Flink作业执行之 2.算子 StreamOperator
前文介绍了Transformation创建过程，大多数情况下通过UDF完成DataStream转换中，生成的Transformation实例中，核心逻辑是封装了SimpleOperatorFactory实例。
UDF场景下，DataStream到Transformationg过程中，SimpleOperatorFactory实例的创建过程大致如下伪代码所示。
// 具体的函数实例
Function function = ;
// 将函数实例封装到算子实例中
AbstractUdfStreamOperator operator = new AbstractUdfStreamOperator(function);
// 通过算子实例得到其SimpleOperatorFactory实例
SimpleOperatorFactory factory = SimpleOperatorFactory.of(operator)
这里的UDF可以简单理解为需要我们自己传入对应Function实现类的操作，如map、filter等。
问题：
StreamOperator是什么？
为什么需要将Function封装到StreamOperator中？
1. Flink算子
在应用程序中通过各种各样的Function完成DataStream转换，但是Function仅表示数据处理逻辑，并不关心数据从哪里来到哪里去。
以MapFunction为例，map方法中仅包含对每一条到来数据的具体处理逻辑，并不清楚map方法何时被调用，结果返回到哪。
一个完整的数据处理逻辑应该是获取数据->处理数据->输出数据，在Flink中这个最小的完整逻辑通过算子表示，顶层抽象接口为StreamOperator。
因此Function作为算子的一部分参与后续的数据加工。
算子包含生命周期、状态和容错管理、数据处理3个方面。设计时分为两条线：
- 生命周期、状态和容错管理，主要是
AbstractStreamOperator抽象类及其子类实现，以及未来的AbstractStreamOperatorV2抽象类。 - 数据处理，主要是
OneInputStreamOperator、TwoInputStreamOperator和MultipleInputStreamOperator接口，分别表示单流、双流和多流的数据处理。在接口中定义了数据的处理方法。
StreamOperator完整的顶层抽象如下。
- AbstractStreamOperator，所有流运算的基类。提供了生命周期和属性方法的默认实现。
包含UDF的算子需继承其AbstractUdfStreamOperator子类
对于其具体实现，还必须实现OneInputStreamOperator或TwoInputStreamOperator其中一个。
将来将会使用AbstractStreamOperatorV2替换该基类 - OneInputStreamOperator，支持单流输入的运算符接口，如果要实现自定义运算符，需要使用AbatractUdfStreamOperator作为基类
- TwoInputStreamOperator，支持双流输入的运算符基类。同样需要和AbstractStreamOperator一起使用。
- AbstractStreamOperatorV2，所有流运算符的新基类，旨在取代AbatractUdfStreamOperator。
当前仅仅用于和MultipleInputStreamOperator一起配合使用。
OneInputStreamOperator、TwoInputStreamOperator和MultipleInputStreamOperator分别对应了Tranformation实现类的OneInputTransformation、TwoInputTransformation和AbstractMultipleInputTransformation。
MultipleInputStreamOperator和AbstractStreamOperatorV2是高版本中才加入的。因此，flink中最初仅支持单流或双流的输入，多流场景下需要拆分成单流或双流进行处理。在支持不同输入的流的实现中，梳理数据的方法分别如下
// 单流输入
public interface OneInputStreamOperator<IN, OUT> extends StreamOperator<OUT>, Input<IN> {
// 处理数据
void processElement(StreamRecord<IN> element) throws Exception;
}
// 双流输入
public interface TwoInputStreamOperator<IN1, IN2, OUT> extends StreamOperator<OUT> {
// 处理双流输入中第一个流上的元素
void processElement1(StreamRecord<IN1> element) throws Exception;
// 处理双流输入中第二个流上的元素
void processElement2(StreamRecord<IN2> element) throws Exception;
}
// 多流输入，这里的Input和单流输入继承的Input父类为同一个
public interface MultipleInputStreamOperator<OUT> extends StreamOperator<OUT> {
List<Input> getInputs();
}
在AbstractStreamOperator众多子类中，AbstractUdfStreamOperator抽象类中封装了Function接口，并且其中open、close等算子生命周期等方法，实际上就是调用Function实例的对应方法。
public abstract class AbstractUdfStreamOperator<OUT, F extends Function>
extends AbstractStreamOperator<OUT> implements OutputTypeConfigurable<OUT> {
// 封装Function
protected final F userFunction;
// 通过Function实现进行算子的实例化
public AbstractUdfStreamOperator(F userFunction) {
this.userFunction = requireNonNull(userFunction);
checkUdfCheckpointingPreconditions();
}
// 算子生命周期的相关方法，实际上调用Function的方法
@Override
public void open() throws Exception {
super.open();
FunctionUtils.openFunction(userFunction, new Configuration());
}
@Override
public void finish() throws Exception {
super.finish();
if (userFunction instanceof SinkFunction) {
((SinkFunction<?>) userFunction).finish();
}
}
@Override
public void close() throws Exception {
super.close();
FunctionUtils.closeFunction(userFunction);
}
}
常用的实现类基本继承自AbstractUdfStreamOperator抽象类。
单流输入，如map、fliter、source、sink等实现类
sink算子有两个实现类，分别是SinkOperator和StreamSink<IN>。二者的关系为SinkOperator是StreamSink<RowData>的特例。
双流输入，如concat、intervalJoin等实现类
本文开头提到通过SimpleOperatorFactory.of方式生成SimpleOperatorFactory实例，该方法如下
public static <OUT> SimpleOperatorFactory<OUT> of(StreamOperator<OUT> operator) {
if (operator == null) {
return null;
} else if (operator instanceof StreamSource
&& ((StreamSource) operator).getUserFunction() instanceof InputFormatSourceFunction) {
// 通过addSoure方法添加的Source方式，且SourceFunction为InputFormatSourceFunction的子类
return new SimpleInputFormatOperatorFactory<OUT>((StreamSource) operator);
} else if (operator instanceof StreamSink
&& ((StreamSink) operator).getUserFunction() instanceof OutputFormatSinkFunction) {
// 通过addSink方法添加的sink方式，且SinkFunction为OutputFormatSinkFunction的子类
return new SimpleOutputFormatOperatorFactory<>((StreamSink) operator);
} else if (operator instanceof AbstractUdfStreamOperator) {
return new SimpleUdfStreamOperatorFactory<OUT>((AbstractUdfStreamOperator) operator);
} else {
return new SimpleOperatorFactory<>(operator);
}
}
得到SimpleOperatorFactory实例后，在实际执行时，通过其createStreamOperator方法得到StreamOperator实例。
1.1. 算子生成示例
上述内容偏概念更多一些，通过map为例实际观察Function->StreamOperator->StreamOperatorFactory->Transformation的过程
// 步骤1，业务代码中使用map操作
DataStream<Tuple2<String, Integer>> counts = text.map(row -> Tuple2.of(row, 1))
// 步骤2，将业务代码中提供的MapFunction封装成StreamMap
public <R> SingleOutputStreamOperator<R> map(
MapFunction<T, R> mapper, TypeInformation<R> outputType) {
// 将MapFunction封装成StreamMap，StreamMap为AbstractUdfStreamOperator子类
return transform("Map", outputType, new StreamMap<>(clean(mapper)));
}
// 步骤3，根据StreamMap获取其对应的SimpleOperatorFactory工厂实例
public <R> SingleOutputStreamOperator<R> transform(
String operatorName,
TypeInformation<R> outTypeInfo,
OneInputStreamOperator<T, R> operator) {
// 获取StreamMap对应的StreamOperatorFactory工厂类
return doTransform(operatorName, outTypeInfo, SimpleOperatorFactory.of(operator));
}
// 步骤4，将工厂实例传入到Transformation中
protected <R> SingleOutputStreamOperator<R> doTransform(
String operatorName,
TypeInformation<R> outTypeInfo,
StreamOperatorFactory<R> operatorFactory) {
OneInputTransformation<T, R> resultTransform =
new OneInputTransformation<>(
this.transformation,
operatorName,
// 将StreamOperatorFactory工厂实例，传入到Transformation中
operatorFactory,
outTypeInfo,
environment.getParallelism());
@SuppressWarnings({"unchecked", "rawtypes"})
SingleOutputStreamOperator<R> returnStream =
new SingleOutputStreamOperator(environment, resultTransform);
getExecutionEnvironment().addOperator(resultTransform);
return returnStream;
}
在步骤2中，将MapFunction封装成StreamMap，StreamMap是AbstractUdfStreamOperator的子类，并且同时实现了OneInputStreamOperator，进行数据处理逻辑。在处理数据时，实际上是调用MapFunction的map方法完成，即在业务代码中指定的row -> Tuple2.of(row, 1)的逻辑。
public class StreamMap<IN, OUT> extends AbstractUdfStreamOperator<OUT, MapFunction<IN, OUT>>
implements OneInputStreamOperator<IN, OUT> {
// 以下3个属性从父类继承
// 函数实例
protected final F userFunction;
// 结果输出
protected transient Output<StreamRecord<OUT>> output;
// 默认算子链生成策略
protected ChainingStrategy chainingStrategy = ChainingStrategy.HEAD;
public StreamMap(MapFunction<IN, OUT> mapper) {
super(mapper);
// 实例化StreamMap时，指定ALWAYS的算子链生成策略
chainingStrategy = ChainingStrategy.ALWAYS;
}
@Override
public void processElement(StreamRecord<IN> element) throws Exception {
// userFunction即MapFunction处理数据时，实质调用MapFunction的map方法。
output.collect(element.replace(userFunction.map(element.getValue())));
}
}
要在Task中算子才会真正执行，这里仅仅是在逻辑上完成算子的定义。
2. 算子链
Flink中会将多个算子合并到一起，组成算子链从而提高算子的运行效率。同一个算子链意味着将在同一个线程中运行。flink中算子链使用OperatorChain抽象类表示。
算子的合并策略在ChainingStrateg枚举类中定义，详情如下
/**
* StreamOperator 使用的默认值为 HEAD,这意味着算子不链接到其前身。大多数算子使用 ALWAYS 覆盖此操作,这意味着它们将尽可能链接到前身。
*/
public enum ChainingStrategy {
// 尽可能的将和上游算子链接到一起，大多数算子的默认值
ALWAYS,
// 当前算子不会上下游算子链接到一起
NEVER,
// 不会上游算子连接到一起，但是可以和下游算子链接到一起
HEAD,
// 此运算符将运行在链的头部(与 HEAD 类似,但它还会尝试在可能的情况下链接source。这允许将多输入运算符与多个源链接到一个任务中。
HEAD_WITH_SOURCES;
public static final ChainingStrategy DEFAULT_CHAINING_STRATEGY = ALWAYS;
}
