3.1 数据流和动态表
1.随处可见的流式数据
2.传统SQL和流处理
3.概述——数据流和动态表的转换
数据流-动态表-连续查询-动态表-数据流(输出)
在流上定义表:动态表随时间变化,可以像静态表一样进行查询(时间静止器)
4.连续查询:
1)查询从不终止
2)查询结果会不断更新,产生一个新的动态表
在任何时候,连续查询的结果在语义上与以批处理模式在输入表快照上执行的相同查询的结果相同。
5.查询产生仅追加数据的动态表
6.两个连续查询对比
虽然这两个示例查询看起来非常相似(都计算分组计数聚合),但它们在一个重要方面不同:
1)第一个查询更新先前输出的结果,即定义结果表的changelog流包含INSERT和UPDATE操作;
2)第二个查询只附加到结果表,即结果表的changelog流只包含INSERT操作。
7.Retract消息的产生
8.状态
查询运行中出现故障怎么办:
1) At-most-once(处理海量大数据): 出现故障的时候,啥也不做。数据处理不保证任何语义,处理时延低;
2) At-least-once(保证数据不丢失): 保证每条数据均至少被处理一次,条数据可能存在重复消费。
3) Exactly-once: 最严格的处理语义,从输出结果来看,每条数据均被消费且仅消费次, 仿佛故障从未发生。
3.2 Exactly-once 和 Checkpoint
1.状态快照与恢复(了解)
2.制作快照的时间点
状态恢复的时间点:需要等待所有处理逻辑消费完成source保留状态及之前的数据。
一个简单的快照制作算法:
1)暂停处理输入的数据;
2)等待后续所有处理算子消费当前E经输入的数据;
3)待2处理完后,作业所有算子复制自己的状态并保存到远端可靠存储;
4)恢复对输入数据的处理
3.Chandy-Lamport算法
快照制作的开始
每一个source算子都接收到JM发送的Checkpoint Barrier标识状态快照制作的开始
Source算子的处理
各个source保存自己的状态后,向所有连接的下游继续发送checkpoint barrier,同时告知自己状态已经制作完成。
Barrier Alignment
算子会等待所有上游的barrier到达后才开始快照的制作:已经制作完成的上游算子会继续处理数据,并不会被下游算子制作快照的过程阻塞。
快照制作和处理数据的解耦
checkpoint的结束
所有算子都告知JM状态制作完成后,整个Checkpoint就结束了
4.Checkpoint对作业性能的影响
1)解耦了快照制作和数据处理过程,各个算子制作完成状态快照后就可以正常处理数据,不用等下游算子制作制作完成快照;
2)在快照制作和Barrier Alignment过程中需要暂停处理数据,仍然会增加数据处理延迟;
3)快照保存到远端也有可能极为耗时。
3.3 端到端Exactly-Once实现
1.端到端exactly-once语义
1) Checkpoint 能保证每条数据都对各个有状态的算子更新一次, sink输出算子仍然可能下发重复的数据;
2)严格意义的端到端的Exactly-once语义需要特殊的sink算子实现。
2.两阶段提交协议
在多个节点参与执行的分布式系统中,为了协调每个节点都能同时执行或者回滚某个事务性的操作,引入了一个中心节点来统一处理所有 节点的执行逻辑,这个中心节点叫做协作者(coordinator) ,被中心节点调度的其他业务节点叫做参与者(participant) 。