Apache Flink源码解析之stream-source

cxxy4533 3年前
   <p> </p>    <p>今天我们来解读一下Flink stream里的 <strong>source</strong> 模块。它是整个stream的入口,也是我们了解其流处理体系的入口。</p>    <h2>SourceFunction</h2>    <p>SourceFunction是所有stream source的根接口。</p>    <p>它继承自一个标记接口(空接口) Function 。</p>    <p>SourceFunction 定义了两个接口方法:</p>    <ul>     <li>run : 启动一个source,即对接一个外部数据源然后emit元素形成stream(大部分情况下会通过在该方法里运行一个while循环的形式来产生stream)。</li>     <li>cancel : 取消一个source,也即将run中的循环emit元素的行为终止。</li>    </ul>    <p>正常情况下,一个 SourceFunction 实现这两个接口方法就可以了。其实这两个接口方法也固化了一种实现 <strong> <em>模板</em> </strong> 。</p>    <p>比如,实现一个XXXSourceFunction,那么大致的模板是这样的:</p>    <pre>  <code class="language-java">private volatile boolean isRunning = true;     @Override   public void run(SourceContext<T> ctx) throws Exception {    while (isRunning && otherCondition == true) {     ctx.collect(getElement());    }   }     @Override   public void cancel() {    isRunning = false;   }  </code></pre>    <h2>SourceContext</h2>    <p>Flink将Source的运行机制跟其如何emit元素进行了分离。具体如何emit元素,取决于另外一个独立的接口 SourceContext 。 SourceFunction 以内部接口的方式定义了该上下文接口对象,将具体的实现抛给具体的sourceFunction。该接口中定义了emit元素的接口方法:</p>    <ul>     <li>collect : 从source emit一个元素,该元素的时间戳被自动设置为本地时钟( System#currentTimeMillis() ),这种由当前source自动追加的时间戳,在Flink里称之为 Ingress Time (即摄入时间)。</li>     <li>collectWithTimestamp : 根据用户提供的自定义的时间戳emit一个元素,这种被称之为 Event Time (即用户自行设置的事件时间)。</li>     <li>emitWatermark : 手动发射一个 Watermark 。</li>    </ul>    <p>这里有几个时间概念可参考我之前的文章: <a href="/misc/goto?guid=4959672375835056194" rel="nofollow,noindex">http://vinoyang.com/2016/05/02/flink-concepts/#时间</a></p>    <p>Watermark:Flink用 Watermark 来对上面的 Event Time 类型的事件进行窗口处理。所谓的 Watermark 是一个时间基准。WaterMark包含一个时间戳,Flink使用 WaterMark 标记所有小于该时间戳的消息都已流入,Flink的数据源在确认所有小于某个时间戳的消息都已输出到Flink流处理系统后,会生成一个包含该时间戳的 WaterMark ,插入到消息流中输出到Flink流处理系统中,Flink操作符按照时间窗口缓存所有流入的消息,当operator处理到WaterMark时,它对所有小于该WaterMark时间戳的时间窗口数据进行处理并发送到下一个operator节点,然后也将WaterMark发送到下一个operator节点。</p>    <h2>内置的SourceFunction实现</h2>    <p>source相关的完整类图如下:</p>    <p><img src="https://simg.open-open.com/show/0be82d7894603776953854e9dd0cbcc3.png"></p>    <h2>RichSourceFunction</h2>    <p>一个抽象类,继承自 AbstractRichFunction 。为实现一个 <strong>Rich</strong> SourceFunction提供基础能力(其实所谓的Rich,主要是提供某种范式或者模板帮助你完成一部分基础实现)。该类的子类有两个,不过他们仍然是抽象类,只是在此基础上提供了更具体的实现:</p>    <ul>     <li>MessageAcknowledgingSourceBase :它针对的是数据源是消息队列的场景并且提供了基于ID的应答机制。</li>     <li>MultipleIdsMessageAcknowledgingSourceBase : 在 MessageAcknowledgingSourceBase 的基础上针对ID应答机制进行了更为细分的处理,支持两种ID应答模型: session id 和 unique message id 。</li>    </ul>    <h2>ParallelSourceFunction</h2>    <p>该接口只是个标记接口,用于标识继承该接口的Source都是并行执行的。其直接实现类是 RichParallelSourceFunction ,它是一个抽象类并继承自 AbstractRichFunction (从名称可以看出,它应该兼具 rich 和 parallel 两个特性,这里的 <strong>rich</strong> 体现在它定义了 open 和 close 这两个方法)。</p>    <p>继承 RichParallelSourceFunction 的那些SourceFunction意味着它们都是并行执行的并且可能有一些资源需要open/close,Flink提供了这么几个实现:</p>    <ul>     <li>FileSourceFunction : 以文件为数据源的Source,它根据给定的 InputFormat 作为数据源记录的生产器(它可以接收一个file path来基于文件生产记录),根据给定的 TypeInformation 来产生序列化器,再结合内部创建的 splitIterator 实现了一个基于文件的sourceFunction。</li>     <li>ConnectorSource : 抽象类,没有具体的实现。通过其构造器注入了一个属性 DeserializationSchema ,该属性是一个协议接口,用于定义如何将二进制数据反序列化为Java/Scala对象。</li>     <li>StatefulSequenceSource :有状态的序列Source。它接收 start 和 end 作为一个发射序列的区间,然后根据一定的算法算得需要发射的时间间隔,并保证区间内的元素送达具有 exactly once 的强一致性,具体的计算方式需要结合当前task的subtask的数量以及当前subtask在集合中的索引计算得出。</li>     <li>FromSplittableIteratorFunction :根据给定的 SplittableIterator (它是一个全局的iterator)结合当前task运行时subtask的数量,以及该subtask在所有subtask中的序号计算出分区(partition)从而产生一个细分的 Iterator 。通过 Iterator 迭代来发射元素。</li>    </ul>    <h2>FileMonitoringFunction</h2>    <p>该Source是以监控给定 path 位置的文件为手段,根据给定的 interval 作为时间间隔,emit的内容依赖监控文件的变。Flink为这种形式的Source提供了三种watchtype :</p>    <pre>  <code class="language-java">public enum WatchType {   ONLY_NEW_FILES,     //仅关注新文件产生   REPROCESS_WITH_APPENDED,  //当有文件产生变更,该文件的所有内容都需要被重新处理   PROCESS_ONLY_APPENDED   //当有文件产生变更,只有变更的内容需要被处理  }  </code></pre>    <p>该类型的Source始终发射的是一个三元组(Tuple3),它包含三个元素:</p>    <ul>     <li>filePath : 标识文件路径</li>     <li>offset : 偏移量</li>     <li>fileSize : 文件大小</li>    </ul>    <p>watchtype的不同主要影响发射元素的内容。当WatchType的类型为 ONLY_NEW_FILES 或 REPROCESS_WITH_APPENDED 类型时, offset 会被设置为0, fileSize 被设置为-1。而WatchType类型为 PROCESS_ONLY_APPENDED ,则三个值都为其对应的真实值。</p>    <h2>SocketTextStreamFunction</h2>    <p>根据给定的 hostname 和 port ,以socket的方式进行通信并获取数据,以 delimiter 参数给定的字符作为终止标识符。</p>    <h2>FromIteratorFunction</h2>    <p>该Source接收一个迭代器,然后在发射循环体中,依次迭代发射数据。</p>    <h2>FromElementsFunction</h2>    <p>该Source接收一个元素迭代器(一组元素的集合),以Flink的类型序列化机制将其序列化为二进制数据,然后在发射元素的循环体中,进行反序列化为初始类型,再发射数据。</p>    <p>这里先序列化为二进制,再从二进制反序列化为最初的对象类型。不是特别容易理解,乍一看多此一举,让人匪夷所思。其实,这么做是有原因的,是因为Flink的序列化机制是其自定义的,并且跟其自主管理内存紧密联系在一起(想了解其自主内存管理的可参看我之前的系列文章)。而自主内存管理又涉及到二进制数据的存储。 FromElementsFunction 支持从某个 check point 部分恢复,所以必须先还原其原先的存储位置(通过序列化),然后跳过不需要emit的元素,然后再发射需要发射的元素(将这些元素反序列化)。</p>    <h2>常见连接器中的Source</h2>    <p>Flink自身提供了一些针对第三方主流开源系统的连接器支持,它们有:</p>    <ul>     <li>elasticsearch</li>     <li>flume</li>     <li>kafka(0.8/0.9版本)</li>     <li>nifi</li>     <li>rabbitmq</li>     <li>推ter</li>    </ul>    <p>这些连接器有些可以同时作为 source 和 sink 。因为我们今天的主题是source,所以我们先来看看以上这些被支持的连接器它们的source都是继承自刚刚我们谈到的哪些接口或者类。</p>    <ul>     <li>kafka : RichParallelSourceFunction</li>     <li>nifi : RichParallelSourceFunction</li>     <li>rabbitmq : MultipleIdsMessageAcknowledgingSourceBase(因为rabbitmq具备非常成熟的ack机制,所以继承这个类是顺其自然的)</li>    </ul>    <h2>小结</h2>    <p>这篇文章我们主要谈及了Flink的stream source相关的设计、实现。当然这个主题还没有完全谈完,还会有后续篇幅继续解读。</p>    <p>来自: <a href="/misc/goto?guid=4959672375922014509" rel="nofollow">http://vinoyang.com/2016/05/05/flink-stream-source/</a></p>