几乎所有的大数据框架都要面临分布式计算、数据传输和持久化问题。数据传输过程前后要进行数据的序列化和反序列化:序列化就是将一个内存对象转换成二进制串,形成网络传输或者持久化的数据流。反序列化将二进制串转换为内存对象,这样就可以直接在编程语言中读写和操作这个对象。一种最简单的序列化方法就是将复杂数据结构转化成JSON格式。序列化和反序列化是很多大数据框架必须考虑的问题,在Java和大数据生态圈中,已有不少序列化工具,比如Java自带的序列化工具、Kryo等。一些RPC框架也提供序列化功能,比如最初用于Hadoop的Apache Avro、Facebook开发的Apache Thrift和Google开发的Protobuf,这些工具在速度和压缩比等方面与JSON相比有一定的优势。
但是Flink依然选择了重新开发了自己的序列化框架,因为序列化和反序列化将关乎整个流处理框架个方便的性能,对数据类型了解越多,可以更早地完成数据类型检查,节省数据存储空间。
Flink支持的数据类型
![73f1287299fca95b4e8c7cc48ba301fe.png](https://i-blog.csdnimg.cn/blog_migrate/1ee4f888fc7eaeeb21ef9fab45b8619e.jpeg)
Flink支持的数据类型
Flink支持上图所示的几种数据类型:原生类型、数组、符合类型、辅助类型。其中,Kryo是最后的备选方案,如果能够优化,尽量不要使用Kryo,否则会有大量的性能损失。
基础类型
所有Java和Scala基础数据类型,诸如Int、Double、Long(包括Java原生类型int和装箱后的类型Integer)、String,以及Date、BigDecimal和BigInteger。
数组
基础类型或其他对象类型组成的数组,如String[]。
复合类型
Scala case class
Scala case class是Scala的特色,用这种方式定义一个数据结构非常简洁。例如股票价格的数据结构:
case class StockPrice(symbol: String, timestamp: Long, price: Double)
这样定义的数据结构,所有的子字段都是public,可以直接读取。另外,我们可以不用new即可获取一个新的对象。
val stock = StockPrice("0001", 0L, 121)println(stock.symbol)
Java POJO
Java的话,需要定义POJO类,定义POJO类有一些注意事项:
- 该类必须用public修饰。
- 该类必须有一个public的无参数的构造函数。
- 该类的所有非静态(non-static)、非瞬态(non-transient)字段必须是public,如果字段不是public则必须有标准的getter和setter方法,比如对于字段A a有A getA()和setA(A a)。
- 所有子字段也必须是Flink支持的数据类型。
下面三个例子中,只有第一个是POJO,其他两个都不是POJO,非POJO类将使用Kryo序列化工具。
public class StockPrice { public String symbol; public Long timestamp; public Double price; public StockPrice() {} public StockPrice(String symbol, Long timestamp, Double price){ this.symbol = symbol; this.timestamp = timestamp; this.price = price; }}// NOT POJOpublic class StockPrice1 { // LOGGER 无getter和setter private Logger LOGGER = LoggerFactory.getLogger(StockPrice1.class); public String symbol; public Long timestamp; public Double price; public StockPrice1() {} public StockPrice1(String symbol, Long timestamp, Double price){ this.symbol = symbol; this.timestamp = timestamp; this.price = price; }}// NOT POJOpublic class StockPrice2 { public String symbol; public Long timestamp; public Double price; // 缺少无参数构造函数 public StockPrice2(String symbol, Long timestamp, Double price){ this.symbol = symbol; this.timestamp = timestamp; this.price = price; }}
如果不确定是否是POJO,可以使用下面的代码检查:
System.out.println(TypeInformation.of(StockPrice.class).createSerializer(new ExecutionConfig()));
结果显示这个类在是否在使用KryoSerializer。
此外,使用Avro生成的类可以被Flink识别为POJO。
Tuple
Tuple可被翻译为元组,比如我们可以将之前的股票价格抽象为一个三元组。Scala用括号来定义元组,比如一个三元组:(String, Long, Double)。访问元组中的元素时,要使用下划线。需要注意的是,与其他地方从0开始计数不同,这里是从1开始计数,_1为元组中的第一个元素。
// Scala Tuple Exampledef main(args: Array[String]): Unit = { val senv: StreamExecutionEnvironment = StreamExecutionEnvironment.getExecutionEnvironment val dataStream: DataStream[(String, Long, Double)] = senv.fromElements(("0001", 0L, 121.2), ("0002" ,1L, 201.8), ("0003", 2L, 10.3), ("0004", 3L, 99.6)) dataStream.filter(item => item._3 > 100) senv.execute("scala tuple")}
Flink为Java专门准备了元组类型,比如3元组为Tuple3,最多支持到25元组。访问元组中的元素时,要使用Tuple类准备好的公共字段:f0、f1...或者使用getField(int pos)方法,并注意进行类型转换。注意,这里是从0开始计数。
// Java Tuple Examplepublic static void main(String[] args) throws Exception { StreamExecutionEnvironment senv = StreamExecutionEnvironment.getExecutionEnvironment(); DataStream> dataStream = senv.fromElements( Tuple3.of("0001", 0L, 121.2), Tuple3.of("0002" ,1L, 201.8), Tuple3.of("0003", 2L, 10.3), Tuple3.of("0004", 3L, 99.6) ); dataStream.filter(item -> item.f2 > 100).print(); dataStream.filter(item -> ((Double)item.getField(2) > 100)).print(); senv.execute("java tuple");}
Scala的Tuple中所有元素都不可变,Java的Tuple中的元素是可以被更改和赋值的,因此在Java中使用Tuple可以充分利用这一特性,这样可以减少垃圾回收的压力。
Double price = stock.getField(2);stock.setField(70, 2);
辅助类型
Flink还支持Java的ArrayList、HashMap和Enum,Scala的Either和Option。
泛型和其他类型
当以上任何一个类型均不满足时,Flink认为该数据结构是一种泛型(GenericType),使用Kryo来进行序列化和反序列化。但Kryo在有些流处理场景效率非常低,有可能造成流数据的积压。我们可以使用senv.getConfig.disableGenericTypes()来禁用Kryo,禁用后,Flink遇到无法处理的数据类型将抛出异常,这种方法对于调试非常有效。
TypeInformation
以上如此多的类型,在Flink中,统一使用TypeInformation类表示。比如,POJO在Flink内部使用PojoTypeInfo来表示,PojoTypeInfo继承自CompositeType,CompositeType继承自TypeInformation。下图展示了TypeInformation的继承关系,可以看到,前面提到的诸多数据类型,在Flink中都有对应的类型。TypeInformation的一个重要的功能就是创建TypeSerializer序列化器,为该类型的数据做序列化。每种类型都有一个对应的序列化器来进行序列化。
![8895318bda6bfbeed586295acf811410.png](https://i-blog.csdnimg.cn/blog_migrate/314bae1b854e740a6f843ad0b9028898.jpeg)
TypeInformation继承关系
使用前面介绍的各类数据类型时,Flink会自动探测传入的数据类型,生成对应的TypeInformation,调用对应的序列化器,因此用户其实无需关心类型推测。比如,Flink的map函数Scala签名为:def map[R: TypeInformation](fun: T => R): DataStream[R],传入map的数据类型是T,生成的数据类型是R,Flink会推测T和R的数据类型,并使用对应的序列化器进行序列化。
![0c3268130a81cb1f594524b28df5709f.png](https://i-blog.csdnimg.cn/blog_migrate/4bb5014be0eb4dbbd2879c4b08cf6bbb.jpeg)
Flink数据类型推断和序列化
上图展示了Flink的类型推断和序列化过程,以一个字符串String类型为例,Flink首先推断出该类型,并生成对应的TypeInformation,然后在序列化时调用对应的序列化器,将一个内存对象写入内存块。
注册类
如果传递给Flink算子的数据类型是父类,实际运行过程中使用的是子类,子类中有一些父类没有的数据结构和特性,将子类注册可以提高性能。在执行环境上调用env.registerType(clazz)来注册类。registerType方法的源码如下所示,其中TypeExtractor对数据类型进行推断,如果传入的类型是POJO,则可以被Flink识别和注册,否则将使用Kryo。
// Flink registerType java源码public void registerType(Class> type) { if (type == null) { throw new NullPointerException("Cannot register null type class."); } TypeInformation> typeInfo = TypeExtractor.createTypeInfo(type); if (typeInfo instanceof PojoTypeInfo) { config.registerPojoType(type); } else { config.registerKryoType(type); }}
注册序列化器
如果数据类型不是Flink支持的上述类型,需要对数据类型和序列化器进行注册,以便Flink能够对该数据类型进行序列化。
// Java代码// 使用对TestClassSerializer对TestClass进行序列化env.registerTypeWithKryoSerializer(TestClass.class, new TestClassSerializer());
其中TestClassSerializer要继承com.esotericsoftware.kryo.Serializer。
static class TestClassSerializer extends Serializer implements Serializable { private static final long serialVersionUID = -3585880741695717533L; @Override public void write(Kryo kryo, Output output, TestClass testClass) { ... } @Override public TestClass read(Kryo kryo, Input input, Class aClass) { ... }}
相应的包需要添加到pom中:
com.esotericsoftware.kryo kryo 2.24.0
对于Apache Thrift和Protobuf的用户,已经有人将序列化器编写好,我们可以直接拿来使用:
// Google Protobufenv.getConfig().registerTypeWithKryoSerializer(MyCustomType.class, ProtobufSerializer.class);// Apache Thriftenv.getConfig().addDefaultKryoSerializer(MyCustomType.class, TBaseSerializer.class);
Google Protobuf的pom:
com.twitterchill-protobuf0.7.6com.esotericsoftware.kryokryocom.google.protobufprotobuf-java3.7.0
Apache Thrift的pom:
com.twitterchill-thrift0.7.6com.esotericsoftware.kryokryoorg.apache.thriftlibthrift0.11.0javax.servletservlet-apiorg.apache.httpcomponentshttpclient