig().setCheckpointTimeout(60000);
// 同一时间只允许一个检查点生成
env.getCheckpointConfig().setMaxConcurrentCheckpoints(1);
// 一旦flink程序被取消，执行的策略，这里是保留，也可以删除
env.getCheckpointConfig().enableExternalizedCheckpoints(ExternalizedCheckpointCleanup.RETAIN_ON_CANCELLATION);State Backend(状态的后端存储)
l默认情况下，state会保存在taskmanager的内存中，checkpoint会存储在JobManager的内存中。
lstate 的store和checkpoint的位置取决于State Backend的配置
•env.setStateBackend(…)
l一共有三种State Backend
•MemoryStateBackend
•FsStateBackend
RocksDBStateBackend
lMemoryStateBackend
•state数据保存在java堆内存中，执行checkpoint的时候，会把state的快照数据保存到jobmanager的内存中
•基于内存的state backend在生产环境下不建议使用
lFsStateBackend
•state数据保存在taskmanager的内存中，执行checkpoint的时候，会把state的快照数据保存到配置的文件系统中
•可以使用hdfs等分布式文件系统
lRocksDBStateBackend
•RocksDB跟上面的都略有不同，它会在本地文件系统中维护状态，state会直接写入本地rocksdb中。同时它需要配置一个远端的filesystem uri（一般是HDFS），在做checkpoint的时候，会把本地的数据直接复制到filesystem中。fail over的时候从filesystem中恢复到本地
•RocksDB克服了state受内存限制的缺点，同时又能够持久化到远端文件系统中，比较适合在生产中使用
l修改State Backend的两种方式
l第一种：单任务调整
•修改当前任务代码
•env.setStateBackend(new FsStateBackend("hdfs://namenode:9000/flink/checkpoints"));
•或者new MemoryStateBackend()
•或者new RocksDBStateBackend(filebackend, true);【需要添加第三方依赖】
l第二种：全局调整
•修改flink-conf.yaml
•state.backend: filesystem
•state.checkpoints.dir: hdfs://namenode:9000/flink/checkpoints
•注意：state.backend的值可以是下面几种：jobmanager(MemoryStateBackend), filesystem(FsStateBackend), rocksdb(RocksDBStateBackend)
Restart Strategies(重启策略)
lFlink支持不同的重启策略，以在故障发生时控制作业如何重启
l集群在启动时会伴随一个默认的重启策略，在没有定义具体重启策略时会使用该默认策略。 如果在工作提交时指定了一个重启策略，该策略会覆盖集群的默认策略
l默认的重启策略可以通过 Flink 的配置文件 flink-conf.yaml 指定。配置参数 restart-strategy 定义了哪个策略被使用。
l常用的重启策略
•固定间隔 (Fixed delay)
•失败率 (Failure rate)
•无重启 (No restart)
l如果没有启用 checkpointing，则使用无重启 (no restart) 策略。
l如果启用了 checkpointing，但没有配置重启策略，则使用固定间隔 (fixed-delay) 策略，其中 Integer.MAX_VALUE 参数是尝试重启次数
l重启策略可以在flink-conf.yaml中配置，表示全局的配置。也可以在应用代码中动态指定，会覆盖全局配置
重启策略之固定间隔 (Fixed delay)
l第一种：全局配置 flink-conf.yaml
•restart-strategy: fixed-delay
•restart-strategy.fixed-delay.attempts: 3
•restart-strategy.fixed-delay.delay: 10 s
l第二种：应用代码设置
•env.setRestartStrategy(RestartStrategies.fixedDelayRestart(
• 3, // 尝试重启的次数
• Time.of(10, TimeUnit.SECONDS) // 间隔));
重启策略之失败率 (Failure rate)
l第一种：全局配置 flink-conf.yaml
•restart-strategy: failure-rate
•restart-strategy.failure-rate.max-failures-per-interval: 3
•restart-strategy.failure-rate.failure-rate-interval: 5 min
•restart-strategy.failure-rate.delay: 10 s
l第二种：应用代码设置
•env.setRestartStrategy(RestartStrategies.failureRateRestart(
• 3, // 一个时间段内的最大失败次数
• Time.of(5, TimeUnit.MINUTES), // 衡量失败次数的是时间段
• Time.of(10, TimeUnit.SECONDS) // 间隔));
重启策略之无重启 (No restart)
l第一种：全局配置 flink-conf.yaml
•restart-strategy: none
l第二种：应用代码设置
•env.setRestartStrategy(RestartStrategies.noRestart());
保存多个Checkpoint
默认情况下，如果设置了Checkpoint选项，则Flink只保留最近成功生成的1个Checkpoint，而当Flink程序失败时，可以从最近的这个Checkpoint来进行恢复。但是，如果我们希望保留多个Checkpoint，并能够根据实际需要选择其中一个进行恢复，这样会更加灵活，比如，我们发现最近4个小时数据记录处理有问题，希望将整个状态还原到4小时之前
Flink可以支持保留多个Checkpoint，需要在Flink的配置文件conf/flink-conf.yaml中，添加如下配置，指定最多需要保存Checkpoint的个数
state.checkpoints.num-retained: 20
这样设置以后就查看对应的Checkpoint在HDFS上存储的文件目录
hdfs dfs -ls hdfs://namenode:9000/flink/checkpoints
如果希望回退到某个Checkpoint点，只需要指定对应的某个Checkpoint路径即可实现
savePoint
Flink通过Savepoint功能可以做到程序升级后，继续从升级前的那个点开始执行计算，保证数据不中断
全局，一致性快照。可以保存数据源offset，operator操作状态等信息
可以从应用在过去任意做了savepoint的时刻开始继续消费
Checkpoint vs savePoit
checkPoint:
应用定时触发，用于保存状态，会过期
内部应用失败重启的时候使用
savePoint:
用户手动执行，是指向Checkpoint的指针，不会过期
在升级的情况下使用
注意：为了能够在作业的不同版本之间以及 Flink 的不同版本之间顺利升级，强烈推荐程序员通过 uid(String) 方法手动的给算子赋予 ID，这些 ID 将用于确定每一个算子的状态范围。如果不手动给各算子指定 ID，则会由 Flink 自动给每个算子生成一个 ID。只要这些 ID 没有改变就能从保存点（savepoint）将程序恢复回来。而这些自动生成的 ID 依赖于程序的结构，并且对代码的更改是很敏感的。因此，强烈建议用户手动的设置 ID。
官方的文档上有一段演示代码
savePoint的使用
l1：在flink-conf.yaml中配置Savepoint存储位置
•不是必须设置，但是设置后，后面创建指定Job的Savepoint时，可以不用在手动执行命令时指定Savepoint的位置
•state.savepoints.dir: hdfs://namenode:9000/flink/savepoints
l2：触发一个savepoint【直接触发或者在cancel的时候触发】
•bin/flink savepoint jobId [targetDirectory] [-yid yarnAppId]【针对on yarn模式需要指定-yid参数】
•bin/flink cancel -s [targetDirectory] jobId [-yid yarnAppId]【针对on yarn模式需要指定-yid参数】
l3：从指定的savepoint启动job
•bin/flink run -s savepointPath [runArgs]