1、理解State(状态)
1.1、State
- 对象的状态
- Flink中的状态:一般指一个具体的task/operator某时刻在内存中的状态(例如某属性的值)
- 注意:State和Checkpointing 不要搞混
- checkpoint则表示了一个Flink Job,在一个特定时刻的一份全状态快照,即包含一个job下所有task/operator 某时刻的状态
- 状态的作用
- 增量计算
- 聚合操作
- 机器学习训练模式
- 等等
- 容错
- Job故障重启
- 升级
1.2、状态的分类
1、Operator State
- 绑定到特定operator并行实例,每个operator的并行实例维护一个状态
- 与key无关
- 例如:一个并行度为3的source,如果只考虑一个算子需要一个逻辑状态的情形,那么他就有3operator个状态
- 支持的数据类型
- ListState
2、Keyed State
- 基于KeyedStream之上的状态,dataStream.keyBy(),只能在作用于KeyedStrem上的function/Operator里使用
- KeyBy之后的Operator State,可理解为分区过的Operator State
- 每个并行keyed Operator的每个实例的每个key有一个Keyed State:即就是 一个唯一的状态,由于每个key属于一个keyed operator的并行实例,因此我们可以将其简单地理解为 <operator,key>
- 支持的数据结构
- ValueState:保留一个可以更新和检索的值
- update(T)
- value()
- ListState<T>:保存一个元素列表
- add(T)
- addAll(List)
- get(T)
- clear()
- ReducingState<T>:保存一个值,该值表示添加到该状态所有值的聚合。
- add(T)
- AggregatingState<IN,OUT><in,out>:保存一个值,该值表示添加到该状态的所有值的聚合。(与ReducingState 相反,聚合类型添加到该状态的元素可以有不同类型)
- add(T)
- FoldingState<T,ACC><t,acc>:不推荐使用
- add(T)
- MapState<UK,UV><uk,uv>:保存一个映射列表
- put(UK,UV)
- putAll(Map<uk,uv>)
- get(UK)
3、状态的表现形式
- Keyed State和Operator State,可以以两种形式存在:原始状态和托管状态。
- managed(托管状态):
- 托管状态是指Flink框架管理的状态,如ValueState,ListState,MapState等。
- 通过框架提供的接口来更新和管理状态的值
- 不需要序列化
- raw(原始状态) 原始状态是由用户自行管理的具体的数据结构,Flink在做checkpoint的时候,使用byte[]来读写状态内 容,对其内部数据结构一无所知
- 需要序列化
- 通常在DataStream上的状态推荐使用托管的状态,当用户自定义operator时,会使用到原始状态。
- 大多数都是托管状态,除非自定义实现。
- managed(托管状态):
4、Operator State与Keyed State的Redistribute(重新分配)
1)、Operator State Redistribute Redistribute
- 当Operator改变并发度的时候(Rescale),会触发状态的Redistribute,即Operator State里的 数据会重新分配到Operator的Task实例
- 例如:某Operator的并行度由3改为2
- 不同数据结构的动态扩展方式不一样:
- ListState:并发度在改变的时候,会将并发上的每个List都取出,然后把这些List合并到一个新的List,然 后根据元素的个数在均匀分配给新的Task
- UnionListState:相比于ListState更加灵活,把划分的方式交给用户去做,当改变并发的时候,会将原来 的List拼接起来。然后不做划分,直接交给用户(每个Task给全量的状态,用户自己划分)
- BroadcastState:如大表和小表做Join时,小表可以直接广播给大表的分区,在每个并发上的数据都是完 全一致的。做的更新也相同,当改变并发的时候,把这些数据COPY到新的Task即可。
- 以上是Flink Operator States提供的3种扩展方式,用户可以根据自己的需求做选择。
2)、Keyed State的Redistribute
- Keyed State Redistribute
- Key被Redistribute哪个task,他对应的Keyed State就被Redistribute到哪个Task
- Keyed State Redistribute是基于Key Group来做分配的:
- 将key分为group
- 每个key分配到唯一的group
- 将group分配给task实例
- KeyGroup由最大并行度的大小所决定的
- Keyed State最终分配到哪个Task:group ID和taskID是从0开始算的
- hash=hash(key)
- KG=hash % numOfKeyGroups
- Subtask=KG* taskNum / numOfKeyGroups
二、CheckPoint
2.1、状态容错
- 有了状态自然需要状态容错,否则状态就失去意义了
- Flink状态容错的机制就是checkpoint
概念
- 所谓checkpoint,就是在某一时刻,将所有task的状态做一个快照(snapshot),然后存储到State Backend (有全量 和 增量)
- 一种连续性绘制数据流状态的机制(周期性的),该机制确保即使出现故障,程序的状态最终也将为数据流中的每一条记录提供exactly once(只处理一次)的语意保证(只能保证flink系统内,对于sink和source需要依赖的外部的组件一同保证)
- 全局快照,持久化保存所有的task / operator的State
特点:
- 轻量级容错机制
- 可异步
- 全量 vs 增量
- Barrier机制(保证exactly-once 语义)
- 失败情况可回滚至最近一次成功的checkpoint(自动)
- 周期性(无需人工干预)
基本原理:
- 通过往source 注入barrier
- barrier作为checkpoint的标志
- barrier
全局异步化是snapshot的核心机制
Flink分布式快照的核心概念之一就是数据栅栏(barrier)。这些barrier被插入到数据流中,作为数据流的一部分和数据一起向下流动。Barrier不会干扰正常数据,数据严格有序。一个barrier把数据流分割成两部分:一部 分进入到当前快照,另一部分进入下一个快照。每一个 barrier 都带有快照 ID,并且 barrier 之前的数据都进入了 此快照。Barrier 不会干扰数据流处理,所以非常轻量。多个不同快照的多个 barrier 会在流中同时出现,即多个 快照可能同时创建。
使用Checkpointing的前提条件:
- 在一定时间内可回溯的 datasource(故障时可以回溯数据),常见的:
- 一般是可持久化的消息队列:例如 Kafka、RabbitMQ、Amazon Kinesis、Google PubSub
- 也可以是文件系统:HDFS、S3、GFS、NFS、Ceph
- 一般是 HDFS、S3、GFS、NFS、Ceph
可持久化存储State的存储系统,通常使用分布式文件系统(Checkpointing 就是把 job 的所有状态都周期性持久化到存储里)
2.2、状态容错示意图
checkpoint:
Restore:
- 恢复所有状态
- 设置source的位置(例如:Kafka的offset)
2.3、使用CheckPoint
1、开启checkPoint
- checkPoint默认是禁用的
StreamExecutionEnvironment env = StreamExecutionEnvironment.getExecutionEnvironment();
//start a checkpoint every 1000 ms 1000-checkpoint时间间隔
env.enableCheckpointing(1000);
//advanced options: checkpoint保证形式
//set mode to exactly-once (this is the default)
env.getCheckpointConfig().setCheckpointingMode(CheckpointingMode.EXACTLY_ONCE);
//make sure 500 ms of progress happen between checkpoints 两次间隔最小时间,如果上次没有完成会等待完成在执行下一次
env.getCheckpointConfig().setMinPauseBetweenCheckpoints(500);
//checkpoints have to complete within one minute,or are discarded ;超时时间
env.getCheckpointConfig().setCheckpointTimeout(60000);
//allow only one checkpoint to be in progress at the same time; checkpoint 并行度
env.getCheckpointConfig().setMaxConcurrentCheckpoints(1);
//enable externalized checkpoints which are retained after job cancellation;任务结束,checkpoint是否保留
env.getCheckpointConfig().enableExternalizedCheckpoints(ExternalizedCheckpointCleanup.RETAIN_ON_CANCELLATION)
2、CheckpointConfig设置说明
- checkpointMode
//set mode to exactly-once (this is the default)
env.getCheckpointConfig().setCheckpointingMode(CheckpointingMode.EXACTLY_ONCE);
- 保留策略
默认情况下,检查点不被保留,仅用于从故障中恢复作业。可以启用外部持久化检查点,同时指定保留策略
ExternalizedCheckpointCleanup.RETAIN_ON_CANCELLATION:在作业取消时保留检查点。注意,在这种情况下,必须在取消后手动清理检查点状态。
ExternalizedCheckpointCleanup.DELETE_ON_CANCELLATION当作业被cancel时,删除检查点。检查点状态仅在作业失败时可用。
- checkpointing的超时时间:超过时间没有完成则会被终止
//checkpoints have to complete within one minute, or are discarded
env.getCheckpointConfig().setCheckpointTimeout(60000);
- checkpointing最小间隔:用于指定上一个checkpoint完成之后最小等多久可以出发另一个checkpoint,当指 定这个参数时,maxConcurrentCheckpoints的值为1
//make sure 500 ms of progress happen between checkpoints
env.getCheckpointConfig().setMinPauseBetweenCheckpoints(500);
- maxConcurrentCheckpoints:指定运行中的checkpoint最多可以有多少个(设定checkpointing最小间隔时本 参数即为1)
//allow only one checkpoint to be in progress at the same time
env.getCheckpointConfig().setMaxConcurrentCheckpoints(1);
- failOnCheckpointingErrors用于指定在checkpoint发生异常的时候,是否应该fail该task,默认为true,如果设 置为false,则task会拒绝checkpoint然后继续运行
env.getCheckpointConfig().setFailOnCheckpointingErrors(true);
3、选择State Backend
- State Backend就是用来保存快照的地方
- 用来在Checkpointing机制中持久化所有状态的一致性快照,这些状态包括:
- 非用户定义的状态:例如,timers、非用户自定义的stateful operators(connectors,windows)
- 用户定义的状态:就是前面讲的用户自定义的stateful operato所使用的Keyed State and Operator State
目前Flink自带三个开箱即用State Backend:
- MemoryStateBackend(默认)
- MemoryStateBackend在Java堆上维护状态。Key/value状态和窗口运算符使用哈希表存储值和计时器等
- Checkpoint时,MemoryStateBackend对State做一次快照,并在向JobManager发送Checkpoint确认完 成的消息中带上此快照数据,然后快照就会存储在JobManager的堆内存中
- MemoryStateBackend可以使用异步的方式进行快照(默认开启),推荐使用异步的方式避免阻塞。如果 不希望异步,可以在构造的时候传入false(也可以通过全局配置文件指定),如下
StateBackend backend = new MemoryStateBackend(10*1024*1024,false);
env.setStateBackend(backend);
-
限制
单个State的大小默认限制为5MB,可以在MemoryStateBackend的构造函数中增加
不论如何配置,State大小都无法大于akka.framesize(JobManager和TaskManager之间发送的最大消息 的大小默认是10MB)
JobManager必须有足够的内存大小
- 适用场景
- 本地开发和调试
- 小状态job,如只使用Map、FlatMap、Filter...或Kafka Consumer
- 适用场景
-
FsStateBackend
FsStateBackend需要配置一个文件系统的URL, 如 "hdfs://namenode:40010/flink/checkpoint"。
FsStateBackend在TaskManager的内存中持有正在处理的数据。Checkpoint时将state snapshot 写入文件系 统目录下的文件中。文件的路径等元数据会传递给JobManager,存在其内存中。
-
FsStateBackend可以使用异步的方式进行快照(默认开启),推荐使用异步的方式避免阻塞。如果不希望异 步可以在构造的时候传入false(也可以通过全局配置文件指定),如下:
StateBackend backend = new FsStateBackend("hdfs://namenode:40010/flink/checkpoints",false);
env.setStateBackend(backend);
- 适用场景
- 大状态、长窗口、大键/值状态的job
- 所有高可用性的情况
-
RocksDBStateBackend
RocksDBStateBackend需要配置一个文件系统的URL来, 如"hdfs://namenode:40010/flink/checkpoint"
RocksDBStateBackend将运行中的数据保存在RocksDB数据库中,(默认情况下)存储在TaskManager数据 目录中,在Checkpoint时,整个RocksDB数据库将被Checkpointed到配置的文件系统和目录中。文件的路径 等元数据会传递给JobManager,存在其内存中。
RocksDBStateBackend总是执行异步快照
-
限制
RocksDB JNI API是基于byte[],因此key和value最大支持大小为2^31个字节(2GB)。RocksDB自身在 支持较大value时候有问题
- 适用场景
- 超大状态,超长窗口、大键/值状态的job
- 所有高可用性的情况
- 与前两种状态后端对比:
- 目前只有RocksDBStateBackend支持增量checkpoint(默认全量)
- 状态保存在数据库中,即使用RockDB可以保存的状态量仅受可用磁盘空间量的限制,相比其他的状态后 端可保存更大的状态,但开销更大(读/写需要反序列化/序列化去检索/存储状态),吞吐受到限制
- 三种StateBackend总结如下:
- 配置StateBackend
- 全局配置(配置文件conf/flink-conf.yaml),设置集群保存checkpoint类型和存储路径
# The backend that will be used to store operator state checkpoints
state.backend: filesystem
#Directory.for storing checkpoints
state.checkpoints.dir: hdfs:namenode:40010/flink/checkpoints- 每个job单独配置State Backend(可覆盖全局配置) ,设置计算任务的
StreamExecutionEnvironment env = StreamExecutionEnvironment.getExecutionEnvironment();
env.setStateBackend(new FsStateBackend("hdfs://namenode:40010/flink/checkpoints"));
4、配置恢复策略
Flink支持不同的重启策略,这些策略控制在出现故障时如何重新启动job
- 如果没有启用checkpointing,则使用无重启(no restart)策略。
- 如果启用了checkpointing,但没有配置重启策略,则使用固定延迟(fixed-delay)策略,其中尝试重启 次数是Integer > MAX_VALUE
- 重启策略可以在flink-conf.yaml中配置,表示全局的配置。也可以在应用代码中动态指定,会覆盖全局配 置
2.4、checkpoint demo
1、operatorState的checkPoint容错案例:
import java.util.concurrent.TimeUnit
import org.apache.flink.api.common.functions.RichFlatMapFunction
import org.apache.flink.api.common.restartstrategy.RestartStrategies
import org.apache.flink.api.common.state.{ListState, ListStateDescriptor}
import org.apache.flink.api.common.time.Time
import org.apache.flink.api.common.typeinfo.{TypeHint, TypeInformation}
import org.apache.flink.configuration.{ConfigConstants, Configuration}
import org.apache.flink.runtime.state.filesystem.FsStateBackend
import org.apache.flink.runtime.state.{FunctionInitializationContext, FunctionSnapshotContext}
import org.apache.flink.streaming.api.CheckpointingMode
import org.apache.flink.streaming.api.checkpoint.CheckpointedFunction
import org.apache.flink.streaming.api.environment.CheckpointConfig
import org.apache.flink.streaming.api.scala.{DataStream, StreamExecutionEnvironment}
import org.apache.flink.util.Collector import scala.collection.mutable.ListBuffer /**
* OperatorState的checkPoint容错恢复
* 想知道两次事件 xxd 之间,一共发生多少次其他事件,分别是什么事件
* 事件流:xxd a a a a a f d d xxd ad d s s d xxd…
* 当事件流中出现字母e时触发容错
* 输出:
* (8,a a a a a f d d)
* (6,ad d s s d)
*/
object OperatorStateRecovery {
def main(args: Array[String]): Unit = {
import org.apache.flink.api.scala._
//生成配置对象
val config = new Configuration()
//开启spark-webui
config.setBoolean(ConfigConstants.LOCAL_START_WEBSERVER, true)
//配置webui的日志文件,否则打印日志到控制台
config.setString("web.log.path", "/tmp/logs/flink_log")
//配置taskManager的日志文件,否则打印日志到控制台
config.setString(ConfigConstants.TASK_MANAGER_LOG_PATH_KEY, "/tmp/logs/flink_log")
//配置tm有多少个slot
config.setString("taskmanager.numberOfTaskSlots", "4")
// 获取local运行环境
val env: StreamExecutionEnvironment = StreamExecutionEnvironment.createLocalEnvironmentWithWebUI(config)
//设置全局并行度为1,好让所有数据都跑到一个task中,以方便测试
env.setParallelism(1)
//隔多长时间执行一次ck 毫秒
env.enableCheckpointing(1000L)
val checkpointConfig: CheckpointConfig = env.getCheckpointConfig
//保存EXACTLY_ONCE
checkpointConfig.setCheckpointingMode(CheckpointingMode.EXACTLY_ONCE)
//每次ck之间的间隔,不会重叠
checkpointConfig.setMinPauseBetweenCheckpoints(2000L)
//每次ck的超时时间
checkpointConfig.setCheckpointTimeout(10L)
//如果ck执行失败,程序是否停止
checkpointConfig.setFailOnCheckpointingErrors(true)
//job在执行CANCE的时候是否删除ck数据
checkpointConfig.enableExternalizedCheckpoints(CheckpointConfig.ExternalizedCheckpointCleanup.DELETE_ON_CANCELLATION)
//指定保存ck的存储模式
val stateBackend = new FsStateBackend("file:/tmp/flink/checkpoints", true) //异步同步
// val stateBackend = new MemoryStateBackend(10 * 1024 * 1024,false)
// val stateBackend = new RocksDBStateBackend("hdfs://ns1/flink/checkpoints",true)
env.setStateBackend(stateBackend)
//恢复策略,恢复三次,间隔0秒
env.setRestartStrategy(
RestartStrategies.fixedDelayRestart(
3, // number of restart attempts
Time.of(0, TimeUnit.SECONDS) // delay
)
)
val input: DataStream[String] = env.socketTextStream("localhost", 6666)
input
.flatMap(new OperatorStateRecoveryRichFunction)
.print()
env.execute()
}
} //由于使用了本地状态所以需要checkpoint的snapshotState方法把本地状态放到托管状态中
class OperatorStateRecoveryRichFunction extends RichFlatMapFunction[String, (Int, String)] with CheckpointedFunction { //托管状态
@transient
private var checkPointCountList: ListState[String] = _
//原始状态
private var list: ListBuffer[String] = new ListBuffer[String] //flatMap函数处理逻辑
override def flatMap(value: String, out: Collector[(Int, String)]): Unit = {
if (value == "xxd") {
if (list.size > 0) {
val outString: String = list.foldLeft("")(_ + " " + _)
out.collect((list.size, outString))
list.clear()
}
} else if (value == "e") {
1 / 0
} else {
list += value
}
} //再checkpoint时存储,把正在处理的原始状态的数据保存到托管状态中
override def snapshotState(context: FunctionSnapshotContext): Unit = {
checkPointCountList.clear()
list.foreach(f => checkPointCountList.add(f))
println(s"snapshotState:${
list
}, Time=${System.currentTimeMillis()}")
} //从statebackend中恢复保存的托管状态,并将来数据放到程序处理的原始状态中
// 出错一次就调用一次这里,能调用几次是根据setRestartStrategy设置的
override def initializeState(context: FunctionInitializationContext): Unit = {
val lsd: ListStateDescriptor[String] = new ListStateDescriptor[String]("xxdListState", TypeInformation.of(new TypeHint[String] {}))
checkPointCountList = context.getOperatorStateStore.getListState(lsd)
if (context.isRestored) {// 出错恢复
import scala.collection.convert.wrapAll._
for (e <- checkPointCountList.get()) {
list += e
}
}
println(s"initializeState:${list},Time=${System.currentTimeMillis()}")
}
}
2、Keyed State容错实现方法
- Keyed State之过期超时策略
- 由于Keyed State太多,所以flink提供了针对Keyed State TTL的设置
- 任何类型的keyed State都可以设置TTL。如果TTL已配置,且状态已过期,则将以最佳方式处理
- 所有State collection都支持条目级别的TTL,即list、map中的条目独立expire
- 用法
StateTtlConfig ttlConfig = StateTtlConfig
.newBuilder(Time.seconds(1))
.setUpdateType(StateTtlConfig.UpdateType.OnCreateAndWrite)
.setStateVisibility(StateTtlConfig.StateVisibility.NeverReturnExpired)
.build();
ValueStateDescriptor<String> stateDescriptor = new ValueStateDescriptor<>("text state", String.class)
stateDescriptor.enableTimeToLive(ttlConfig);
-
Refresh策略(默认是OnCreateAndWrite):设置如何更新keyedState的最后访问时间
StateTtlConfig.UpdateType.Disabled - 禁用TTL,永不过期
StateTtlConfig.UpdateType.OnCreateAndWrite - 每次写操作均更新State的最后访问时间(Create、 Update)
StateTtlConfig.UpdateType.OnReadAndWrite - 每次读写操作均更新State的最后访问时间
- 状态可见性(默认是NeverReturnExpired):设置是否返回过期的值(过期尚未清理,此时正好被访问)
- StateTtlConfig.StateVisibility.NeverReturnExpired - 永不返回过期状态
- StateTtlConfig.StateVisibility.ReturnExpiredlfNotCleanedUp - 可以返回过期但尚未清理的状态值
- 状态可见性(默认是NeverReturnExpired):设置是否返回过期的值(过期尚未清理,此时正好被访问)
- TTL time等级
- setTimeCharacteristic(TimeCharacteristic timeCharacteristic)
- 目前只支持ProcessingTime
- TTL time等级
- Keyed State之过期状态清理
- 清理策略
- 默认:已经过期的数据被显示读取时才会清理(可能会导致状态越来越大)
- FULL_STATE_SCAN_SNAPSHOT:在checkpoint时清理full snapshot中的expired state
- CleanupFullSnapshot()
- 不适用于在RocksDB state backend上的incremental checkpointing
KeyedState的checkPoint容错恢复 :
import java.util.concurrent.TimeUnit import org.apache.flink.api.common.functions.RichFlatMapFunction
import org.apache.flink.api.common.restartstrategy.RestartStrategies
import org.apache.flink.api.common.state.{StateTtlConfig, ValueState, ValueStateDescriptor}
import org.apache.flink.api.common.time.Time
import org.apache.flink.api.common.typeinfo.{TypeHint, TypeInformation}
import org.apache.flink.configuration.{ConfigConstants, Configuration}
import org.apache.flink.runtime.state.filesystem.FsStateBackend
import org.apache.flink.streaming.api.CheckpointingMode
import org.apache.flink.streaming.api.environment.CheckpointConfig
import org.apache.flink.streaming.api.scala.{DataStream, StreamExecutionEnvironment}
import org.apache.flink.util.Collector import scala.collection.mutable /**
* KeyedState的checkPoint容错恢复
* 将输入格式为"字符串 数字"的字符串转换成(字符串,数字)的元组类型
* 事件流:xxd 666
* 当事件流中出现"任意字符串 888"时触发容错
* 输出:
* (xxd,666)
*/
object KeyedStateRecovery {
def main(args: Array[String]): Unit = {
import org.apache.flink.api.scala._
//生成配置对象
val config = new Configuration()
//开启spark-webui
config.setBoolean(ConfigConstants.LOCAL_START_WEBSERVER, true)
//配置webui的日志文件,否则打印日志到控制台
config.setString("web.log.path", "/tmp/logs/flink_log")
//配置taskManager的日志文件,否则打印日志到控制台
config.setString(ConfigConstants.TASK_MANAGER_LOG_PATH_KEY, "/tmp/logs/flink_log")
//配置tm有多少个slot
config.setString("taskmanager.numberOfTaskSlots", "4")
val env: StreamExecutionEnvironment = StreamExecutionEnvironment.createLocalEnvironmentWithWebUI(config)
//并行度设置为1,是想让所有的key都跑到一个task中,以方便测试
env.setParallelism(1)
//隔多长时间执行一次ck
env.enableCheckpointing(1000L)
val checkpointConfig: CheckpointConfig = env.getCheckpointConfig
//保存EXACTLY_ONCE
checkpointConfig.setCheckpointingMode(CheckpointingMode.EXACTLY_ONCE)
//每次ck之间的间隔,不会重叠
checkpointConfig.setMinPauseBetweenCheckpoints(2000L)
//每次ck的超时时间
checkpointConfig.setCheckpointTimeout(10L)
//如果ck执行失败,程序是否停止
checkpointConfig.setFailOnCheckpointingErrors(true)
//job在执行CANCE的时候是否删除ck数据
checkpointConfig.enableExternalizedCheckpoints(CheckpointConfig.ExternalizedCheckpointCleanup.DELETE_ON_CANCELLATION)
//指定保存ck的存储模式
val stateBackend = new FsStateBackend("file:/tmp/flink/checkpoints", true)
// val stateBackend = new MemoryStateBackend(10 * 1024 * 1024,false)
// val stateBackend = new RocksDBStateBackend("hdfs://ns1/flink/checkpoints",true)
env.setStateBackend(stateBackend)
//恢复策略
env.setRestartStrategy(
RestartStrategies.fixedDelayRestart(
3, // number of restart attempts
Time.of(3, TimeUnit.SECONDS) // delay
)
)
val input: DataStream[String] = env.socketTextStream("localhost", 6666)
//因为KeyedStateRichFunctionString中使用了keyState,所以它必须在keyBy算子的后面
input
.map(f => {
val strings: mutable.ArrayOps[String] = f.split(" ")
(strings(0), strings(1).toInt)
})
.keyBy(0)
.flatMap(new KeyedStateRecoveryRichFunctionString)
.print()
env.execute()
}
} //由于没有使用本地的状态所以不需要实现checkpoint接口
class KeyedStateRecoveryRichFunctionString extends RichFlatMapFunction[(String, Int), (String, Int)] {
//ValueState是Key的state类型,是只能存在于KeyedStream的operator中
@transient private var sum: ValueState[(String, Int)] = null override def flatMap(value: (String, Int), out: Collector[(String, Int)]): Unit = {
println(s"state value:${sum.value()}")
//当value值为888时,触发异常
if (value._2 != 888) {
sum.clear()
sum.update(value)
out.collect(value)
} else {
1 / 0
}
} //在operator启动时执行一次
//如果operator出现异常,在恢复operator时会被再次执行
override def open(parameters: Configuration): Unit = {
//keyState的TTL策略
val ttlConfig = StateTtlConfig
//keyState的超时时间为10秒
.newBuilder(Time.seconds(10))
//当创建和更新时,重新计时超时时间
.setUpdateType(StateTtlConfig.UpdateType.OnCreateAndWrite)
//失败时不返回keyState的值
.setStateVisibility(StateTtlConfig.StateVisibility.NeverReturnExpired)
//失败时返回keyState的值
// .setStateVisibility(StateTtlConfig.StateVisibility.ReturnExpiredIfNotCleanedUp)
//ttl的时间处理等级目前只支持ProcessingTime
.setTtlTimeCharacteristic(StateTtlConfig.TtlTimeCharacteristic.ProcessingTime)
.build
//从runtimeContext中获得ck时保存的状态
val descriptor = new ValueStateDescriptor[(String, Int)]("xxdValueState", TypeInformation.of(new TypeHint[(String, Int)] {}))
descriptor.enableTimeToLive(ttlConfig)
sum = getRuntimeContext.getState(descriptor)
}
}
三、SavePoint
概念:
- savepoint可以理解为是一种特殊的checkpoint,savepoint就是指向checkpoint的一个指针,实际上也是 使用通过checkpointing机制创建的streaming job的一致性快照,可以保存数据源的offset、并行操作状态 也就是流处理过程中的状态历史版本。需要手动触发,而且不会过期,不会被覆盖,除非手动删除。正常 情况下的线上环境是不需要设置savepoint的。除非对job或集群做出重大改动的时候, 需要进行测试运 行。
- 可以从应用在过去的任意做了savepoint的时刻开始继续消费,具有可以replay的功能
Savepoint由两部分组成:
- 数据目录:稳定存储上的目录,里面的二进制文件是streaming job状态的快照
- 元数据文件:指向数据目录中属于当前Savepoint的数据文件的指针(绝对路径)
与Checkpoint的区别:
- Savepoint相当于备份(类比数据库备份)、Checkpoint相当于recovery log
- Checkpoint是Flink自动创建的"recovery log"用于故障自动恢复,由Flink创建,不需要用户交互。用户 cancel作业时就删除,除非启动了保留机制(External Checkpoint)
- Savepoint由用户创建,拥有和删除,保存点在作业终止后仍然存在。
作用:
- job开发新版本(更改job graph、更改并行度等等),应用重新发布
- Flink版本的更新
- 业务迁移,集群需要迁移,不容许数据丢失