Flink数据类型&&序列化&&序列化器

官网：https://ci.apache.org/projects/flink/flink-docs-master/zh/dev/types_serialization.html

背景：在Java和大数据生态圈中，已有不少序列化工具，比如：
1、Java自带的序列化工具、Kryo等。
2、一些RPC框架也提供序列化功能，比如：
（1）最初用于Hadoop的【Apache Avro】
（2）Facebook开发的【Apache Thrift】
（3）Google开发的【Protobuf】
这些工具在速度和压缩比等方面与JSON相比有一定的优势。

但是Flink依然选择了重新开发了自己的序列化框架，因为序列化和反序列化将关乎整个流处理框架个方便的性能，对数据类型了解越多，可以更早地完成数据类型检查，节省数据存储空间。

一、Flink数据类型

 1. 基础类型（Basic）：Int、String、Double、Long、Date

 2. 数组类型（Array）：
（1）原生类型构成的数组
（2）对象类型构成的数组

 3. 复合类型（Composite）：
（1）scala ——> case class（样例类）
（2）java ——> POJO
（3）scala、java ——> Tuple（元组）

 4. 辅助类型（Auxiliary）：
（1）Option
（2）List
（3）Map

'当以上任何一个类型均不满足时，Flink认为该数据结构是一种泛型（GenericType），使用Kryo来进行序列化和反序列化。'
 5. 泛型和其它类型（Generic）：
（1）Kryo

1、基础类型
所有Java和Scala基础数据类型，诸如Int（包括Java原生类型int和装箱后的类型Integer）、Double、Long、String，以及Date、BigDecimal和BigInteger。

2、数组
基础类型或其他对象类型组成的数组，如String[]。

3、复合类型
（1）Scala case class

case class Person(name:String,age:Int)

（2）Java POJO

定义POJO类有一些注意事项：
（1）该类必须用public修饰。
（2）该类必须有一个public的无参数的构造函数。
（3）该类的所有非静态（non-static）、非瞬态（non-transient）字段必须是public，如果字段不是public则必须有标准的getter和setter方法，比如对于字段A a有A getA()和setA(A a)。
（4）所有子字段也必须是Flink支持的数据类型。

判断一个类是否是POJO，可以使用下面的代码检查：

System.out.println(TypeInformation.of(Person.class).createSerializer(new ExecutionConfig()));

POJO类型的序列化
类PojoTypeInfomation用于创建针对POJO中所有成员的序列化器。Flink自带了针对诸如int，long，String等标准类型的序列化器，对于所有其他的类型，我们交给Kryo处理。

如果Kryo不能处理某类型，则我们可以通过PojoTypeInfo来使用Avro来序列化POJO，为了达成该目的，我们需要调用如下接口：

final ExecutionEnvironment env = ExecutionEnvironment.getExecutionEnvironment();
env.getConfig().enableForceAvro();

注意：Flink自动序列化POJO对象，该对象由Avro用Avro序列化器产生。

如果我们想使得整个POJO类型都由Kryo序列化器处理，则我们如下设置：

final ExecutionEnvironment env = ExecutionEnvironment.getExecutionEnvironment();
env.getConfig().enableForceKryo();

如果Kryo不能序列化该POJO对象，我们可以添加一个自定义序列化器到Kryo，使用代码如下：

env.getConfig().addDefaultKryoSerializer(Class<?> type, Class<? extends Serializer<?>> serializerClass)

（3）Tuple

Flink为Java专门准备了元组类型，最多支持到25元组。
Scala的Tuple中所有元素都不可变，Java的Tuple中的元素是可以被更改和赋值的，因此在Java中使用Tuple可以充分利用这一特性，这样可以减少垃圾回收的压力。

4、辅助类型
（1）Java：

• ArrayList
• HashMap
• Enum

（2）Scala：

• Either
• Option

5、泛型和其他类型
当以上任何一个类型均不满足时，Flink认为该数据结构是一种泛型（GenericType），使用Kryo来进行序列化和反序列化。但Kryo在有些流处理场景效率非常低，有可能造成流数据的积压。我们可以使用env.getConfig().disableGenericTypes();来禁用Kryo，禁用后，Flink遇到无法处理的数据类型将抛出异常，这种方法对于调试非常有效。

二、TypeInformation
在Flink中，类TypeInformation是所有类型描述类的基类。TypeInformation的一个重要的功能就是创建TypeSerializer序列化器，为该类型的数据做序列化。每种类型都有一个对应的序列化器来进行序列化。

使用前面介绍的各类数据类型时，Flink会自动探测传入的数据类型，生成对应的TypeInformation，调用对应的序列化器，因此用户其实无需关心类型推测。比如，Flink的map函数Scala签名为：

def map[R: TypeInformation](fun: T => R): DataStream[R]

传入map的数据类型是T，生成的数据类型是R，Flink会推测T和R的数据类型，并使用对应的序列化器进行序列化。

以一个字符串Tuple3类型为例，Flink首先推断出该类型，并生成对应的TypeInformation，然后在序列化时调用对应的序列化器，将一个内存对象写入内存块。如下图：

Flink的Task之间如果需要跨网络传输数据记录，那么就需要将数据序列化之后写入NetworkBufferPool，然后下层的Task读出之后再进行反序列化操作，最后进行逻辑处理。
为了使得记录以及事件能够被写入Buffer随后在消费时再从Buffer中读出，Flink提供了数据记录序列化器（RecordSerializer）与反序列化器（RecordDeserializer）以及事件序列化器（EventSerializer）。
我们的Function发送的数据被封装成SerializationDelegate，它将任意元素公开为IOReadableWritable以进行序列化，通过setInstance()来传入要序列化的数据。

Flink job的提交过程：

Flink task的调用过程：

三、注册类
如果传递给Flink算子的数据类型是父类，实际运行过程中使用的是子类，子类中有一些父类没有的数据结构和特性，将子类注册可以提高性能。在执行环境上调用env.registerType(clazz);来注册类。registerType方法的源码如下所示，其中TypeExtractor对数据类型进行推断，如果传入的类型是POJO，则可以被Flink识别和注册，否则将使用Kryo。

registerType源码：

public void registerType(Class<?> type) {
    if (type == null) {
        throw new NullPointerException("Cannot register null type class.");
    } else {
        TypeInformation<?> typeInfo = TypeExtractor.createTypeInfo(type);
        if (typeInfo instanceof PojoTypeInfo) {
            this.config.registerPojoType(type);
        } else {
            this.config.registerKryoType(type);
        }
    }
}

四、注册序列化器

如果数据类型不是Flink支持的上述类型，需要对数据类型和序列化器进行注册，以便Flink能够对该数据类型进行序列化。

//对PersonClassSerializer（序列化器）和Person（数据类型）进行注册
env.getConfig().registerTypeWithKryoSerializer(Person.class,PersonClassSerializer.class);

自定义序列化器：使用PersonClassSerializer（序列化器）对Person（数据类型）进行序列化

public class PersonClassSerializer extends Serializer<Person> {
    @Override
    public void write(Kryo kryo, Output output, Person person) {
 
    }
 
    @Override
    public Person read(Kryo kryo, Input input, Class<Person> aClass) {
        return null;
    }
}

请注意，您的自定义序列化程序必须扩展Kryo的Serializer类。对于【Apache Thrift】和【Google Protobuf】而言，已经有人将序列化器编写好了，我们可以直接拿来使用：
（1）Protobuf

env.getConfig().registerTypeWithKryoSerializer(Person.class,ProtobufSerializer.class);

【Google Protobuf】需要导入的依赖：

<dependency>
        <groupId>com.twitter</groupId>
        <artifactId>chill-protobuf</artifactId>
        <version>0.7.6</version>
        <exclusions>
            <exclusion>
                <groupId>com.esotericsoftware.kryo</groupId>
                <artifactId>kryo</artifactId>
            </exclusion>
        </exclusions>
</dependency>
<dependency>
        <groupId>com.google.protobuf</groupId>
        <artifactId>protobuf-java</artifactId>
        <version>3.7.0</version>
</dependency>

（2）Thrift

env.getConfig().addDefaultKryoSerializer(Person.class,TBaseSerializer.class);

【Apache Thrift】需要导入的依赖：

<dependency>
    <groupId>org.apache.thrift</groupId>
    <artifactId>libthrift</artifactId>
    <version>0.11.0</version>
    <exclusions>
        <exclusion>
            <groupId>javax.servlet</groupId>
            <artifactId>servlet-api</artifactId>
        </exclusion>
        <exclusion>
            <groupId>org.apache.httpcomponents</groupId>
            <artifactId>httpclient</artifactId>
        </exclusion>
    </exclusions>
</dependency>

打开ProtobufSerializer和TBaseSerializer的源码查看，可知它们都扩展了Kryo的Serializer类：

import com.esotericsoftware.kryo.Kryo;
import com.esotericsoftware.kryo.Serializer;
import com.esotericsoftware.kryo.io.Input;
import com.esotericsoftware.kryo.io.Output;