Flink的状态一致性

1 状态的一致性

1.1 一致性级别

  流处理操作一般分为at-most-once,at-least-once和exactly-once这3个级别。

  at-most-once:至多一次,发生故障恢复后数据可能丢失

  at-least-once:至少一次,发生故障恢复后数据可能多算,绝对不会少算

  exactly-once:精确一次,发生故障恢复后数据不会丢失也不会多算

1.2 端到端的状态一致性

1.2.1 Spark Streaming的exactly-once

  对于 Spark Streaming 任务,设置了 checkpoint,如果发生故障并重启,可以从上次 checkpoint 之处恢复,但是这个行为只能使得数据不丢失,可能会重复处理,不能做到恰一次处理语义。如果 Spark Streaming 消费的数据源是 kafka ,那么使用 direct Stream 的方式自己维护 offset 到 zookeeper或者其它外部系统,每次提交完结果之后再提交 offset,这样故障恢复重启可以利用上次提交的 offset 恢复,保证数据不丢失。但是假如故障发生在提交结果之后、提交 offset 之前会导致数据多次处理,就需要保证处理结果多次输出不影响正常的业务。

  所以如果要保证数据恰一次处理语义,那么结果输出和 offset 提交必须在一个事务内完成。在这里有以下两种做法:

  (1)使用repartition(1) 将输出的 partition设置为1,那就可以利用事务操作

Dstream.foreachRDD(rdd=>{
   rdd.repartition(1).foreachPartition(partition=>{    
   		//    开启事务
       partition.foreach(each=>{//        提交数据
       })    
       //  提交事务
   })
 })

  (2)将结果和offset一起提交。这样提交结果和提交 offset 就是一个操作完成,不会数据丢失,也不会重复处理。故障恢复的时候可以利用上次提交结果带的 offset。

1.2.2 Flink的exactly-once

  Flink使用checkpoint保证其内部的exactly-once,但是我们的应用还包含了数据源和输出,每个组件都只是保证了自己的一致性,所以端到端级别的一致性取决于所有组件中一致性最弱的组件。

要满足端到端的状态一致性需要满足以下几点:

  (1)source:需要外部数据源可以重新设置数据的读取位置

  (2)内部:通过checkpoint保证内部的一致性

  (3)sink:从故障恢复时,数据不会重复写入到外部系统

  如果sourced端是kafka的话,可以轻松实现重设读取位置,Flink内部通过checkpoint就能保证内部一致性,较为复杂的是在sink端不能重复写入,有两种具体的实现方式:幂等写入和事务性写入。

  幂等写入:重复执行多次操作,但是重复执行就只会导致一次结果更新,重复执行不起作用。幂等写入要求外部的数据库必须支持幂等写入,像往es和文件里面追加写入是不行的,像redis和mysql定义了key之后也不一定是真正的exectly-once,保证的是最终的状态一次性,在中间短暂的恢复中是有短暂的状态不一致的,因为有些中间状态要重复写入

  事务写入:构建事务写入外部系统,构建的事务对应checkpoint,到checkpoint真正完成的时候才把所有对应的结果写入到sink系统。对于事务性写入,又有两种实现方式:预写日志和两阶段提交。GenericWriteAheadSink模板类和TwoPhaseCommitSinkFunction 接口,可以方便地实现这两种方式的事务性写入

1.2.3 预写日志

  把所有要写入的数据保存成sink的一个状态,相当于在sink做缓存了,收到checkpoint完成的通知的时候再一次性写入sink系统。再往外部系统写入的时候一批写入如果写到一半的时候挂了怎么办,不能保证。不能严格意义达到精确一次性。DataStream API提供了GenericWriteAheadSink模板类

1.2.4 两阶段提交

  两阶段提交能真正做到exectly-once。前面说的预写入日志是对两次checkpoint之间的所有数据直接缓存在sink任务里面,最后收到checkpoint通知的时候一批直接写入。两阶段事务提交还是正常的来一个写一个,只不过和外部系统开启了一个事务,是在事务里面提交的,假如中间某个挂了就全部回滚,等到checkpoint完成的时候就真正把这个事务提交。

2 端到端状态一致性

  端到端的状态一致性的实现,需要每一个组件都实现。以Kafka-Flink-Kafka的端到端的数据管道系统为例:

①source:kafka consumer作为source,可以将偏移量保存下来,如果任务出现了故障,恢复的时候可以由连接器重置偏移量,重新消费数据,即可保证一致性。②内部: 利用checkpoint机制,把状态存盘,发生故障的时候可以恢复,保证内部的状态一致性。③sink : kafka producer作为sink,采用两阶段提交 sink,需要实现一个 TwoPhaseCommitSinkFunction

  Flink是由JobManager协调各个TaskManager进行checkpoint存储, Kafka-Flink-Kafka的流程如下:

checkpoint 启动,JobManager 会将检查点分界线barrier注入数据流;barrier往后传递下去,每个算子遇到barrier会对当前的状态做个快照,保存到状态后端。source就是当前的offset作为状态保存起来,checkpoint恢复时重新提交偏移量,从上次保存的位置开始重新消费数据。barrier一直传递带sink,当遇到 barrier 时,把状态保存到状态后端,并开启新的预提交事务,sink 任务首先把数据写入外部 kafka,这些数据都属于预提交的事务。当所有算子任务的快照完成,也就是这次的 checkpoint 完成时,JobManager 会向所有任务发通知,确认这次 checkpoint 完成。当sink 任务收到确认通知,就会正式提交之前的事务,kafka 中未确认的数据就改为“已确认”,数据就真正可以被消费了。

  两阶段提交步骤:①预提交:第一条数据来了之后,开启一个 kafka 的事务(transaction),正常写入 kafka 分区日志但标记为未提交②jobmanager 触发 checkpoint 操作,barrier 从 source 开始向下传递,遇到 barrier 的算子将状态存入状态后端,并通知 jobmanager③ sink 连接器收到 barrier,保存当前状态,存入 checkpoint,通知 jobmanager,并开启下一阶段的事务,用于提交下个检查点的数据④jobmanager 收到所有任务的通知,发出确认信息,表示 checkpoint 完成⑤sink 任务收到 jobmanager 的确认信息,正式提交这段时间的数据⑥外部kafka关闭事务,提交的数据可以正常消费了。

  • 1
    点赞
  • 1
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值