Flink流处理（一）- 状态流处理简介

1. Flink 简介

Flink 是一个分布式流处理器，提供直观且易于使用的API，以供实现有状态的流处理应用。它能够以fault-tolerant的方式高效地运行在大规模系统中。

流处理技术在当今地位愈发重要，因为它为很多业务场景提供了非常优秀的解决方案，例如数据分析，ETL，事务应用等。

2. 有状态的流处理

在很多场景下，数据都是以持续不断的流事件创建。例如网站的交互、或手机传输的信息、服务器日志、传感器信息等。有状态的流处理（stateful stream processing）是一种应用设计模式，用于处理无边界的流事件。下面我们简单介绍一下有状态流处理的机制。

对于任何处理流事件的应用来说，并不会仅仅简单的一次处理一个记录就完事了。在对数据进行处理或转换时，操作应该是有状态的。也就是说，需要有能力做到对处理记录过程中生成的中间数据进行存储及访问。当一个application 收到一个 event，在对其做处理时，它可以从状态信息（state）中读取数据进行协助处理。或是将数据写入state。在这种准则下，状态信息（state）可以被存储（及访问）在很多不同的地方，例如程序变量，本地文件，或是内置的（或外部的）数据库中。

Apache Flink 存储应用状态信息在本地内存或是一个外部数据库中。因为Flink 是一个分布式系统，本地状态信息需要被有效的保护，以防止在应用或是硬件挂掉之后，造成数据丢失。Flink对此采取的机制是：定期为应用状态（application state）生成一个一致（consistent）的checkpoint，并写入到一个远端持久性的存储中。下面是一个有状态的流处理Flink application的示例图：

Stateful stream processing 应用的输入一般为：事件日志（event log）的持续事件。Event log 存储并且分发事件流。事件被写入一个持久性的，仅可追加的（append-only）日志中。也就是说，被写入的事件的顺序始终是不变的。所以事件在Publish 给多个不同用户时，均是以完全一样的顺序发布的。在开源的event log 系统中，最著名的当属 Kafka。

使用flink流处理程序连接event log的理由有多种。在这个架构下，event log 持久化输入的 events，并且可以以既定的顺序replay这些事件。万一应用发生了某个错误，Flink会通过前一个checkpoint 恢复应用的状态，并重置在event log 中的 read position，并据此对events做replay（and fast forward），直到它抵达stream 的末端。这个技术不仅被用于错误恢复，并且也可以用于更新application，修复bugs，以及修复之前遗漏结果等场景中。

状态流处理主要有三种常见的实现方式：（1） Event-driven applications；（2）Data pipeline applications；（3）Data Analytics applications

在实际场景中，大部分应用会使用以上多种结合的方式。

3. Event-Driven Applications

事件驱动应用（event-driven application）消费事件流，并以业务逻辑处理events。根据业务逻辑，event-driven application 可以触发某些action（例如发送警报或是email），亦或是向另一事件流写入events，并被其他event-driven application 处理。

常见event-driven applications 使用场景包括：

1. 实时推荐（例如客户在浏览卖家网站时，为客户推荐产品）
2. 模式识别或是复杂事件处理（例如信用卡诈骗识别）
3. 异常检测（例如网络入侵检测）

Event-driven application是微服务的演变。微服务使用 REST 调用以及外部数据存储（例如 Key-Value store）。而事件驱动应用使用的是 event log，并使用本地状态（local state）记录应用数据。下面是事件驱动应用的一个示例图：

从上图我们可以看出，多个应用经由event log 连接。一个application 将输出写入 event log，并继而被另一application 消费。Event log 将发送端与接收端解耦，并提供了异步非阻塞的事件传输。每个application 都可以是有状态的，并可以在本地管理它自己的状态，而不需要外部数据存储。Applications 可以独立地运行并扩展。

相对于微服务来说，事件驱动应用有多个优点。相较于读写外部数据库，本地状态访问（local state access）提供了非常好的性能。扩展以及容错，由流处理器解决。利用event log 作为输入源，application的输入被稳定存储，并能够以既定的顺序replay。再者，Flink 可以重置application的状态到前一个检查点，这样可以实现在不丢失application 状态的情况下，对应用进修改或是rescale。

Event-driven 应用对流处理器的要求较高。并不是所有流处理器均适用于跑event-driven applications。对此应用的要求包括：处理state的有效方式，事件时间支持等。同时，exactly-once 状态的一致性，以及伸缩能力也同样重要。Apache Flink 的实现符合所有这些需求，对于这类应用来说，是一个很好的选择。

4. Data Pipelines

当今的IT 架构中，涵盖了多种不同的数据存储，例如关系型数据库、nosql 数据库、event logs、分布式文件系统、in-memory cache 以及 search indexes 等。所有这些系统以不同的格式和结构存储数据，以为它们特定的访问模式提供最高效的性能。在实际场景中，可以经常看到同样的数据被存储在多个不同的系统中，以提高数据访问的性能。例如，一个产品的信息可以被存储在关系型数据库、nosql 数据库，以及cache 和search index中。由于数据有多个备份，所以各个位置存储的数据必须保持同步（in-sync）。

一个传统的实现方案是：使用定期的 ETL jobs对存储在不同系统中的数据做同步。但是，此方法导致的高延迟，在当今系统中很多场景都无法接受。另一个方法是使用event log用于发布数据的更新。更新操作被写入到event log，然后被 event log 发布出去。根据使用的场景，被传输的数据可能需要被标准化，亦或是与外部数据进行整合后，再写入到目标存储。

以低延迟的方式消费、转换，然后插入数据，是另一个stateful stream processing application 的应用场景。这种应用被称为data pipeline。Data pipeline 必须能在短时间内处理大量的数据。作为 data pipeline 的流处理器应有能力连接不同的数据源，并进行写入。Flink 对此有较好的支持。

5. Streaming Analytics

ETL 任务会定期导入数据到存储， 然后数据会被一次（或是定期的query）处理。这种批处理与架构是否基于数据仓库，或是Hadoop 生态应用无关。定期载入数据到数据分析系统，在很多年都是业界标准用法。但是它对analytics pipeline 来说，增加了相当的延迟。

取决于每两次操作的间隔，每次操作可能需要消耗几个小时或是几天，直到生成一个结果。在一定程度内，可以通过使用data pipeline application 将数据导入到datastore，以减少延迟。然而，即使是持续的 ETL，直到event被query处理之前，也会存在delay。这个delay在过去是可以被接受的，但是在当今场景中，数据更需要被实时收集并处理（例如，即时推荐）。

相对于等待一个定期触发的job处理数据，streaming analytics application 可以持续消费事件流，并以低延迟整合最新的事件，并更新输出的结果。一般来说，streaming applications 会将它们的结果存储在一个外部datastore，此datastore支持高效的update，例如数据库，或是key-value 存储。流处理程序输出的实时更新的结果，可以被用于Dashboard applications。如下图：

除了能以更短的时间将一个event整合到最终的分析结果中，streaming analytics applications 还有另一个优点。传统analytics pipeline由多个独立的部分组成，如一个ETL 系统，一个存储系统，大数据分析系统等。然而，stateful stream application 可以顾及到所有这些步骤，包括事件消费，持续计算（并维护状态信息），以及更新数据。进一步的，流处理器可以从错误恢复（通过保证exactly-once state consistency），并调整应用的计算资源。Flink 这类流处理器也支持event-time处理，以产生正确、确定的结果，并有能力在短时间内处理大量的数据。

Streaming analytics applications 常用场景有：

1. 监控手机网络的质量
2. 分析手机应用用户的行为
3. 实时数据的Ad-hoc 分析

Flink 同时也提供在流上的 SQL query。

6. Flink 的特点

Apache Flink可以在大规模集群中提供了高吞吐与低延时，相对于其他流处理器，有以下有点：

1. Event-time 与 processing-time 语义。事件-时间语义可以，在有无序事件的情况下，提供一致与准确的结果。处理-时间语义可以被用于需要低延迟的application
2. Exactly-once 状态一致性的保障
3. 以毫秒级的延迟处理每秒百万级的事件。Flink应用可以被扩展运行到上千个核
4. 易于使用的API
5. 多种connectors用于连接不同数据源，如Kafka，Cassandra，Elasticsearch，JDBC，Kinesis，HDFS以及S3
6. 没有单点故障，支持HA设置，极少有downtime。与YARN，Kuberntes等集成较好。快速从错误恢复，以及动态扩展的能力
7. 更新application 代码，然后迁移到另一Flink 集群时，可以不丢失application的state 信息
8. 详细、可自定义的系统及应用指标收集
9. 也可以用作为batch processor

除了这些特点，Flink的API的使用较为简单。内置的execution mode 可以启动一个application，并让整个Flink 系统运行在一个JVM 进程中，方便开发者做开发、测试与debug。

7. 第一个flink程序

在启动一个 flink 集群后，使用命令执行示例程序：

> flink run -m yarn-cluster -yn 2 /usr/lib/flink/examples/streaming/WordCount.jar --input hdfs:///user/hadoop/input --output hdfs:///user/hadoop/output

> cat output

(3123,1)

(asdf21,1)

…

References：

Vasiliki Kalavri, Fabian Hueske. Stream Processing With Apache Flink. 2019