Flink作业执行之 2.算子 StreamOperator

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 extends StreamOperator, Input {
        // 处理数据
        void processElement(StreamRecord element) throws Exception;
    }
    // 双流输入
    public interface TwoInputStreamOperator extends StreamOperator {
        // 处理双流输入中第一个流上的元素
        void processElement1(StreamRecord element) throws Exception;
        // 处理双流输入中第二个流上的元素
        void processElement2(StreamRecord 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 extends StreamOperator {
        List 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
            extends AbstractStreamOperator implements OutputTypeConfigurable {
        // 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。二者的关系为SinkOperator是StreamSink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  SimpleOperatorFactory of(StreamOperator 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((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((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 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  SingleOutputStreamOperator map(
            MapFunction mapper, TypeInformation 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  SingleOutputStreamOperator transform(
            String operatorName,
            TypeInformation outTypeInfo,
            OneInputStreamOperator 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  SingleOutputStreamOperator doTransform(
            String operatorName,
            TypeInformation outTypeInfo,
            StreamOperatorFactory operatorFactory) {
        OneInputTransformation 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 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 extends AbstractUdfStreamOperator
            implements OneInputStreamOperator {
        // 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 output;
        // 默认算子链生成策略
        protected ChainingStrategy chainingStrategy = ChainingStrategy.HEAD;
        public StreamMap(MapFunction 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 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;
    }