Flink之state processor api实践

    

    前不久，Flink社区发布了FLink 1.9版本，在其中包含了一个很重要的新特性，即state processor api，这个框架支持对checkpoint和savepoint进行操作，包括读取、变更、写入等等。

savepoint的可操作带来了很多的可能性：

• 作业迁移

　　1.跨类型作业，假如有一个storm作业，将状态缓存在外部系统，希望更好的利用flink的状态机制来增加作业的稳定和减少数据的延迟，但如果直接迁移，必然面临状态的丢失，这时，可以将外部系统的状态转换为flink作业的savepoint来启动。
　　2.同类型作业，假如有一个flink作业已经在运行，一个新的flink作业希望复用之前的某些状态，也可以将savepoint进行处理重新写入，进而使得新的flink作业可以在某个基础上运行。

• 作业升级

　　1.有UID升级，一般情况下，如果升级前的operator已经设置了uid，那么可以直接升级，但是如果希望在之前的状态数据上做些变更，这里就提供了一种接口。
　　2.无UID升级，在特殊情况下，一开始编写了没有UID的作业，后来改成了标准的有UID的作业，反而无法在之前的savepoint上启动了，这时也可以对savepoint同时做升级。

• 作业校验

　　1.异步校验，一般而言，flink作业的最终结果都会持久化输出，但在面临问题的时候，如何确定哪一级出现问题，state processor api也提供了一种可能，去检验state中的数据是否与预期的一致。

• 作业扩展

　　1.横向扩展，如果在flink作业一开始运行的时候，因为面对的数据量较小，设置了比较小的最大并行度，但在数据量增大的时候，却没办法从老的savepoint以一个比之前的最大并行度更大的并行度来启动作业，这时，也需要复写savepoint的同时更改最大并行度。
　　2.纵向扩展，在flink作业中新添加了一个operator，从savepoint启动的时候这个operator默认无状态，可以手动构造数据，使得这个operator的表现和其他operator保持一致。

可以对savepoint进行哪些操作？

• 读取savepoint

　　1.验证，读取出来的savepoint会转换为一个dataSet，随后可以以标准批处理的方式来验证你的业务预期；
　　2.source，也可以以savepoint作为数据源，来作为你另一个作业的输入。

• 写入savepoint

　　1.写入新的savepoint，可以写入一个全新的savepoint，这个savepoint是独立的存在，他可以有新的operator uid，新的operator state，以及新的max parallism等等。
　　2.复用原来的savepoint，可以在原来的savepoint的基础上加入新的operator的state，在新的savepoint被使用之前，老的savepoint不允许被删除。

那么究竟哪些state是可读的？有哪些接口了？

可以看到，主要提供对三种state的访问，operator state和broadcast state，其中broadcast state是一种特殊的operator state，因为他也支持自定义的serializer。

通关程序

目前在社区或者网上并没有完整的样例供大家参考，下面这个例子是完全在测试环境中跑通的，所有的flink相关组件的版本依赖都是1.9.0。

下面我们说明如何使用这个框架。

1.首先我们创建一个样例作业来生成savepoint

主类代码

final StreamExecutionEnvironment env = StreamExecutionEnvironment.getExecutionEnvironment();
        env.enableCheckpointing(60*1000);
        DataStream<Tuple2<Integer,Integer>> kafkaDataStream =
                env.addSource(new SourceFunction<Tuple2<Integer,Integer>>() {
            private boolean running = true;
            private int key;
            private int value;
            private Random random = new Random();
            @Override
            public void run(SourceContext<Tuple2<Integer,Integer>> sourceContext) throws Exception {
                while (running){
                    key = random.nextInt(5);
                    sourceContext.collect(new Tuple2<>(key,value++) );
                    Thread.sleep(100);
                }
            }

            @Override
            public void cancel() {
                running = false;
            }
        }).name("source").uid("source");


        kafkaDataStream
                .keyBy(tuple -> tuple.f0)
                .map(new StateTest.StateMap()).name("map").uid("map")
                .print().name("print").uid("print");

在上面的代码中，只需要注意在自定义的source中，发送tuple2消息，而做savepoint的
关键在于状态，状态在StateMap这个类中，如下：

public static class StateMap extends RichMapFunction<Tuple2<Integer,Integer>,String>  {
        private transient ListState<Integer> listState;

        @Override
        public void open(Configuration parameters) throws Exception {
            ListStateDescriptor<Integer> lsd =
                    new ListStateDescriptor<>("list",TypeInformation.of(Integer.class));
            listState = getRuntimeContext().getListState(lsd);
        }

        @Override
        public String map(Tuple2<Integer,Integer> value) throws Exception {
            listState.add(value.f1);
            return value.f0+"-"+value.f1;
        }

        @Override
        public void close() throws Exception {
            listState.clear();
        }
    }

在上面的Map中，首先在open中声明了一个ListState，然后在消息处理的逻辑中，也很简单的只是把tuple2的值放进了listState中。然后提交作业，等作业运行一段时间之后，触发一个savepoint，
并记录savepoint的地址。至此，完成了state processor api验证工作的数据准备。

2.利用state processor api读取savepoint
这一步只是简单验证下savepoint是否能够被正确读取，代码如下：

public class ReadListState {
    protected static final Logger logger = LoggerFactory.getLogger(ReadListState.class);

    public static void main(String[] args) throws Exception {
        final String operatorUid = "map";
        final String savepointPath =
                "hdfs://xxx/savepoint-41b05d-d517cafb61ba";

        final String checkpointPath = "hdfs://xxx/checkpoints";

        // set up the batch execution environment
        final ExecutionEnvironment env = ExecutionEnvironment.getExecutionEnvironment();

        RocksDBStateBackend db = new RocksDBStateBackend(checkpointPath);
        DataSet<String> dataSet = Savepoint
                .load(env, savepointPath, db)
                .readKeyedState(operatorUid, new ReaderFunction())
                .flatMap(new FlatMapFunction<KeyedListState, String>() {
                    @Override
                    public void flatMap(KeyedListState keyedListState, Collector<String> collector) throws Exception {
                        keyedListState.value.forEach(new Consumer<Integer>() {
                            @Override
                            public void accept(Integer integer) {
                                collector.collect(keyedListState.key + "-" + integer);
                            }
                        });
                    }
                });

        dataSet.writeAsText("hdfs://xxx/test/savepoint/bravo");

        // execute program
        env.execute("read the list state");
    }

    static class KeyedListState {
        Integer key;
        List<Integer> value;
    }

    static class ReaderFunction extends KeyedStateReaderFunction<Integer, KeyedListState> {
        private transient ListState<Integer> listState;

        @Override
        public void open(Configuration parameters) {
            ListStateDescriptor<Integer> lsd =
                    new ListStateDescriptor<>("list", TypeInformation.of(Integer.class));
            listState = getRuntimeContext().getListState(lsd);
        }

        @Override
        public void readKey(
                Integer key,
                Context ctx,
                Collector<KeyedListState> out) throws Exception {
            List<Integer> li = new ArrayList<>();
            listState.get().forEach(new Consumer<Integer>() {
                @Override
                public void accept(Integer integer) {
                    li.add(integer);
                }
            });

            KeyedListState kl = new KeyedListState();
            kl.key = key;
            kl.value = li;

            out.collect(kl);
        }
    }
}

在读取了savepoint中的状态之后，成功将其转存为一个文件，文件的部分内容如下,每行的内容分别为key-value对：

3.利用state processor api重写savepoint

savepoint是对程序某个运行时点的状态的固化，方便程序在再次提交的时候进行接续，但有时候需要对savepoint中的状态进行改写，以方便从特定的状态来启动作业。

public class ReorganizeListState {
    protected static final Logger logger = LoggerFactory.getLogger(ReorganizeListState.class);
    public static void main(String[] args) throws Exception {
        final String operatorUid = "map";
        final String savepointPath =
                "hdfs://xxx/savepoint-41b05d-d517cafb61ba";

        final String checkpointPath = "hdfs://xxx/checkpoints";

        // set up the batch execution environment
        final ExecutionEnvironment env = ExecutionEnvironment.getExecutionEnvironment();

        RocksDBStateBackend db = new RocksDBStateBackend(checkpointPath);
        DataSet<KeyedListState> dataSet = Savepoint
                .load(env,savepointPath,db)
                .readKeyedState(operatorUid,new ReaderFunction())
                .flatMap(new FlatMapFunction<KeyedListState, KeyedListState>() {
                    @Override
                    public void flatMap(KeyedListState keyedListState, Collector<KeyedListState> collector) throws Exception {
                        KeyedListState newState = new KeyedListState();
                        newState.value = keyedListState.value.stream()
                        .map( x -> x+10000).collect(Collectors.toList());
                        newState.key = keyedListState.key;
                        collector.collect(newState);
                    }
                });
        
        BootstrapTransformation<KeyedListState> transformation = OperatorTransformation
                .bootstrapWith(dataSet)
                .keyBy(acc -> acc.key)
                .transform(new KeyedListStateBootstrapper());

        Savepoint.create(db,128)
                .withOperator(operatorUid,transformation)
                .write("hdfs://xxx/test/savepoint/");

        // execute program
        env.execute("read the list state");
    }

    static class KeyedListState{
        Integer key;
        List<Integer> value;
    }

    static class ReaderFunction extends KeyedStateReaderFunction<Integer, KeyedListState> {
        private transient ListState<Integer> listState;

        @Override
        public void open(Configuration parameters) {
            ListStateDescriptor<Integer> lsd =
                    new ListStateDescriptor<>("list",TypeInformation.of(Integer.class));
            listState = getRuntimeContext().getListState(lsd);
        }

        @Override
        public void readKey(
                Integer key,
                Context ctx,
                Collector<KeyedListState> out) throws Exception {
            List<Integer> li = new ArrayList<>();
            listState.get().forEach(new Consumer<Integer>() {
                @Override
                public void accept(Integer integer) {
                    li.add(integer);
                }
            });

            KeyedListState kl = new KeyedListState();
            kl.key = key;
            kl.value = li;

            out.collect(kl);
        }
    }

    static class KeyedListStateBootstrapper extends KeyedStateBootstrapFunction<Integer, KeyedListState> {
        private transient ListState<Integer> listState;

        @Override
        public void open(Configuration parameters) {
            ListStateDescriptor<Integer> lsd =
                    new ListStateDescriptor<>("list",TypeInformation.of(Integer.class));
            listState = getRuntimeContext().getListState(lsd);
        }

        @Override
        public void processElement(KeyedListState value, Context ctx) throws Exception {
            listState.addAll(value.value);
        }
    }
}

这里的关键在于根据上一步读取出来dataSet,转换的过程中将其值全部累加10000，然后将这个dataSet作为输入来构建一个BootstrapTransformation，然后创建了一个空的savepoint，并把指定
operatorUid的状态写为一个savepoint，最终写入成功，得到了一个新的savepoint，这个新的savepoint包含的状态中的value相比原先的值发生了变化。

4.验证新生产的savepoint是否可用

由于验证用的state是ListState，换言之，是KeyedState，而KeyedState是属于Flink托管的state，意味着Flink自己掌握状态的保存和恢复的逻辑，所以为了验证作业是否正确从新的savepoint
中启动了，对之前的StateMap改写如下：

public static class StateMap extends RichMapFunction<Tuple2<Integer,Integer>,String>  {
        private transient ListState<Integer> listState;

        @Override
        public void open(Configuration parameters) throws Exception {
            ListStateDescriptor<Integer> lsd =
                    new ListStateDescriptor<>("list",TypeInformation.of(Integer.class));
            listState = getRuntimeContext().getListState(lsd);
        }

        @Override
        public String map(Tuple2<Integer,Integer> value) throws Exception {
            listState.add(value.f1);
            log.info("get value:{}-{}",value.f0,value.f1);
            StringBuilder sb = new StringBuilder();
            listState.get().forEach(new Consumer<Integer>() {
                @Override
                public void accept(Integer integer) {
                    sb.append(integer).append(";");
                }
            });
            log.info("***********************taskNameAndSubTask:{},restored value:{}"
                    ,getRuntimeContext().getTaskNameWithSubtasks(),sb.toString());
            return value.f0+"-"+value.f1;
        }

        @Override
        public void close() throws Exception {
            listState.clear();
        }
    }

由于无法在state恢复之后立刻就拿到相应恢复的数据，这里之后在每次消息达到的时候输出下state中的内容，变通的看看是否恢复成功，结果如下：

可以对比看下上图中key为4的输出，可以看到输出的值即为修改后的值，验证成功。

5.结语
上面我们以一个keyedState来对state processor api做了验证，但Flink的state分为KeyedState，OperatorState和BroadcastState，在state processor api中都提供相应的处理接口。
另外，对于keyedState，如果作业的并行度发生了变化会如何？如果Key发生了变化会如何？都需要进一步探究。

官方文档参见：
https://flink.apache.org/feature/2019/09/13/state-processor-api.html
https://ci.apache.org/projects/flink/flink-docs-release-1.9/dev/libs/state_processor_api.html