2021年大数据Flink（四十八）：扩展阅读  Streaming File Sink

2021-10-11 15:27:42 浏览数 (1)

扩展阅读  Streaming File Sink

介绍

https://ci.apache.org/projects/flink/flink-docs-release-1.12/dev/connectors/streamfile_sink.html

场景描述

StreamingFileSink是Flink1.7中推出的新特性，是为了解决如下的问题：

大数据业务场景中，经常有一种场景：外部数据发送到kafka中，flink作为中间件消费kafka数据并进行业务处理；处理完成之后的数据可能还需要写入到数据库或者文件系统中，比如写入hdfs中。

StreamingFileSink就可以用来将分区文件写入到支持 Flink FileSystem 接口的文件系统中，支持Exactly-Once语义。

这种sink实现的Exactly-Once都是基于Flink checkpoint来实现的两阶段提交模式来保证的，主要应用在实时数仓、topic拆分、基于小时分析处理等场景下。

Bucket和SubTask、PartFile

  • Bucket

StreamingFileSink可向由Flink FileSystem抽象支持的文件系统写入分区文件（因为是流式写入，数据被视为无界）。该分区行为可配，默认按时间，具体来说每小时写入一个Bucket，该Bucket包括若干文件，内容是这一小时间隔内流中收到的所有record。

  • PartFile

每个Bukcket内部分为多个PartFile来存储输出数据，该Bucket生命周期内接收到数据的sink的每个子任务至少有一个PartFile。

而额外文件滚动由可配的滚动策略决定，默认策略是根据文件大小和打开超时（文件可以被打开的最大持续时间）以及文件最大不活动超时等决定是否滚动。

Bucket和SubTask、PartFile关系如图所示

案例演示

  • 需求

编写Flink程序，接收socket的字符串数据，然后将接收到的数据流式方式存储到hdfs

  • 开发步骤
  1. 初始化流计算运行环境
  2. 设置Checkpoint（10s）周期性启动
  3. 指定并行度为1
  4. 接入socket数据源，获取数据
  5. 指定文件编码格式为行编码格式
  6. 设置桶分配策略
  7. 设置文件滚动策略
  8. 指定文件输出配置
  9. 将streamingfilesink对象添加到环境
  10. 执行任务
  • 实现代码
代码语言：javascript复制
package cn.lanson.extend;

import org.apache.flink.api.common.serialization.SimpleStringEncoder;
import org.apache.flink.core.fs.Path;
import org.apache.flink.runtime.state.filesystem.FsStateBackend;
import org.apache.flink.streaming.api.datastream.DataStreamSource;
import org.apache.flink.streaming.api.environment.StreamExecutionEnvironment;
import org.apache.flink.streaming.api.functions.sink.filesystem.OutputFileConfig;
import org.apache.flink.streaming.api.functions.sink.filesystem.StreamingFileSink;
import org.apache.flink.streaming.api.functions.sink.filesystem.bucketassigners.DateTimeBucketAssigner;
import org.apache.flink.streaming.api.functions.sink.filesystem.rollingpolicies.DefaultRollingPolicy;

import java.util.concurrent.TimeUnit;

public class StreamFileSinkDemo {
    public static void main(String[] args) throws Exception {
        //1.env
        StreamExecutionEnvironment env = StreamExecutionEnvironment.getExecutionEnvironment();
        env.enableCheckpointing(TimeUnit.SECONDS.toMillis(10));
        env.setStateBackend(new FsStateBackend("file:///D:/ckp"));

        //2.source
        DataStreamSource<String> lines = env.socketTextStream("node1", 9999);

        //3.sink
        //设置sink的前缀和后缀
        //文件的头和文件扩展名
        //prefix-xxx-.txt
        OutputFileConfig config = OutputFileConfig
                .builder()
                .withPartPrefix("prefix")
                .withPartSuffix(".txt")
                .build();

        //设置sink的路径
        String outputPath = "hdfs://node1:8020/FlinkStreamFileSink/parquet";

        //创建StreamingFileSink
        final StreamingFileSink<String> sink = StreamingFileSink
                .forRowFormat(
                        new Path(outputPath),
                        new SimpleStringEncoder<String>("UTF-8"))
                /**
                 * 设置桶分配政策
                 * DateTimeBucketAssigner --默认的桶分配政策，默认基于时间的分配器，每小时产生一个桶，格式如下yyyy-MM-dd--HH
                 * BasePathBucketAssigner ：将所有部分文件（part file）存储在基本路径中的分配器（单个全局桶）
                 */
                .withBucketAssigner(new DateTimeBucketAssigner<>())
                /**
                 * 有三种滚动政策
                 *  CheckpointRollingPolicy
                 *  DefaultRollingPolicy
                 *  OnCheckpointRollingPolicy
                 */
                .withRollingPolicy(
                        /**
                         * 滚动策略决定了写出文件的状态变化过程
                         * 1. In-progress ：当前文件正在写入中
                         * 2. Pending ：当处于 In-progress 状态的文件关闭（closed）了，就变为 Pending 状态
                         * 3. Finished ：在成功的 Checkpoint 后，Pending 状态将变为 Finished 状态
                         *
                         * 观察到的现象
                         * 1.会根据本地时间和时区，先创建桶目录
                         * 2.文件名称规则：part-<subtaskIndex>-<partFileIndex>
                         * 3.在macos中默认不显示隐藏文件，需要显示隐藏文件才能看到处于In-progress和Pending状态的文件，因为文件是按照.开头命名的
                         *
                         */
                        DefaultRollingPolicy.builder()
                                .withRolloverInterval(TimeUnit.SECONDS.toMillis(2)) //设置滚动间隔
                                .withInactivityInterval(TimeUnit.SECONDS.toMillis(1)) //设置不活动时间间隔
                                .withMaxPartSize(1024 * 1024 * 1024) // 最大尺寸
                                .build())
                .withOutputFileConfig(config)
                .build();

        lines.addSink(sink).setParallelism(1);

        env.execute();
    }
}

扩展阅读  配置详解

PartFile

前面提到过，每个Bukcket内部分为多个部分文件，该Bucket内接收到数据的sink的每个子任务至少有一个PartFile。而额外文件滚动由可配的滚动策略决定。

关于顺序性

对于任何给定的Flink子任务，PartFile索引都严格增加（按创建顺序），但是，这些索引并不总是顺序的。当作业重新启动时，所有子任务的下一个PartFile索引将是max PartFile索引 1，其中max是指在所有子任务中对所有计算的索引最大值。

代码语言：javascript复制
return new Path(bucketPath, outputFileConfig.getPartPrefix()   '-'   subtaskIndex   '-'   partCounter   outputFileConfig.getPartSuffix());
  • PartFile生命周期

输出文件的命名规则和生命周期。由上图可知，部分文件（part file）可以处于以下三种状态之一：

1. In-progress ：

当前文件正在写入中

2. Pending ：

当处于 In-progress 状态的文件关闭（closed）了，就变为 Pending 状态

3. Finished ：

在成功的 Checkpoint 后，Pending 状态将变为 Finished 状态,处于 Finished 状态的文件不会再被修改，可以被下游系统安全地读取。

注意： 

使用 StreamingFileSink 时需要启用 Checkpoint ，每次做 Checkpoint 时写入完成。如果 Checkpoint 被禁用，部分文件（part file）将永远处于 'in-progress' 或 'pending' 状态，下游系统无法安全地读取。

  • PartFile的生成规则

在每个活跃的Bucket期间，每个Writer的子任务在任何时候都只会有一个单独的In-progress PartFile，但可有多个Peding和Finished状态文件。

一个Sink的两个Subtask的PartFile分布情况实例如下:

初始状态，两个inprogress文件正在被两个subtask分别写入

└── 2021-05-17--12     ├── part-0-0.inprogress.bd053eb0-5ecf-4c85-8433-9eff486ac334     └── part-1-0.inprogress.ea65a428-a1d0-4a0b-bbc5-7a436a75e575

当part-1-0因文件大小超过阈值等原因发生滚动时，变为Pending状态等待完成，但此时不会被重命名。注意此时Sink会创建一个新的PartFile即part-1-1：

└── 2020-05-17--12     ├── part-0-0.inprogress.bd053eb0-5ecf-4c85-8433-9eff486ac334     ├── part-1-0.inprogress.ea65a428-a1d0-4a0b-bbc5-7a436a75e575     └── part-1-1.inprogress.bc279efe-b16f-47d8-b828-00ef6e2fbd11

待下次checkpoint成功后，part-1-0完成变为Finished状态，被重命名：

└── 2021-05-17--12     ├── part-0-0.inprogress.bd053eb0-5ecf-4c85-8433-9eff486ac334     ├── part-1-0     └── part-1-1.inprogress.bc279efe-b16f-47d8-b828-00ef6e2fbd11

下一个Bucket周期到了，创建新的Bucket目录，不影响之前Bucket内的的in-progress文件，依然要等待文件RollingPolicy以及checkpoint来改变状态：

└── 2021-05-17--12     ├── part-0-0.inprogress.bd053eb0-5ecf-4c85-8433-9eff486ac334     ├── part-1-0     └── part-1-1.inprogress.bc279efe-b16f-47d8-b828-00ef6e2fbd11 └── 2021-05-17--13     └── part-0-2.inprogress.2b475fec-1482-4dea-9946-eb4353b475f1

  • PartFile命名设置

默认，PartFile命名规则如下：

  • In-progress / Pending part--.inprogress.uid
  • Finished part--

比如part-1-20表示1号子任务已完成的20号文件。

可以使用OutputFileConfig来改变前缀和后缀，代码示例如下：

代码语言：javascript复制
OutputFileConfig config = OutputFileConfig

 .builder()

 .withPartPrefix("prefix")

 .withPartSuffix(".ext")

 .build()

            

StreamingFileSink sink = StreamingFileSink

 .forRowFormat(new Path(outputPath), new SimpleStringEncoder<String>("UTF-8"))

 .withBucketAssigner(new KeyBucketAssigner())

 .withRollingPolicy(OnCheckpointRollingPolicy.build())

 .withOutputFileConfig(config)

 .build()

得到的PartFile示例如下

└── 2021-05-17--12     ├── prefix-0-0.ext     ├── prefix-0-1.ext.inprogress.bd053eb0-5ecf-4c85-8433-9eff486ac334     ├── prefix-1-0.ext     └── prefix-1-1.ext.inprogress.bc279efe-b16f-47d8-b828-00ef6e2fbd11

PartFile序列化编码

StreamingFileSink 支持行编码格式和批量编码格式，比如 Apache Parquet 。这两种变体可以使用以下静态方法创建：

  • Row-encoded sink: 

StreamingFileSink.forRowFormat(basePath, rowEncoder)

代码语言：javascript复制
//行
StreamingFileSink.forRowFormat(new Path(path), new SimpleStringEncoder<T>())
        .withBucketAssigner(new PaulAssigner<>()) //分桶策略
        .withRollingPolicy(new PaulRollingPolicy<>()) //滚动策略
        .withBucketCheckInterval(CHECK_INTERVAL) //检查周期
        .build();

StreamingFileSink.forBulkFormat(basePath, bulkWriterFactory)Bulk-encoded sink:

代码语言：javascript复制
//列 parquet
StreamingFileSink.forBulkFormat(new Path(path), ParquetAvroWriters.forReflectRecord(clazz))
        .withBucketAssigner(new PaulBucketAssigner<>())
        .withBucketCheckInterval(CHECK_INTERVAL)
        .build();

这两种写入格式除了文件格式的不同，另外一个很重要的区别就是回滚策略的不同：创建行或批量编码的 Sink 时，我们需要指定存储桶的基本路径和数据的编码

  1. forRowFormat行写可基于文件大小、滚动时间、不活跃时间进行滚动，
  2. forBulkFormat列写方式只能基于checkpoint机制进行文件滚动，即在执行snapshotState方法时滚动文件，如果基于大小或者时间滚动文件，那么在任务失败恢复时就必须对处于in-processing状态的文件按照指定的offset进行truncate，由于列式存储是无法针对文件offset进行truncate的，因此就必须在每次checkpoint使文件滚动，其使用的滚动策略实现是OnCheckpointRollingPolicy。

forBulkFormat只能和 `OnCheckpointRollingPolicy` 结合使用，每次做 checkpoint 时滚动文件。

  • Row Encoding

此时，StreamingFileSink会以每条记录为单位进行编码和序列化。

必须配置项：

  • 输出数据的BasePath
  • 序列化每行数据写入PartFile的Encoder

使用RowFormatBuilder可选配置项：

  • 自定义RollingPolicy

默认使用DefaultRollingPolicy来滚动文件，可自定义

  • bucketCheckInterval

默认1分钟。该值单位为毫秒，指定按时间滚动文件间隔时间

例子如下：

代码语言：javascript复制
import org.apache.flink.api.common.serialization.SimpleStringEncoder

import org.apache.flink.core.fs.Path

import org.apache.flink.streaming.api.functions.sink.filesystem.StreamingFileSink



// 1. 构建DataStream

DataStream input  = ...

// 2. 构建StreamingFileSink，指定BasePath、Encoder、RollingPolicy

StreamingFileSink sink  = StreamingFileSink

    .forRowFormat(new Path(outputPath), new SimpleStringEncoder[String]("UTF-8"))

    .withRollingPolicy(

        DefaultRollingPolicy.builder()

            .withRolloverInterval(TimeUnit.MINUTES.toMillis(15))

            .withInactivityInterval(TimeUnit.MINUTES.toMillis(5))

            .withMaxPartSize(1024 * 1024 * 1024)

            .build())

    .build()

// 3. 添加Sink到InputDataSteam即可

input.addSink(sink)

以上例子构建了一个简单的拥有默认Bucket构建行为（继承自BucketAssigner的DateTimeBucketAssigner）的StreamingFileSink，每小时构建一个Bucket，内部使用继承自RollingPolicy的DefaultRollingPolicy，以下三种情况任一发生会滚动PartFile：

  1. PartFile包含至少15分钟的数据
  2. 在过去5分钟内没有接收到新数据
  3. 在最后一条记录写入后，文件大小已经达到1GB

除了使用DefaultRollingPolicy，也可以自己实现RollingPolicy接口来实现自定义滚动策略。

  • Bulk Encoding

要使用批量编码，请将StreamingFileSink.forRowFormat()替换为StreamingFileSink.forBulkFormat()，注意此时必须指定一个BulkWriter.Factory而不是行模式的Encoder。BulkWriter在逻辑上定义了如何添加、fllush新记录以及如何最终确定记录的bulk以用于进一步编码。

需要注意的是，使用Bulk Encoding时，Filnk1.9版本的文件滚动就只能使用OnCheckpointRollingPolicy的策略，该策略在每次checkpoint时滚动part-file。

Flink有三个内嵌的BulkWriter：

  • ParquetAvroWriters

有一些静态方法来创建ParquetWriterFactory。

  • SequenceFileWriterFactory
  • CompressWriterFactory

Flink有内置方法可用于为Avro数据创建Parquet writer factory。

要使用ParquetBulkEncoder，需要添加以下Maven依赖：

代码语言：javascript复制
<!-- streaming File Sink所需要的jar包-->

<dependency>

    <groupId>org.apache.flink</groupId>

    <artifactId>flink-parquet_2.12</artifactId>

    <version>1.12.0</version>

</dependency>



<!-- https://mvnrepository.com/artifact/org.apache.avro/avro -->

<dependency>

    <groupId>org.apache.avro</groupId>

    <artifactId>avro</artifactId>

    <version>1.12.0</version>

</dependency>



<dependency>

    <groupId>org.apache.parquet</groupId>

    <artifactId>parquet-avro</artifactId>

    <version>1.12.0</version>

</dependency>

桶分配策略

桶分配策略定义了将数据结构化后写入基本输出目录中的子目录，行格式和批量格式都需要使用。

具体来说，StreamingFileSink使用BucketAssigner来确定每条输入的数据应该被放入哪个Bucket，

默认情况下，DateTimeBucketAssigner 基于系统默认时区每小时创建一个桶：

格式如下：yyyy-MM-dd--HH。日期格式（即桶的大小）和时区都可以手动配置。

我们可以在格式构建器上调用 .withBucketAssigner(assigner) 来自定义 BucketAssigner。

Flink 有两个内置的 BucketAssigners ：

  1. DateTimeBucketAssigner：默认基于时间的分配器
  2. BasePathBucketAssigner：将所有部分文件（part file）存储在基本路径中的分配器（单个全局桶）

​​​​​​​

  • ​​​​​​​DateTimeBucketAssigner

Row格式和Bulk格式编码都使用DateTimeBucketAssigner作为默认BucketAssigner。 默认情况下，DateTimeBucketAssigner 基于系统默认时区每小时以格式yyyy-MM-dd--HH来创建一个Bucket，Bucket路径为/{basePath}/{dateTimePath}/。

  1. basePath是指StreamingFileSink.forRowFormat(new Path(outputPath)时的路径
  2. dateTimePath中的日期格式和时区都可在初始化DateTimeBucketAssigner时配置
代码语言：javascript复制
public class DateTimeBucketAssigner<IN> implements BucketAssigner<IN, String> {

private static final long serialVersionUID = 1L;



// 默认的时间格式字符串

private static final String DEFAULT_FORMAT_STRING = "yyyy-MM-dd--HH";



// 时间格式字符串

private final String formatString;



// 时区

private final ZoneId zoneId;



// DateTimeFormatter被用来通过当前系统时间和DateTimeFormat来生成时间字符串

private transient DateTimeFormatter dateTimeFormatter;



/**

 * 使用默认的`yyyy-MM-dd--HH`和系统时区构建DateTimeBucketAssigner

 */

public DateTimeBucketAssigner() {

    this(DEFAULT_FORMAT_STRING);

}



/**

 * 通过能被SimpleDateFormat解析的时间字符串和系统时区

 * 来构建DateTimeBucketAssigner

 */

public DateTimeBucketAssigner(String formatString) {

    this(formatString, ZoneId.systemDefault());

}



/**

 * 通过默认的`yyyy-MM-dd--HH`和指定的时区

 * 来构建DateTimeBucketAssigner

 */

public DateTimeBucketAssigner(ZoneId zoneId) {

    this(DEFAULT_FORMAT_STRING, zoneId);

}



/**

 * 通过能被SimpleDateFormat解析的时间字符串和指定的时区

 * 来构建DateTimeBucketAssigner

 */

public DateTimeBucketAssigner(String formatString, ZoneId zoneId) {

    this.formatString = Preconditions.checkNotNull(formatString);

    this.zoneId = Preconditions.checkNotNull(zoneId);

}



/**

 * 使用指定的时间格式和时区来格式化当前ProcessingTime，以获取BucketId

 */

@Override

public String getBucketId(IN element, BucketAssigner.Context context) {

    if (dateTimeFormatter == null) {

        dateTimeFormatter = DateTimeFormatter.ofPattern(formatString).withZone(zoneId);

    }

  return dateTimeFormatter.format(Instant.ofEpochMilli(context.currentProcessingTime()));

}



@Override

public SimpleVersionedSerializer<String> getSerializer() {

    return SimpleVersionedStringSerializer.INSTANCE;

}



@Override

public String toString() {

    return "DateTimeBucketAssigner{"  

    "formatString='"   formatString   '''  

    ", zoneId="   zoneId  

    '}';

    }

}
  • BasePathBucketAssigner

将所有PartFile存储在BasePath中（此时只有单个全局Bucket）。

先看看BasePathBucketAssigner的源码，方便继续学习DateTimeBucketAssigner：

代码语言：javascript复制
@PublicEvolving
public class BasePathBucketAssigner<T> implements BucketAssigner<T, String> {
	private static final long serialVersionUID = -6033643155550226022L;
	/**
	 * BucketId永远为""，即Bucket全路径为用户指定的BasePath
	 */
	@Override
	public String getBucketId(T element, BucketAssigner.Context context) {
		return "";
	}
	/**
	 * 用SimpleVersionedStringSerializer来序列化BucketId
	 */
	@Override
	public SimpleVersionedSerializer<String> getSerializer() {
		// in the future this could be optimized as it is the empty string.
		return SimpleVersionedStringSerializer.INSTANCE;
	}

	@Override
	public String toString() {
		return "BasePathBucketAssigner";
	}
}

​​​​​​​滚动策略   

滚动策略 RollingPolicy 定义了指定的文件在何时关闭（closed）并将其变为 Pending 状态，随后变为 Finished 状态。处于 Pending 状态的文件会在下一次 Checkpoint 时变为 Finished 状态，通过设置 Checkpoint 间隔时间，可以控制部分文件（part file）对下游读取者可用的速度、大小和数量。

Flink 有两个内置的滚动策略：

  • DefaultRollingPolicy
  • OnCheckpointRollingPolicy

需要注意的是，使用Bulk Encoding时，文件滚动就只能使用OnCheckpointRollingPolicy的策略，该策略在每次checkpoint时滚动part-file。

flink 大数据 python 文件存储

0 人点赞