FLIP27-Source，2024年最新大数据开发零基础开发

最新推荐文章于 2024-07-08 09:58:23 发布

2401_84160325

最新推荐文章于 2024-07-08 09:58:23 发布

阅读量964

点赞数 17

分类专栏：程序员文章标签：大数据 java 前端

本文链接：https://blog.csdn.net/2401_84160325/article/details/137703954

版权

程序员专栏收录该内容

30 篇文章 0 订阅

订阅专栏

BlockSplittingRecursiveEnumerator用于文件能拆分的，会拆分文件块
NonSplittingRecursiveEnumerator文件不能拆分，每个文件作为一个split

splits
目前关联FileSource是实现了NonSplittingRecursiveEnumerator，最终封装成了一个FileSourceSplit的List列表，这里的参数Parallelism接口里没有用

final String[] hosts =
        getHostsFromBlockLocations(fs.getFileBlockLocations(file, 0L, file.getLen()));
target.add(
        new FileSourceSplit(
                getNextId(),
                file.getPath(),
                0,
                file.getLen(),
                file.getModificationTime(),
                file.getLen(),
                hosts));

FileSplitAssigner
split分配器，FileSource使用的是LocalityAwareSplitAssigner
这里会有本地文件和远程文件的识别分配，但实际使用的时候还是依赖于上层（SplitEnumerator）的调用，会传入host
最终是由这个类返回一个FileSourceSplit
SplitEnumerator
注意这里传入的参数alreadyProcessedPaths是null，也就是说对于FileSource，每次都是全量扫描
AbstractFileSource里用到了两个实现
StaticFileSplitEnumerator、ContinuousFileSplitEnumerator，分别用于处理有界和无界文件流

3.3.createReader

创建一个阅读器，FileSource的实例是FileSourceReader，大部分功能在基础SourceReaderBase接口中实现了
读取的触发应该由SourceOperator的emitNext接口调用，最终调用到SourceReaderBase的pollNext接口，里面有一个死循环
这里有三层关系：fetch -> split -> record，一层一层获取
循环中有两个处理：1、record列表有数据，走flink的算子间的数据传输流程；2、无数据，则走读取split的流程（split也是一批批读取的，所以这里面包好了两个方法，从当前的split读取数据和读取下一个split）
fetch的获取由SplitFetcherManager控制，最终由FetchTask获取。有一个在各个对象之间传递的elementsQueue对象，存储了fetch列表，FetchTask会向它增加元素，在SourceReaderBase当中读取

3.4.用法

在WordCount里有样例

FileSource.FileSourceBuilder<String> builder =
        FileSource.forRecordStreamFormat(
                new TextLineInputFormat(), params.getInputs().get());

// If a discovery interval is provided, the source will
// continuously watch the given directories for new files.
params.getDiscoveryInterval().ifPresent(builder::monitorContinuously);

text = env.fromSource(builder.build(), WatermarkStrategy.noWatermarks(), "file-input");

forRecordStreamFormat接口定义数据格式，会在创建FileSourceReader的时候使用
monitorContinuously就是配置流式监控文件
最终是通过env封装成Source

4.SourceTransformation\SourceOperator

Flink数据源的执行表现形式还是SourceOperator，所以最终的执行触发还是在这个结构。算子层面，Source的表现形式为SourceTransformation，由SourceTransformation触发构建SourceOperator
原生的Source是SourceTransformation的一个成员

public SourceTransformation(
        String name,
        Source<OUT, SplitT, EnumChkT> source,
        WatermarkStrategy<OUT> watermarkStrategy,
        TypeInformation<OUT> outputType,
        int parallelism) {
    super(name, outputType, parallelism);
    this.source = source;
    this.watermarkStrategy = watermarkStrategy;
}

SourceOperator里有三个核心方法：
emitNext：是Operator的统一数据流转接口，即处理一次数据的接口
open\initReader：open里也调用了initReade，主要都是为了做初始化

4.1.initReader

这里面主要是创建了SourceReaderContext，SourceReaderContext里有两个重要的方法，负责向Coordinator发送请求

@Override
public void sendSplitRequest() {
    operatorEventGateway.sendEventToCoordinator(
            new RequestSplitEvent(getLocalHostName()));
}

@Override
public void sendSourceEventToCoordinator(SourceEvent event) {
    operatorEventGateway.sendEventToCoordinator(new SourceEventWrapper(event));
}

4.2.open

核心是对Reader的三步操作：1、初始化，即上面的initReader方法；2、注册，即向Coordinator发送请求，注册reader；3、启动，调用Reader的启动接口

4.3.emitNext

核心是通过SourceReader获取数据

// short circuit the hot path. Without this short circuit (READING handled in the
// switch/case) InputBenchmark.mapSink was showing a performance regression.
if (operatingMode == OperatingMode.READING) {
    return convertToInternalStatus(sourceReader.pollNext(currentMainOutput));
}
return emitNextNotReading(output);

5.ScanTableSource

关键接口是getScanRuntimeProvider，有子类实现，返回一个运行时数据读取器

6.相关类集合

Source - 帮助在运行时创建SplitEnumerator和SourceReader的工厂样式类。
SourceSplit - 所有拆分类型的接口。
SplitEnumerator - 发现拆分并将它们分配给SourceReaders
SplitEnumeratorContext - 向SplitEnumerator提供必要的信息以分配拆分并将自定义事件发送到SourceReaders。
SplitAssignment - 一个容器类，其中包含每个子任务的源拆分分配。
SourceReader - 从SplitEnumerator分配的拆分中读取记录。
SourceReaderContext - 为SourceReader提供必要的功能以与SplitEnumerator通信。
SourceOutput - 收集器样式接口，用于获取SourceReader发出的记录和时间戳。
WatermarkOutput -用于发出水印并指示源空闲的接口。
Watermark - 将在包org.apache.flink.api.common.eventtime 中创建一个新的 Watermark 类。该类最终将替换org.apache.flink.streaming.api.watermark 中现有的 Watermark。此更改允许 flink-core 保持独立于其他模块。鉴于我们最终会将所有水印生成放入源中，因此此更改将是必要的。请注意，此 FLIP 并不打算更改水印在源发出后可以在 DataStream 中覆盖的现有方式。