checkPoint保存数据
如果一个task在处理过程中挂掉了,那么它在内存中的状态都会丢失,所有的数据都需要重新计算。从容错和消息处理的语义上(at least once, exactly once),Flink引入了state和checkpoint。
- 首先区分一下两个概念
- state:一个具体的task/operator的状态【state数据默认保存在java的堆内存中】
- checkpoint:一个Flink Job在一个特定时刻的一份全局状态快照,即包含了所有task/operator的状态【可以理解为checkpoint是把state数据持久化存储了】
- 注意:task是Flink中执行的基本单位。operator指算子(transformation)。State可以被记录,在失败的情况下数据还可以恢复
- Flink中有两种基本类型的State
- Keyed State
- Operator State
- 针对两种state,每种state都有两种方式存在
- 原始状态(raw state)
- 由用户自行管理状态具体的数据结构
- 托管状态(managed state)
- 托管状态是由Flink框架管理的状态
- 原始状态(raw state)
- 通常在DataStream上的状态推荐使用托管的状态,当实现一个用户自定义的operator时,会使用到原始状态
- flink官网关于state的介绍
- https://ci.apache.org/projects/flink/flink-docs-release-1.6/dev/stream/state/state.html#using-managed-operator-state
1:keyed state的托管状态
- 基于KeyedStream上的状态。这个状态是跟特定的key绑定的,对KeyedStream流上的每一个key,都对应一个state。
- 保存state的数据结构
- ValueState:即类型为T的单值状态。这个状态与对应的key绑定,是最简单的状态了。它可以通过update方法更新状态值,通过value()方法获取状态值
- ListState:即key上的状态值为一个列表。可以通过add方法往列表中附加值;也可以通过get()方法返回一个Iterable来遍历状态值
- ReducingState:这种状态通过用户传入的reduceFunction,每次调用add方法添加值的时候,会调用reduceFunction,最后合并到一个单一的状态值
- MapState<UK, UV>:即状态值为一个map。用户通过put或putAll方法添加元素
- 需要注意的是,以上所述的State对象,仅仅用于与状态进行交互(更新、删除、清空等),而真正的状态值,有可能是存在内存、磁盘、或者其他分布式存储系统中。相当于我们只是持有了这个状态的句柄
2:operator state托管状态
- 对于与key无关的dataStream可以进行状态托管,与算子进行绑定,对我们的数据进行处理
- 与Key无关的State,与Operator绑定的state,整个operator只对应一个state保存state的数据结构一般使用ListState<泛型>
- 例如:flink中的Kafka Connector,就使用了operator state。它会在每个connector实例中,保存该实例中消费topic的所有(partition, offset)映射
3:Flink的checkPoint保存数据
- 3.1:checkPoint的基本概念
- 为了保证state的容错性,Flink需要对state进行checkpoint。
Checkpoint是Flink实现容错机制最核心的功能,它能够根据配置周期性地基于Stream中各个Operator/task的状态来生成快照,从而将这些状态数据定期持久化存储下来,当Flink程序一旦意外崩溃时,重新运行程序时可以有选择地从这些快照进行恢复,从而修正因为故障带来的程序数据异常
- 为了保证state的容错性,Flink需要对state进行checkpoint。
- 3.2:checkPoint的前提
- Flink的checkpoint机制可以与(stream和state)的持久化存储交互的前提
- 1):持久化的source,它需要支持在一定时间内重放事件。这种sources的典型例子是持久化的消息队列(比如Apache Kafka,RabbitMQ等)或文件系统(比如HDFS,S3,GFS等)
- 2):用于state的持久化存储,例如分布式文件系统(比如HDFS,S3,GFS等)
- Flink的checkpoint机制可以与(stream和state)的持久化存储交互的前提
- 3.3:Flink进行checkpoint需要的步骤
- 1):暂停新数据的输入
- 2):等待流中on-the-fly的数据被处理干净,此时得到flink graph的一个snapshot
- 3):将所有Task中的State拷贝到State Backend中,如HDFS。此动作由各个Task Manager完成
- 4):各个Task Manager将Task State的位置上报给Job Manager,完成checkpoint
- 5):恢复数据的输入
- 需要“暂停输入+排干on-the-fly数据”的操作,这样才能拿到同一时刻下所有task的state
- 3.4:配置checkPoint
- 默认checkpoint功能是disabled的,想要使用的时候需要先启用
- checkpoint开启之后,默认的checkPointMode是Exactly-once
- checkpoint的checkPointMode有两种,Exactly-once和At-least-once
- Exactly-once对于大多数应用来说是最合适的。At-least-once可能用在某些延迟超低的应用程序(始终延迟为几毫秒)
//默认checkpoint功能是disabled的,想要使用的时候需要先启用 // 每隔1000 ms进行启动一个检查点【设置checkpoint的周期】 environment.enableCheckpointing(1000); // 高级选项: // 设置模式为exactly-once (这是默认值) environment.getCheckpointConfig.setCheckpointingMode(CheckpointingMode.EXACTLY_ONCE); // 确保检查点之间有至少500 ms的间隔【checkpoint最小间隔】 environment.getCheckpointConfig.setMinPauseBetweenCheckpoints(500); // 检查点必须在一分钟内完成,或者被丢弃【checkpoint的超时时间】 environment.getCheckpointConfig.setCheckpointTimeout(60000); // 同一时间只允许进行一个检查点 environment.getCheckpointConfig.setMaxConcurrentCheckpoints(1); // 表示一旦Flink处理程序被cancel后,会保留Checkpoint数据,以便根据实际需要恢复到指定的Checkpoint【详细解释见备注】 /** * ExternalizedCheckpointCleanup.RETAIN_ON_CANCELLATION:表示一旦Flink处理程序被cancel后,会保留Checkpoint数据,以便根据实际需要恢复到指定的Checkpoint * ExternalizedCheckpointCleanup.DELETE_ON_CANCELLATION: 表示一旦Flink处理程序被cancel后,会删除Checkpoint数据,只有job执行失败的时候才会保存checkpoint */ environment.getCheckpointConfig.enableExternalizedCheckpoints(ExternalizedCheckpointCleanup.RETAIN_ON_CANCELLATION);
- 3.5:checkPoint状态管理之State Backend
- 默认情况下,state会保存在taskmanager的内存中,checkpoint会存储在JobManager的内存中。
- state 的store和checkpoint的位置取决于State Backend的配置:env.setStateBackend(…)
- 一共有三种State Backend
- 1:MemoryStateBackend # 内存存储
- 将数据持久化状态存储到内存当中,state数据保存在java堆内存中,执行checkpoint的时候,会把state的快照数据保存到jobmanager的内存中。基于内存的state backend在生产环境下不建议使用
- 代码配置:environment.setStateBackend(new MemoryStateBackend())
- 2:FsStateBackend # 文件系统存储
- state数据保存在taskmanager的内存中,执行checkpoint的时候,会把state的快照数据保存到配置的文件系统中。可以使用hdfs等分布式文件系统
- 代码配置:environment.setStateBackend(new FsStateBackend(“hdfs://node01:8020”))
- 3: RocksDBStateBackend # rocksDB是一个数据库
- RocksDB介绍:RocksDB使用一套日志结构的数据库引擎,为了更好的性能,这套引擎是用C++编写的。 Key和value是任意大小的字节流。RocksDB跟上面的都略有不同,它会在本地文件系统中维护状态,state会直接写入本地rocksdb中。同时它需要配置一个远端的filesystem uri(一般是HDFS),在做checkpoint的时候,会把本地的数据直接复制到filesystem中。fail over的时候从filesystem中恢复到本地RocksDB克服了state受内存限制的缺点,同时又能够持久化到远端文件系统中,比较适合在生产中使用
- 代码配置:导入jar包然后配置代码
<dependency> <groupId>org.apache.flink</groupId> <artifactId>flink-statebackend-rocksdb_2.11</artifactId> <version>1.8.1</version> </dependency>
- 配置代码
environment.setStateBackend(new RocksDBStateBackend("hdfs://node01:8020/flink/checkDir",true))
- 4: 修改state-backend的两种方式
- 第一种:单任务调整
java env.setStateBackend(new FsStateBackend("hdfs://node01:8020/flink/checkpoints")); 或者new MemoryStateBackend() 或者new RocksDBStateBackend(filebackend, true);【需要添加第三方依赖】
- 第二种:全局调整
xml 修改flink-conf.yaml state.backend: filesystem state.checkpoints.dir: hdfs://namenode:9000/flink/checkpoints
- 注意:state.backend的值可以是下面几种:jobmanager(MemoryStateBackend), filesystem(FsStateBackend),rocksdb(RocksDBStateBackend)
- 第一种:单任务调整
- 1:MemoryStateBackend # 内存存储
- 3.6:从checkPoint恢复数据以及checkPoint保存多个
- 保存多个历史版本
- 默认情况下,如果设置了Checkpoint选项,则Flink只保留最近成功生成的1个Checkpoint,而当Flink程序失败时,可以从最近的这个Checkpoint来进行恢复。但是,如果我们希望保留多个Checkpoint,并能够根据实际需要选择其中一个进行恢复,这样会更加灵活,比如,我们发现最近4个小时数据记录处理有问题,希望将整个状态还原到4小时之前
Flink可以支持保留多个Checkpoint,需要在Flink的配置文件conf/flink-conf.yaml中,添加如下配置,指定最多需要保存Checkpoint的个数 - state.checkpoints.num-retained: 20
- 默认情况下,如果设置了Checkpoint选项,则Flink只保留最近成功生成的1个Checkpoint,而当Flink程序失败时,可以从最近的这个Checkpoint来进行恢复。但是,如果我们希望保留多个Checkpoint,并能够根据实际需要选择其中一个进行恢复,这样会更加灵活,比如,我们发现最近4个小时数据记录处理有问题,希望将整个状态还原到4小时之前
- 恢复历史某个版本数据
- 如果Flink程序异常失败,或者最近一段时间内数据处理错误,我们可以将程序从某一个Checkpoint点进行恢复
powershell bin/flink run -s hdfs://node01:8020/flink/checkpoints/467e17d2cc343e6c56255d222bae3421/chk-56/_metadata flink-job.jar
- 如果Flink程序异常失败,或者最近一段时间内数据处理错误,我们可以将程序从某一个Checkpoint点进行恢复
- 保存多个历史版本
4:savePoint保存数据
- Flink通过Savepoint功能可以做到程序升级后,继续从升级前的那个点开始执行计算,保证数据不中断。
- 全局,一致性快照。可以保存数据源offset,operator操作状态等信息,可以从应用在过去任意做了savepoint的时刻开始继续消费
- 用户手动执行,是指向Checkpoint的指针,不会过期
- 注意:为了能够在作业的不同版本之间以及 Flink 的不同版本之间顺利升级,强烈推荐程序员通过 uid(String) 方法手动的给算子赋予 ID,这些 ID 将用于确定每一个算子的状态范围。如果不手动给各算子指定 ID,则会由 Flink 自动给每个算子生成一个 ID。只要这些 ID 没有改变就能从保存点(savepoint)将程序恢复回来。而这些自动生成的 ID 依赖于程序的结构,并且对代码的更改是很敏感的。因此,强烈建议用户手动的设置 ID。
- savePoint的使用:
- 1: 在flink-conf.yaml中配置Savepoint存储位置
# 不是必须设置,但是设置后,后面创建指定Job的Savepoint时,可以不用在手动执行命令时指定Savepoint的位置 state.savepoints.dir: hdfs://node01:8020/flink/savepoints
- 2:触发一个savepoint【直接触发或者在cancel的时候触发】
bin/flink savepoint jobId [targetDirectory] [-yid yarnAppId]【针对on yarn模式需要指定-yid参数】 bin/flink cancel -s [targetDirectory] jobId [-yid yarnAppId]【针对on yarn模式需要指定-yid参数】
- 3:从指定的savepoint启动job
bin/flink run -s savepointPath [runArgs]