FLIP27-Source，面试大数据开发工程师会问到那些问题

先自我介绍一下，小编浙江大学毕业，去过华为、字节跳动等大厂，目前阿里P7

深知大多数程序员，想要提升技能，往往是自己摸索成长，但自己不成体系的自学效果低效又漫长，而且极易碰到天花板技术停滞不前！

因此收集整理了一份《2024年最新大数据全套学习资料》，初衷也很简单，就是希望能够帮助到想自学提升又不知道该从何学起的朋友。

既有适合小白学习的零基础资料，也有适合3年以上经验的小伙伴深入学习提升的进阶课程，涵盖了95%以上大数据知识点，真正体系化！

由于文件比较多，这里只是将部分目录截图出来，全套包含大厂面经、学习笔记、源码讲义、实战项目、大纲路线、讲解视频，并且后续会持续更新

如果你需要这些资料，可以添加V获取：vip204888 （备注大数据）

正文

创建一个SplitEnumerator，SplitEnumerator是分割枚举器的接口，功能是发现reader读取器的分片并分配

• restoreEnumerator
  从checkpoint恢复SplitEnumerator
• getSplitSerializer
  为分片创建序列化器
• getEnumeratorCheckpointSerializer
  为SplitEnumerator的checkpoint创建序列化器

3.FileSource

以FileSource举例说明，大部分实现实际在AbstractFileSource

3.1.getBoundedness

由continuousEnumerationSettings决定是否有界

public Boundedness getBoundedness() {
    return continuousEnumerationSettings == null
            ? Boundedness.BOUNDED
            : Boundedness.CONTINUOUS\_UNBOUNDED;
}

continuousEnumerationSettings有专门的接口设置（monitorContinuously），在FileSystemTableSource以及WordCount用例里有实现。FileSystemTableSource里方式就是配置source.monitor-interval，用来周期性扫描文件目录

3.2.createEnumerator

上节的continuousEnumerationSettings在createSplitEnumerator接口当中使用，createSplitEnumerator接口由createEnumerator调用，用于产生SplitEnumerator

public SplitEnumerator<SplitT, PendingSplitsCheckpoint<SplitT>> createEnumerator(
        SplitEnumeratorContext<SplitT> enumContext) {

    final FileEnumerator enumerator = enumeratorFactory.create();

    // read the initial set of splits (which is also the total set of splits for bounded
    // sources)
    final Collection<FileSourceSplit> splits;
    try {
        // TODO - in the next cleanup pass, we should try to remove the need to "wrap unchecked"
        // here
        splits = enumerator.enumerateSplits(inputPaths, enumContext.currentParallelism());
    } catch (IOException e) {
        throw new FlinkRuntimeException("Could not enumerate file splits", e);
    }

    return createSplitEnumerator(enumContext, enumerator, splits, null);
}

• FileEnumerator
  在构建FileSource的时候确定，有两个实现
  BlockSplittingRecursiveEnumerator、NonSplittingRecursiveEnumerator
  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

网上学习资料一大堆，但如果学到的知识不成体系，遇到问题时只是浅尝辄止，不再深入研究，那么很难做到真正的技术提升。

需要这份系统化的资料的朋友，可以添加V获取：vip204888 （备注大数据）

一个人可以走的很快，但一群人才能走的更远！不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人，都欢迎加入我们的的圈子（技术交流、学习资源、职场吐槽、大厂内推、面试辅导），让我们一起学习成长！

需要这份系统化的资料的朋友，可以添加V获取：vip204888 （备注大数据）
[外链图片转存中…(img-pzszD0sM-1713124384045)]

一个人可以走的很快，但一群人才能走的更远！不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人，都欢迎加入我们的的圈子（技术交流、学习资源、职场吐槽、大厂内推、面试辅导），让我们一起学习成长！