Flink的简单学习四

一有状态计算

1.1 概念

1.状态;上一次计算的结果

2.需要基于上一个结果来进行计算，被称为有状态计算

1.2 未使用有状态计算

1.下面这个代码将相同的key发送到同一个task任务里面计算。就是因为这个导致了，明明之前没有输入b，但是输入b之后，立马变成了2个。说明他是将上一条计算结果直接拿来用了，没有考虑key是不是一样

2.process算子可以在kvDS上面直接进行操作，里面需要传入重写了KeyedProcessFunction里面的processElement方法的对象。

package com.shujia.flink.state;

import org.apache.flink.api.java.tuple.Tuple2;
import org.apache.flink.streaming.api.datastream.DataStream;

import org.apache.flink.streaming.api.datastream.KeyedStream;
import org.apache.flink.streaming.api.datastream.SingleOutputStreamOperator;
import org.apache.flink.streaming.api.environment.StreamExecutionEnvironment;
import org.apache.flink.streaming.api.functions.KeyedProcessFunction;
import org.apache.flink.util.Collector;

public class Demo1State {
    public static void main(String[] args)throws Exception {

        StreamExecutionEnvironment env = StreamExecutionEnvironment.getExecutionEnvironment();

        DataStream<String> linesDS = env.socketTextStream("master", 8888);

        KeyedStream<String, String> keyByDS = linesDS.keyBy(word -> word);

        //KeyedProcessFunction<KEY, T, R> keyedProcessFunction
        SingleOutputStreamOperator<Tuple2<String, Integer>> process = keyByDS.process(new KeyedProcessFunction<String, String, Tuple2<String, Integer>>() {

            int count = 0;

            /**
             *
             * @param word 一行数据
             * @param ctx 上下文对象
             * @param out 用于将结果发送到下游
             *
             */
            @Override
            public void processElement(String word,
                                       KeyedProcessFunction<String, String, Tuple2<String, Integer>>.Context ctx,
                                       Collector<Tuple2<String, Integer>> out) throws Exception {
                out.collect(Tuple2.of(word, count));
                count++;

            }
        });

        process.print();

        env.execute();


    }
}

1.3 使用有状态计算

1.使用HashMap保存结果。

package com.shujia.flink.state;

import org.apache.flink.api.java.tuple.Tuple2;
import org.apache.flink.streaming.api.datastream.DataStream;
import org.apache.flink.streaming.api.datastream.KeyedStream;
import org.apache.flink.streaming.api.datastream.SingleOutputStreamOperator;
import org.apache.flink.streaming.api.environment.StreamExecutionEnvironment;
import org.apache.flink.streaming.api.functions.KeyedProcessFunction;
import org.apache.flink.util.Collector;

import java.util.HashMap;

public class Demo2State {
    public static void main(String[] args)throws Exception {

        StreamExecutionEnvironment env = StreamExecutionEnvironment.getExecutionEnvironment();

        DataStream<String> wordsDS = env.socketTextStream("master", 8888);

        //分组
        KeyedStream<String, String> keyByDS = wordsDS.keyBy(word -> word);

        /*
         * process算子时flink提供的一个底层算子，可以获取到flink底层的状态，时间和数据
         */
        DataStream<Tuple2<String, Integer>> countDS = keyByDS
                .process(new KeyedProcessFunction<String, String, Tuple2<String, Integer>>() {
                    //保存之前统计的结果（状态）
                    //问题：同一个task中的数据共享同一个count变量
                    //int count = 0;
                    //需要为每一个key保存一个结果
                    //使用单词作为key,数量作为value
                    //问题：使用hashmap保存计算的中间结果，flink的checkpoint不会将hashmap中的数据持久化到hdfs总
                    //所以任务失败重启会丢失之前的结果
                    final HashMap<String, Integer> map = new HashMap<>();
                    /**
                     * processElement方法每一条数据执行一次
                     * @param word 一行数据
                     * @param ctx 上下文对象,可以获取到flink的key和时间属性
                     * @param out 用于将处理结果发送到下游
                     */
                    @Override
                    public void processElement(String word,
                                               KeyedProcessFunction<String, String, Tuple2<String, Integer>>.Context ctx,
                                               Collector<Tuple2<String, Integer>> out) throws Exception {

                        System.out.println(map);
                        //1、通过key获取value
                        //获取之前的结果（状态）
                        Integer count = map.getOrDefault(word, 0);
                        //基于之前的结果进行计算
                        count++;
                        //将计算结果发送到下游
                        out.collect(Tuple2.of(word, count));
                        //更新之前的结果
                        map.put(word, count);
                    }
                });

        countDS.print();

        env.execute();


    }
}

运行过后输入f，会提示之前没有数据，输入h，会提示有个f，因为是在同一个task里面，再输入一个f，会显示2个h一个f

2.但是这些结果都不能持久化保存，想要持久化保存请看2.4节

二 checkpointing

2.1 概念

1.可以定时将flink计算的状态持久化到hdfs中，如果任务执行失败，可以基于hdfs中保存到的状态恢复任务，保证之前的结果不丢失。

2.2 设置

2.2.1 代码中设置

1.代码

flink计算的状态会先保存在taskmanager中，当触发checkpoint时会将状态持久化到hdfs中

// 每 1000ms 开始一次 checkpoint
env.enableCheckpointing(5000);
// 高级选项：
// 当手动取消任务时，是否保留HDFS中保留hdfs中的快照
env.getCheckpointConfig().setExternalizedCheckpointCleanup(CheckpointConfig.ExternalizedCheckpointCleanup.RETAIN_ON_CANCELLATION);
//flink计算的状态会先保存在taskmanager中，当触发checkpoint时会将状态持久化到hdfs中
//指定状态在算子中保存的位置（状态后端）
//HashMapStateBackend：将状态保存在taskmanager的内存中
env.setStateBackend(new HashMapStateBackend());
//指定checkpoint保存快照的位置
env.getCheckpointConfig().setCheckpointStorage("hdfs://master:9000/flink/checkpoint");

1.ui界面第一次提交

提交jar包跟主类名即可

2.任务取消后，基于hdfs的快照重启任务

需要找到快照的位置，先在任务取消之前，查看任务id

再去hdfs上找到这个id相关的路径

提交的时候加上hdfs://master:9000//然后后面跟上路径

3.命令行第一次提交

flink run -t yarn-session -p 3 -Dyarn.application.id=application_1717552958247_0001 -c com.shujia.flink.state.Demo1CheckPointing flink-1.0.jar

4.任务取消或者失败后重新提交

1.先在hdfs上找到相对应的任务编号，然后点到chk那边

2.输入命令

flink run -t yarn-session -p 3 -Dyarn.application.id=application_1717552958247_0001 -c com.shujia.flink.state.Demo1CheckPointing -s

hdfs://master:9000/flink/checkpoint/9f54421b62240b04fbde1bc413c98934/chk-2105 flink-1.0.jar

2.2.2 配置文件中设置

1.修改flink-conf.yaml,然后重启Hadoop

execution.checkpointing.interval: 5000
execution.checkpointing.externalized-checkpoint-retention: RETAIN_ON_CANCELLATION
execution.checkpointing.max-concurrent-checkpoints: 1
execution.checkpointing.min-pause: 0
execution.checkpointing.mode: EXACTLY_ONCE
execution.checkpointing.timeout: 10min
execution.checkpointing.tolerable-failed-checkpoints: 0
execution.checkpointing.unaligned: false
state.backend: hashmap
state.checkpoints.dir: hdfs://master:9000/flink/checkpoint

2.提交的方法跟上面一样

2.3 原理

1.JobManager的checkpoint Coordonator(协调器)定期向SourceTask发送Checkpoint Trigger(触发器)。

2.SourceTask在数据流中安排Checkpoint barrier(障碍)

3.SourceTask向下游传递barrier，并自身同步进行快照并将状态写入持久化存储中。

4.整个Task完成后，会汇总最终的快照结果，并将之前的快照删除

2.4 checkpoint所识别的ValueState

1.因为1.3节使用Java自动HashMap不能被Flink识别，中间状态不能被持久化保留，所以我们要用flink自带的接口去接收中间状态

2.中间状态可以接收的接口

ValueState<T>: 保存一个可以更新和检索的值（如上所述，每个值都对应到当前的输入数据的 key，因此算子接收到的每个 key 都可能对应一个值）。这个值可以通过 update(T) 进行更新，通过 T value() 进行检索。
ListState<T>: 保存一个元素的列表。可以往这个列表中追加数据，并在当前的列表上进行检索。可以通过 add(T) 或者 addAll(List<T>) 进行添加元素，通过 Iterable<T> get() 获得整个列表。还可以通过 update(List<T>) 覆盖当前的列表。
ReducingState<T>: 保存一个单值，表示添加到状态的所有值的聚合。接口与 ListState 类似，但使用 add(T) 增加元素，会使用提供的 ReduceFunction 进行聚合。
AggregatingState<IN, OUT>: 保留一个单值，表示添加到状态的所有值的聚合。和 ReducingState 相反的是, 聚合类型可能与添加到状态的元素的类型不同。接口与 ListState 类似，但使用 add(IN) 添加的元素会用指定的 AggregateFunction 进行聚合。
MapState<UK, UV>: 维护了一个映射列表。你可以添加键值对到状态中，也可以获得反映当前所有映射的迭代器。使用 put(UK，UV) 或者 putAll(Map<UK，UV>) 添加映射。使用 get(UK) 检索特定 key。使用 entries()，keys() 和 values() 分别检索映射、键和值的可迭代视图。你还可以通过 isEmpty() 来判断是否包含任何键值对

3.我们使用ValueState，需要在底层算子process中，先重写open方法，用来创建状态接收对象。

  ValueState<Integer> valueState;

                    //open方法每一个task启动的时候执行一次，一般用于初始化
                    @Override
                    public void open(Configuration parameters) throws Exception {
                        //获取flink环境对象
                        RuntimeContext runtimeContext = getRuntimeContext();
                        //创建状态的描述对象。指定状态的类型和名称
                        ValueStateDescriptor<Integer> valueStateDescriptor = new ValueStateDescriptor<>("count", Types.INT);
                        //初始化状态
                        //ValueState： 单值状态，为每一个key在状态中保存一个值
                        valueState=runtimeContext.getState(valueStateDescriptor);
                    }

ValueState中的value方法是获取上一阶段的状态值，update是更新数据的。完整代码如下

package com.shujia.flink.state;

import org.apache.flink.api.common.functions.RuntimeContext;
import org.apache.flink.api.common.state.ValueState;
import org.apache.flink.api.common.state.ValueStateDescriptor;
import org.apache.flink.api.common.typeinfo.Types;
import org.apache.flink.api.java.tuple.Tuple2;
import org.apache.flink.configuration.Configuration;
import org.apache.flink.streaming.api.datastream.DataStream;
import org.apache.flink.streaming.api.datastream.KeyedStream;
import org.apache.flink.streaming.api.environment.StreamExecutionEnvironment;
import org.apache.flink.streaming.api.functions.KeyedProcessFunction;
import org.apache.flink.util.Collector;

import java.util.HashMap;

public class Demo4ValueState {
    public static void main(String[] args)throws Exception {

        StreamExecutionEnvironment env = StreamExecutionEnvironment.getExecutionEnvironment();

        DataStream<String> wordsDS = env.socketTextStream("master", 8888);

        //分组
        KeyedStream<String, String> keyByDS = wordsDS.keyBy(word -> word);

        /*
         * process算子时flink提供的一个底层算子，可以获取到flink底层的状态，时间和数据
         */
        DataStream<Tuple2<String, Integer>> countDS = keyByDS
                .process(new KeyedProcessFunction<String, String, Tuple2<String, Integer>>() {

                    ValueState<Integer> valueState;

                    //open方法每一个task启动的时候执行一次，一般用于初始化
                    @Override
                    public void open(Configuration parameters) throws Exception {
                        //获取flink环境对象
                        RuntimeContext runtimeContext = getRuntimeContext();
                        //创建状态的描述对象。指定状态的类型和名称
                        ValueStateDescriptor<Integer> valueStateDescriptor = new ValueStateDescriptor<>("count", Types.INT);
                        //初始化状态
                        //ValueState： 单值状态，为每一个key在状态中保存一个值
                        valueState=runtimeContext.getState(valueStateDescriptor);
                    }

                    /**
                     * processElement方法每一条数据执行一次
                     * @param word 一行数据
                     * @param ctx 上下文对象,可以获取到flink的key和时间属性
                     * @param out 用于将处理结果发送到下游
                     */
                    @Override
                    public void processElement(String word,
                                               KeyedProcessFunction<String, String, Tuple2<String, Integer>>.Context ctx,
                                               Collector<Tuple2<String, Integer>> out) throws Exception {
                        //获取状态中保存和值
                        Integer count = valueState.value();
                        //判断count是否为null
                        if (count==null){
                            count=0;
                        }
                        //累加计算
                        count++;
                        //将结果发送到下游
                        out.collect(Tuple2.of(word,count));
                        //更新数据
                        valueState.update(count);
                    }
                });

        countDS.print();

        env.execute();


    }
}

这个是我第一次执行任务输入的

取消任务，看看能不能保存这个状态，然后提交重新提交任务，

发现还在

三 Exactly Once

3.1 生产端

1.kafka 0.11之后，Producer的send操作现在是幂等的，在任何导致producer重试的情况下，相同的消息，如果被producer发送多次，也只会被写入Kafka一次 ACKS机制+副本，保证数据不丢失

kafka保存数据处理的唯一一次：

幂等性：保持数据不重复

事务：保存数据不重复

ACKS+副本：保证数据不丢失

3.1.1 kafka事务

1.开启事务

package com.shujia.flink.state;

import org.apache.kafka.clients.producer.KafkaProducer;
import org.apache.kafka.clients.producer.Producer;
import org.apache.kafka.clients.producer.ProducerRecord;

import java.util.Properties;

public class Demo6KafkaAffairs {
    public static void main(String[] args)throws Exception {
        Properties properties = new Properties();

        //指定broker列表
        properties.setProperty("bootstrap.servers", "master:9092,node2:9092,node2:9092");

        //指定key和value的数据格式
        properties.setProperty("key.serializer", "org.apache.kafka.common.serialization.StringSerializer");
        properties.setProperty("value.serializer", "org.apache.kafka.common.serialization.StringSerializer");
        //给事务取一个名字
        properties.setProperty("transactional.id", "hhh");

        Producer<String, String> producer = new KafkaProducer<String, String>(properties);

        //开启事务
        producer.initTransactions();
        producer.beginTransaction();

        //ProducerRecord<K, V> record
        producer.send(new ProducerRecord<>("train","java"));
        Thread.sleep(10000);
        producer.send(new ProducerRecord<>("train","flink"));

        //提交事务
        producer.commitTransaction();

        producer.flush();

        producer.close();
    }
}

2.消费的命令记得使用读并提交。发现两条数据是一起过来的，如果中间有一条数据是失败的，那么整个数据都过不来，这样保证了数据不重复。

3.1.2 ACKS+副本

1.topic创建是需要多个副本

2.将acks设置成-1或者all。

acks机制：当acks=1时(默认)，当主分区写入成功，就会返回成功。如果这个时候主分区所在的节点挂了，刚刚写入的数据就会丢失。当acks=0时，生产者只负责生产数据，不负责验证数据是否写入成功，会丢失数据，但是写入的性能好。当acks=-1或者all时，生产者生产数据后必须等到所有副本都同步成功才会返回成功，这样不会丢失数据，但是写入的性能差。

3.1.3 幂等性

Producer的send操作现在是幂等的，在任何导致producer重试的情况下，相同的消息，如果被producer发送多次，也只会被写入Kafka一次

3.2 消费端

1.Flink 分布式快照保存数据计算的状态和消费的偏移量，保证程序重启之后不丢失状态和消费偏移量

2.flink的数据源如果来自于socket，那么在发生checkpoint之前，有数据进去了并又取消了任务，那么这个数据没有写进hdfs。所以我们换数据源，换成Kafka的生产者产生的数据。这样checkpoint会定时将flink的计算状态和Kafka消费偏移量同时保存到hdfs中，这样不会丢失数据

package com.shujia.flink.state;

import org.apache.flink.api.common.eventtime.WatermarkStrategy;
import org.apache.flink.api.common.serialization.SimpleStringSchema;
import org.apache.flink.api.common.typeinfo.Types;
import org.apache.flink.api.java.tuple.Tuple2;
import org.apache.flink.connector.kafka.source.KafkaSource;
import org.apache.flink.connector.kafka.source.enumerator.initializer.OffsetsInitializer;
import org.apache.flink.streaming.api.datastream.DataStream;
import org.apache.flink.streaming.api.datastream.KeyedStream;
import org.apache.flink.streaming.api.environment.StreamExecutionEnvironment;

public class Demo7ExactlyOnce {
    public static void main(String[] args) throws Exception{
        StreamExecutionEnvironment env = StreamExecutionEnvironment.getExecutionEnvironment();

        //创建kafka source
        KafkaSource<String> source = KafkaSource.<String>builder()
                .setBootstrapServers("master:9092,node1:9092,node2:9092")//kafka集群列表
                .setTopics("kafka_flink")//指定消费的topic
                .setGroupId("my-group")//指定消费者组
                .setStartingOffsets(OffsetsInitializer.earliest())
                .setValueOnlyDeserializer(new SimpleStringSchema())//指定读取数据的格式
                .build();

        //使用kafka source
        DataStream<String> wordsDS = env
                .fromSource(source, WatermarkStrategy.noWatermarks(), "Kafka Source");

        //3、统计单词的数量
        DataStream<Tuple2<String, Integer>> kvDS = wordsDS
                .map(word -> Tuple2.of(word, 1), Types.TUPLE(Types.STRING, Types.INT));

        //分组统计单词的数量
        KeyedStream<Tuple2<String, Integer>, String> keyByDS = kvDS.keyBy(kv -> kv.f0);

        //对下标为1的列求和
        DataStream<Tuple2<String, Integer>> countDS = keyByDS.sum(1);

        //打印数据
        countDS.print();

        //启动flink
        env.execute();


    }
}

3.3 sink端

1.flink在聚合计算后将结果写进hdfs或者kafka中，如果在中间某一个时间有数据进去但是任务又取消或者失败了，但是这样结果不会重复。然而，在非聚合计算中，如果在中间某一个时间有数据进去但是任务又取消或者失败了，这样kafka或者hdfs中数据会重复

package com.shujia.flink.state;

import org.apache.flink.api.common.eventtime.WatermarkStrategy;
import org.apache.flink.api.common.serialization.SimpleStringSchema;
import org.apache.flink.connector.base.DeliveryGuarantee;
import org.apache.flink.connector.kafka.sink.KafkaRecordSerializationSchema;
import org.apache.flink.connector.kafka.sink.KafkaSink;
import org.apache.flink.connector.kafka.source.KafkaSource;
import org.apache.flink.connector.kafka.source.enumerator.initializer.OffsetsInitializer;
import org.apache.flink.streaming.api.datastream.DataStream;
import org.apache.flink.streaming.api.environment.StreamExecutionEnvironment;

import java.util.Properties;

public class Demo8ExactlyOnceKafkaSink {
    public static void main(String[] args)throws Exception {
        StreamExecutionEnvironment env = StreamExecutionEnvironment.getExecutionEnvironment();

        //创建kafka source
        KafkaSource<String> source = KafkaSource.<String>builder()
                .setBootstrapServers("master:9092,node1:9092,node2:9092")//kafka集群列表
                .setTopics("kafka_flink")//指定消费的topic
                .setGroupId("my-group")//指定消费者组
                .setStartingOffsets(OffsetsInitializer.earliest())
                .setValueOnlyDeserializer(new SimpleStringSchema())//指定读取数据的格式
                .build();

        //使用kafka source
        DataStream<String> wordsDS = env
                .fromSource(source, WatermarkStrategy.noWatermarks(), "Kafka Source");

        DataStream<String> filterDS = wordsDS.filter(word -> !"".equals(word));

//        Properties properties = new Properties();
        //指定事务超时时间，不能大于15分钟
//        properties.setProperty("transaction.timeout.ms", 1000 * 60 * 10 + "");

        //创建kafka sink
        KafkaSink<String> sink = KafkaSink.<String>builder()
                .setBootstrapServers("master:9092,node1:9092,node2:9092")//kafka集群列表
//                .setKafkaProducerConfig(properties)
                .setRecordSerializer(KafkaRecordSerializationSchema.builder()
                        .setTopic("filter")//指定topic
                        .setValueSerializationSchema(new SimpleStringSchema())//指定数据格式
                        .build()
                )
                //指定数据处理的语义
                .setDeliverGuarantee(DeliveryGuarantee.AT_LEAST_ONCE)
                .build();

        //使用kafka sink
        filterDS.sinkTo(sink);

        //启动flink
        env.execute();


    }
}

提交这个任务代码，执行一次后，再他执行checkpoint之前再次输入shujiashujia，取消任务，然后再通过上一次的checkpoint重启任务，发现：消费端居然消费了两次shujiashujia

生产端：

消费端：

2.为了避免在非聚合计算中，状态或者消费的偏移量存储到kafka或者hdfs中，数据不重复，我们需要开启 Kafka事务。代码如下

package com.shujia.flink.state;

import org.apache.flink.api.common.eventtime.WatermarkStrategy;
import org.apache.flink.api.common.serialization.SimpleStringSchema;
import org.apache.flink.connector.base.DeliveryGuarantee;
import org.apache.flink.connector.kafka.sink.KafkaRecordSerializationSchema;
import org.apache.flink.connector.kafka.sink.KafkaSink;
import org.apache.flink.connector.kafka.source.KafkaSource;
import org.apache.flink.connector.kafka.source.enumerator.initializer.OffsetsInitializer;
import org.apache.flink.streaming.api.datastream.DataStream;
import org.apache.flink.streaming.api.environment.StreamExecutionEnvironment;

import java.util.Properties;

public class Demo8ExactlyOnceKafkaSink {
    public static void main(String[] args)throws Exception {
        StreamExecutionEnvironment env = StreamExecutionEnvironment.getExecutionEnvironment();

        //创建kafka source
        KafkaSource<String> source = KafkaSource.<String>builder()
                .setBootstrapServers("master:9092,node1:9092,node2:9092")//kafka集群列表
                .setTopics("kafka_flink")//指定消费的topic
                .setGroupId("my-group")//指定消费者组
                .setStartingOffsets(OffsetsInitializer.earliest())
                .setValueOnlyDeserializer(new SimpleStringSchema())//指定读取数据的格式
                .build();

        //使用kafka source
        DataStream<String> wordsDS = env
                .fromSource(source, WatermarkStrategy.noWatermarks(), "Kafka Source");

        DataStream<String> filterDS = wordsDS.filter(word -> !"".equals(word));

        Properties properties = new Properties();
        //指定事务超时时间，不能大于15分钟
        properties.setProperty("transaction.timeout.ms", 1000 * 60 * 10 + "");

        //创建kafka sink
        KafkaSink<String> sink = KafkaSink.<String>builder()
                .setBootstrapServers("master:9092,node1:9092,node2:9092")//kafka集群列表
                .setKafkaProducerConfig(properties)
                .setRecordSerializer(KafkaRecordSerializationSchema.builder()
                        .setTopic("filter")//指定topic
                        .setValueSerializationSchema(new SimpleStringSchema())//指定数据格式
                        .build()
                )
                //指定数据处理的语义
                .setDeliverGuarantee(DeliveryGuarantee.EXACTLY_ONCE)
                .build();

        //使用kafka sink
        filterDS.sinkTo(sink);

        //启动flink
        env.execute();


    }
}

这样我们在生产端产生数据，只有产生checkpoint，才会消费数据(消费端使用读并提交的方式)

但是这样会增加数据延迟