数据流编程模型

原文链接
博主理解篇

创新互联长期为千余家客户提供的网站建设服务，团队从业经验10年，关注不同地域、不同群体，并针对不同对象提供差异化的产品和服务；打造开放共赢平台，与合作伙伴共同营造健康的互联网生态环境。为郊区企业提供专业的成都网站建设、成都网站设计，郊区网站改版等技术服务。拥有十多年丰富建站经验和众多成功案例,为您定制开发。

抽象层次

  Flink提供不同级别的抽象来开发流/批处理应用程序。

• 这个最低级别的抽象提供了有状态的流式操作。它是通过处理函数嵌入到DataStream API。它允许用户自由的处理一个或者多个数据流中的事件，并且使用一致，容错的状态。此外，用户可以注册事件时间和处理时间回调，允许程序实现复杂的计算。
• 实际上，大多数应用不需要上面描述的低级别抽象，而是针对Core APIs(核心API)，例如： DataStream API(有边界和无边界的数据流) 和 DataSet API(有边界的数据集)。这些流畅的API提供通用数据处理，像用户指定的各种形式的transformations(转换)，joins(连接)，aggregations(聚合)，windows(窗口化操作)，state(状态)等等。这些API表示在各自的编程语言中为类(class)中的数据类型进行处理。

  低阶的处理函数集成了DataStream API，这样就可以针对特性的操作使用低层级的抽象。DataSet API 为有边界的 data sets提供了附加的原语，例如循环/迭代。

• Table API 是一种以表为中心的声明式的DSL，它可能会被动态的改变(当处理数据流的时候)。Table API 遵循扩展模型：Table 有一个附加模式(类似于关系型数据库表)并且API提供了类似的操作，例如：select，project，join，group-by，aggregate等等。Table API声明式的定义了逻辑操作应该怎么做 而不是确切的指定操作的代码看起来如何。尽管table API可以通过多种形式的用户自定义函数来扩展，它的表现还是不如Core APIs，但是用起来更加的简洁(写更少的代码)。此外，Table API 还可以执行一个优化器，适用于优化规则之前执行。
   Table和DataStream/DataSet之间可以无缝的转换，允许程序组合使用Table api和DataStream和DataSet的API。
• Flink最高级别的抽象是sql。这种抽象在语义和表达上面类似于Table API，但将程序表示为SQL查询表达式。SQL抽象与Table API 紧密联系在一起，Sql查询可以在table API定义的表中执行。

  程序和数据流

    Flink程序的基本构建模块是streams(流)和transformations(转换)。(需要注意的是，Flink的DataSet API所使用的DataSets内部也是流-更多内容将在以后解释)。从概念上讲流(可能没有结束)是一个数据流记录，而转换是一个操作，它取一种或者多个流作为输入，并产生一个或者多个输出流作为结果。
   当执行的时候，Flink程序映射到streaming dataflows(流数据流)，由streams和转换operators组成。每一个数据流开始于一个或者多个source，并且终止于一个或者多个sink。数据流类似于任意的有向无环图(DAGS)。虽然通过迭代构造允许特定形式的环，但是大多数情况下，简单起见，我们都不考虑这一点。
  
   通常情况下，程序中的转换与数据流中的操作是一一对应的。有时，然而，一个转换可能有多个转换操作构成。
   source和sink的文档在streaming connectors和 batch connectors 。Transformation的文档在DataStream operators和DataSet transformation。

  并行数据流

    Flink程序本质上是并行的和分布式的。在执行过程中，一个流(stream)包含一个或多个流分区 (stream partition)，而每一个operator包含一个或多个operator子任务 。操作子任务之间彼此独立，在不同的线程中执行，甚至有可能运行在不同的机器或容器上。
   operator子任务的数量即是此特定operator的并行度 。一个流的并行度即其生产operator的并行度。相同程序中的不同的operator可能有不同级别的并行度。
  
   流在两个operator之间传输数据，可以通过一对一（或称 forwarding ）模式，或者通过redistributing模式：

• 一对一流（例如上图中Source与map() opreator之间）保持了元素的分区与排序。那意味着 map() operator的子任务[1]将以与 Source 的子任务[1]生成顺序相同的顺序查看到相同的元素。
• Redistributing 流（如上图中 map() 与 keyBy/window 之间，以及 keyBy/window 与 Sink 之间）则改变了流的分区。每一个operator子任务根据所选择的转换，向不同的目标子任务发送数据。比如 keyBy() （根据key的哈希值重新分区）， broadcast() ，或者 rebalance() （随机重分区）。在一次 redistributing 交换中，元素间的排序只保留在每对发送与接受子任务中（比如， map() 的子任务[1]与 keyBy/window 的子任务[2]）。因此在这个例子中，每个键的顺序被保留下来，但是并行确实引入了不确定性--对于不同键的聚合结果到达sink的顺序。
   配置和并行度的详细配置可以查看这个文档parallel execution。

  窗口（Window）

    聚合事件（比如计数、求和）在流上的工作方式与批处理不同。比如，对流中的所有元素进行计数是不可能的，因为通常流是无限的（无边界的）。相反，流上的聚合需要由窗口来划定范围，比如 “计算过去的5分钟” ，或者 “最后100个元素的和” 。
   窗口可以是事件驱动的 （比如：每30秒）或者数据驱动的 （比如：每100个元素）。窗口通常被区分为不同的类型，比如滚动窗口（没有重叠）， 滑动窗口（有重叠），以及会话窗口（由不活动的间隙所打断）
  
   更多的窗口例子可以查看这个博客。更多的明细可以查看窗口文档window docs。

时间（Time）

  当提到流程序（例如定义窗口）中的时间时，你可以参考不同的时间概念：

• 事件时间是事件创建的时间。它通常由事件中的时间戳描述，例如附接在生产传感器，或者生产服务。Flink通过时间戳分配器访问事件时间戳。
• 摄入时间是事件进入Flink数据流源算子的时间。
• 处理时间是每一个执行时间操作的operator的本地时间。
  
  操作时间的更多详细信息请查看文档event time docs。

有状态的操作

  尽管数据流中的很多操作一次只查看一个独立的事件（比如事件解析器），有些操作却会记录多个事件间的信息（比如窗口算子）。 这些操作被称为有状态的。
 有状态操作的状态保存在一个可被视作嵌入式键/值存储的部分中。状态由有状态operator读取的流一起被严格地分区与分布。因此，只能访问一个 keyBy() 函数之后的 keyed streams 的键/值状态，并且仅限于与当前事件键相关联的值。调整流和状态的键确保了所有状态更新都是本地操作，以在没有事务开销的情况下确保一致性。这种对齐还使得Flink可以透明地重新分配状态与调整流的分区。

查看更多信息，请查看此文档有关state的内容。

容错检查点

  Flink使用流重放与检查点的结合实现了容错。检查点与每个输入流的特定点及与相关的每一个operator的状态相关。一个数据流可以从一个检查点恢复出来，其中通过恢复operator状态并从检查点重放事件以保持一致性 （一次处理语义）
 检查点间隔是以恢复时间（需要重放的事件数量）来消除执行过程中容错的开销的一种手段。
 容错内部的描述提供了更多关于flink管理检查点和相关的话题。启用和配置检查点的详细信息请查看这个文档checkpointing API docs。

流式批处理

  Flink将批处理程序作为流处理程序的特殊情况来执行，只是流是有界的（有限个元素）。 DataSet 内部被视为数据流。上述适用于流处理程序的概念同样适用于批处理程序，除了一些例外：

• 批处理程序的容错不再使用检查点。而是通过完全地重放流来恢复。因为输入是有界的，因此这是可行的。这种方法使得恢复的成本增加，但是由于避免了检查点，因而使得正常处理的开销更小。
• DataSet API中的有状态操作使用简化的in-memory/out-of-core数据结构，而不是键/值索引。
• DataSet API引入了特殊的同步（superstep-base）迭代，而这种迭代仅仅能在有界流上执行。细节可以查看迭代文档。

分布式运行时

原文链接

任务和Operator链

  对于分布式运行，Flink将operator子任务链接在一起放入任务池。每个任务由一个线程执行。将operator链接到任务池中是一项有用的优化：它减少线程到线程的切换和缓冲的开销，并在降低延迟的同时提高整体吞吐量。可以配置链接行为，有关详细信息，请查阅链接文档。
 下图中的示例数据流由五个子任务执行，因此有五个并行线程。

作业管理器，任务管理器，客户端

  Flink运行时有两种类型的进程组成：

• 作业管理器(JobManagers,也称为主节点master)负责协调分布式运行时。它们调度任务，协调检查点，协调失败恢复，等。
   至少有一个作业管理器节点，高可用的环境有多个作业管理器，其中一个节点是leader角色，其他节点是standby角色。
• 任务管理器(TaskManagers,也称为工作节点worker)执行数据流的任务（更特定一些，子任务），缓冲以及转换数据流。
   同样至少有一个任务管理器节点。
   作业管理器与任务管理器可以以多种方式启动：以standalone集群的方式直接在主机上启动，或者被资源管理器YARN或Mesos管理启动。任务管理器连接到作业管理器上，声明它们自己是可用状态并且可被分配任务。
   客户端不是程序运行时的一部分，但是经常用来准备以及发送数据流程序到作业管理器上。此后，客户端可以断开连接，或者保持连接结束进程报告。客户端可以以Java/Scala程序的方式触发执行，或者在命令行"./bin/flink"中运行。
  

  Task Slot和资源

    每个Worker节点（任务管理器）是一个JVM进程，在分开的线程中可以执行一个或多个子任务。一个Worker通过控制task slots（至少一个）来控制节点接受多少任务。
   每个task slot代表任务管理器固定大小的资源子集。例如：一个拥有3个slot的任务管理器，将会分配它管理的1/3内存到每个slot。对资源进行分槽(slot)意味着子任务不会与其他作业的子任务竞争管理的内存，而是具有一定数量的保留管理内存。注意此处没有CPU隔离发生,现在只能分隔任务的管理内存。
    通过调整task slot数目，用户可以定义子任务之间如何隔离。每个任务管理器拥有一个slot意味着任务组运行在隔离的JVM（例如，可以在隔离的容器上启动）上。拥有多个slots意味着更多的子任务共享相同的JVM。在相同的JVM上的任务共享TCP连接（通过多路复用）和心跳信息。它们还可以共享数据集和数据结构，从而减少每个任务的开销。
  
    默认情况下，Flink允许子任务共享slot，即使它们是不同任务的子任务，只要它们来自同一个作业。结果就是一个slot拥有这个作业的所有管道操作（pipeline）。允许这种slot共享有两个主要的好处：

• Flink集群需要与作业中使用的最高并行度同样的task slots。无需计算程序总共包含多少任务（在不同的并行度之上）。
• 更容易获得更好的资源利用率。没有共享slot的情况下，非密集型的source与map()子任务将会阻塞与资源密集型的窗口子任务同样多的资源。通过共享slot，将并行度从2增加到6可以充分利用the slotted（时隙）资源，同时确保繁重的子任务在任务管理器上公平的分配。
  
   APIs同样还包括用于防止不期望的slot共享的资源组机制。
   根据经验，一个很好的默认任务槽(task slot)数就是CPU核心数。使用超线程，每个slot需要2个或更多硬件线程上下文。

状态后端(State Backends)

  存储键/值对索引的确切数据结构取决于所选的状态后端。一个状态后端将数据存储在内存中的哈希映射中，另一个状态后端使用[RocksDB]()作为键/值对存储。除了定义保存状态的数据结构之外，状态后端还实现逻辑以获取键/值对状态的时间点快照，并将该快照存储为检查点的一部分。

保存点Savepoints

  用Data Stream API编写的程序可以从保存点恢复执行。保存点允许更新程序和Flink集群，而不会丢失任何状态。
 保存点是手动触发的检查点，它会获取程序的快照并将其写入状态后端。他们依靠常规的检查点机制。在执行期间，程序会定期在工作节点上创建快照并生成检查点。对于恢复，仅仅需要最后完成的检查点，因此一旦新的检查点完成，就可以安全地丢弃旧的检查点。
 保存点与这些定期检查点类似，不同之处在于它们由用户触发，并且在较新的检查点完成时不会自动过期。可以从命令行或通过REST API取消作业时创建保存点。

文章名称：ApacheFlink官方文档--概念
标题链接：http://www.tsicrk.com/article/pgechj.html