我们都知道，离线计算有Hive,使用过的知道，需要先定义一个schema,比如针对HDFS这种存储对标mysql定义一个schema，schema的本质是什么？主要描述下面这些信息整理了一份适合2018年学习的大数据资料需要的加群QQ群：834325294 注明简书既可免费获取
1）当前存储的物理位置的描述
2）数据格式的组成形式
然后Hive可以让用户定义一段sql，针对上面定义的schema进行，sql的本质是什么，是业务逻辑的描述。然后Hive内部会将这段sql进行编译转化为原生的底层MapReduce操作，通过这种方式，屏蔽底层技术原理，让业务开发人员集中精力在schema和sql业务逻辑上，flink sql平台也正是做同样的事情。
一开始经过跟上海同事的讨论，选择Uber的Athenax作为技术选型，通过翻阅源码，发现还是有很多不完善的地方，比如配置文件采用yaml，如果做多集群调度，平台代码优化，多存储扩展机制，都没有考虑得很清楚，所以代码拿过来之后基本上可以说按照对yarn和flink的理解重新写了一遍。
大致的工作流程如图所示：
简单解释一下：
1)业务定义job
2)提交到web服务器,存到mysql中
3)flink平台进程定时扫描mysql,探测到udf变化，按需实时编译class,class常驻内存
4)同时打包推送到hdfs
5)flink平台进程定时扫描mysql,探测到job定义，并从yarn集群获取当前运行状态的job的report
比较时间戳，决定哪些任务要杀死，启动
6)flink提交到yarn集群的任务，yarn会从hdfs拉取job描述里的jar包，启动这个flink job
然后步骤3,4,5,6 重复执行
下面是平台代码的思路
1）通过springboot提供HTTP API，提供多集群定义，存储在mysql里
一个集群需要定义的信息点如下：
2）提供HTTP API让业务进行Job定义
这里的Job定义包含3个方面：job的输出输出的schema定义，job的业务逻辑定义（sql）,job需要的yarn资源定义，具体来说如下所示：
Job定义
文中的sql定义
SELECTSUM(nested.number)asnestedNumber,
hundredFunction(SUM(CAST(`value`ASDOUBLE)))as`sum`,
COUNT(`value`)as`count`,
AVG(CAST(`value`ASDOUBLE))as`avg`,
MAX(CAST(`value`ASDOUBLE))as`max`,
MIN(CAST(`value`ASDOUBLE))as`min`,
TUMBLE_END(`time`,INTERVAL'3'SECOND)as`time`
FROMinput.`ymm-appmetric-dev-self1`
WHEREmetricISNOTNULLAND`value`ISNOTNULL
and`time`ISNOTNULL
GROUPBYmetric,TUMBLE(`time`,INTERVAL'3'SECOND)
输入/输出schema定义，以kafka为例，输入和输出格式差不多
{"brokerAddress":"略","topic":"dev-metric","schemas":[ {"key":"sum","type":"double"}, {"key":"count","type":"int"}, {"key":"avg","type":"double"}, {"key":"max","type":"double"}, {"key":"min","type":"double"}, {"key":"time","type":"timestamp"}, {"key":"nestedNumber","type":"int"} ]}
对于业务来说，“打开IDE->了解flink语法写java代码->打包成jar->提交到yarn集群”这一环节省去了，直接打开界面，点击按钮定义sql，写一段业务逻辑sql,提交此业务到mysql，关闭浏览器即可.由平台进行调度(秒级),永远不用担心这个任务某一天挂了怎么办，平台会自动发现自动拉起.提交一次永远不需要再人工干预，除非逻辑发生变化，在逻辑发生变化时也简单，打开任务修改再提交，关闭浏览器，结束，平台会发现job变化杀死老任务拉起新任务.
下面讲一下平台内部是如何实现的
3）集群自动发现
如果平台维护方想增加一个集群，通过界面直接定义一个存在mysql即可，后台线程会自动发现，为每个集群创建一个线程，多节点情况下，整个环境中某个特定集群的多个线程通过ZK进行抢占决定哪个线程当前为这个集群服务.
增加JVM关闭钩子，在JVM退出时，主动关闭ZK客户端，释放ZK上的临时节点.
4）UDF的支持&自动发现
平台支持平台级UDF的定义，由平台人员进行维护，平台人员编写脚本，通过base64编码存在mysql里，归属到某个集群，这个集群的扫描线程发现有必要进行编译时，实时编译成class常驻内存，同时，打包成jar包上传到远程HDFS，后面会将此路径放入到具体job的classpath路径下. job就可以正确发现UDF.
当UDF没有发生变化时，线程不会编译，而是复用上一次的编译结果.
5)程序可以任意部署，不依赖大数据环境
程序本身不依赖大数据环境的配置，具体是指不需要依赖当前宿主机.../etc/hadoop/*.xml文件
通过读取cluster的配置，动态生成XML配置，再生成HDFS/YARN的客户端client,这样，平台代码可以任意部署到物理机/容器中，只要环境可以通过TCP连接到对应域名/ip即可.
6)如何做任务调度-任务的自动发现
这里的任务调度是指:哪些任务需要下线，哪些任务需要第一次上线，哪些任务需要重新上线，
这里的业务逻辑就是比较mysql里job的时间戳和yarn集群里任务的时间戳
yarn集群里任务的时间戳是通过提交时打上Tag标记，就是为了下一次比较用。
这里有一个细节，就是Athenax的做法是先算出所有要杀死的任务，杀死，再拉起所有要拉起的任务，个人认为这里不妥，优化之后的做法是：按照任务级别，算出(killaction,startaction),对于单个job来说，二者至少存在1个action,然后以任务为级别进行调度，不再是之前的大一统提交方式，这样就算单个任务调度异常，也不影响其它任务，做到了任务之间做隔离.
通过时间戳的方式，就不难理解业务一旦修改任务，平台发现时间戳有变化，就可以自动杀死老任务，拉起新任务，不需要人工操作.
7)拉起任务中的编译工作
一个job需要拉起时，会实时结合(输入schema,SQL业务逻辑，输出schema)进行编译，
正如hive会翻译成原生的mapreduce操作，flink sql编译工作会翻译成原生的flink jobgraph
这部分是抽取了athenax里的编译工作做2开
代码如下：
private JobCompilerResult compile(Mapinputs,StringoriginSql,
ExternalCatalog output, ResourceDTO resourceDTO,
ClusterDTO athenaxCluster,
Configuration flinkConf) throws Exception {
// 解析sql
LoggerUtil.info("to be compiled sql : [{}]", originSql);
SqlNodeList stmts = (SqlNodeList)newCalciteSqlParser().parse(originSql);
Validator validator =newValidator();
validator.validateQuery(stmts);
HashMap udfMap = validator.getUserDefinedFunctions();
StringselectSql = validator.getStatement().toString();
ListadditionalResources = validator.getAdditionalResources();
LoggerUtil.info("succeed to parse sql,result is : [{}]", stmts);
LoggerUtil.info("udf {}", udfMap);
LoggerUtil.info("statement {}", selectSql);
LoggerUtil.info("additionalResources {}", additionalResources);
// 准备编译,输出Flink的JobGraph
LoggerUtil.info("begin to create execution environment");
StreamExecutionEnvironment localExecEnv = StreamExecutionEnvironment
.createLocalEnvironment();
//非常重要
setFeature(localExecEnv,
resourceDTO.getTaskManagerCount() * resourceDTO.getSlotPerTaskManager(), flinkConf);
StreamTableEnvironment tableEnv = StreamTableEnvironment.getTableEnvironment(localExecEnv);
LoggerUtil.info("tableEnv : {} ", tableEnv);
// 注册UDF,收归到平台了,也就是说,只支持平台开发人员预定义,暂时不支持业务自定义
for(Map.Entry e : udfMap.entrySet()) {
finalStringname = e.getKey();
StringclazzName = e.getValue();
LoggerUtil.info("used udf specified by business : {}", name);
}
registerSDF(athenaxCluster, tableEnv);
LoggerUtil.info("all udf registerd , bingo");
// 开始注册所有的input相关的schema
for(Map.Entry e : inputs.entrySet()) {
LoggerUtil.info("Registering input catalog {}", e.getKey());
tableEnv.registerExternalCatalog(e.getKey(), e.getValue());
}
LoggerUtil.info("all input catalog registerd , bingo");
Table table = tableEnv.sqlQuery(selectSql);
LoggerUtil.info("succeed to execute tableEnv.sqlQuery(...)");
LoggerUtil.info("table {}", table);
LoggerUtil.info("bingo! input work done completely,let us handle output work now!!!");
// 开始注册output
ListoutputTables = output.listTables();
for(Stringt : outputTables) {
table.writeToSink(getOutputTable(output.getTable(t)));
}
LoggerUtil.info("handle output ok");
// 生成JobGraph
StreamGraph streamGraph = localExecEnv.getStreamGraph();
JobGraph jobGraph = streamGraph.getJobGraph();
// this is required because the slots are allocated lazily
//如果为true就会报错,然后flink内部就是一直重启,所以设置为false
jobGraph.setAllowQueuedScheduling(false);
LoggerUtil.info("create flink job ok {}", jobGraph);
JobGraphTool.analyze(jobGraph);
// 生成返回结果
JobCompilerResult jobCompilerResult =newJobCompilerResult();
jobCompilerResult.setJobGraph(jobGraph);
ArrayList paths =newArrayList();
Collection values = udfMap.values();
for(Stringvalue : values) {
paths.add(value);
}
jobCompilerResult.setAdditionalJars(paths);
returnjobCompilerResult;
}
这部分工作要理解，需要对Calcite有基础
8)多存储的支持
平台在一开始编写的时候，就考虑到了多存储支持，虽然很多任务是从kafka->计算->Kafka
但是平台并不只满足于这一点，因为写到kafka之后，可能还需要业务再去维护一段代码取读取kafka的消息进行消费，如果有的业务希望直接能把结果写到mysql,这个时候就是需要对多存储进行扩展
通过设计和扩展机制，平台开发人员只需要定义储存相关的类，针对schema定义的解析工作已经再父类中完成，所有存储类共用，这样可以灵活支持多存储，平台开发人员只需要把重点放在特定存储性质的支撑即可.
PS:编写此类存储类需要对fink job内部的运行机制，否则会造成资源泄露和浪费.
平台内部已经针对每种类型进行了定义
// 存储类型
//排名不分先后
public static int STORAGE_REDIS = 1 << 0; //1
public static int STORAGE_MYSQL = 1 << 1; //2
public static int STORAGE_ROCKETMQ = 1 << 2; //4
public static int STORAGE_KAFKA = 1 << 3; //8
public static int STORAGE_PULSAR = 1 << 4; //16
public static int STORAGE_OTHER0 = 1 << 5; //32
public static int STORAGE_OTHER1 = 1 << 6; //64
public static int STORAGE_OTHER2 = 1 << 7; //128
public static int STORAGE_RABBITMQ = 1 << 8; //256
public static int STORAGE_HBASE = 1 << 9; //512
public static int STORAGE_ES = 1 << 10;//1024
public static int STORAGE_HDFS = 1 << 11;//2048
目前支持的情况如下：
输入:Kafka
输出:Kafka/Mysql
PS:输出mysql是基于flink官方的提供类实现的第一版，经过分析源码，mysql sink官方这部分代码写得太随意，差评.
后续当业务有需求时，需要结合zebra做2次开发.毕竟运维不会提供生产环境的ip和端口等信息，只会提供一个数据源字符串标识.这样更贴合公司内部的运行环境
9)任务提交
一旦生成flink原生的job,就可以准备提交工作
这部分需要对yarn的运行机制比较清楚，比如任务提交到RM上经过哪些状态变化，ApplicationMaster如何申请资源启动TaskManager, 具体的job是如何提交给JobManager的，平台开发人员需要对此有基本的原理掌握，当初也是0基础开始学习，通过快速翻阅源代码掌握一些运行机制，方可安心进行平台开发.
10)其它优化
针对yarn client的参数优化，保证可在一定时间内返回，否则可能一直卡死
针对flink job的平台级优化，比如禁止缓存，让信息立刻传输到下一个环节(默认100毫秒延迟)
定义flink job的重启次数，当发生异常时可自行恢复等
11)压测结果
输入：本地启动7个线程，发送速度
每秒发送到kafka 十几万条
接收topic描述
ymm-appmetric-dev-self1 开发环境 partitions 6 replication 1
flink任务描述
2个TaskManager进程 每个进程800M内存 每个进程3个线程，
并行度 2*3=6
flink计算任务所用sql
SELECTSUM(nested.number)asnestedNumber,
hundredFunction(SUM(CAST(`value`ASDOUBLE)))as`sum`,
COUNT(`value`)as`count`,
AVG(CAST(`value`ASDOUBLE))as`avg`,
MAX(CAST(`value`ASDOUBLE))as`max`,
MIN(CAST(`value`ASDOUBLE))as`min`,
TUMBLE_END(`time`,INTERVAL'3'SECOND)as`time`
FROMinput.`ymm-appmetric-dev-self1`
WHEREmetricISNOTNULLAND`value`ISNOTNULLand`time`ISNOTNULL
GROUPBYmetric, TUMBLE(`time`,INTERVAL'3'SECOND)
输出topic
ymm-appmetric-dev-result partitions 3
观察flink consumer端的消费速度
每个线程的消费速度在24000上下浮动，并发度6，每秒可消费kafka消息14万+，应该说目前不会碰到性能瓶颈.
其它
本次测试发送数据条数：4.3 亿条
耗时：56分钟
对于业务开发人员来说，我觉得好处就是
1)不需要懂flink语法(你真的想知道flink的玩法？好吧我承认你很好学)
2)不需要打开IDE写java代码(你真的想写Java代码？好吧我承认你对Java是真爱)
3)提交一次，不再需要人工介入(你真的想在假期/晚上/过节/过年 担心任务挂掉？好吧我承认你很敬业)
只需要
1)界面点击操作,定义你的schema
2)写一段你所擅长的sql
3)点击提交按钮
4)关闭浏览器
5)关闭电脑
其它的就交给平台吧!
后续：针对平台来说，后续的主要工作是根据业务需求扩展多存储
如果再长远，那就是要深度阅读flink源码对平台进行二次优化
作者：大数据首席数据师
链接：https://www.jianshu.com/p/25131a8a4806
随时随地看视频
