写在前面
最近一段时间都没有更新博客了,原因有点离谱,在实现flink的两阶段提交的时候,每次执行自定义的notifyCheckpointComplete时候,好像就会停止消费数据,完成notifyComplete后再消费数据;基于上述原因,开始了一些奇奇怪怪的探索...
存在问题:
1、JobMaster的提交过程,在ResourceManager上,但是为什么会用到zookeeper;--》高可用
2、执行图是否会放到Checkpoint里面,--》目前没有分析,背景是SQL添加字段后,ck就无法使用了
3、本地快照和远程快照的区别,回顾一下Checkpoint的过程---》flink本身支持本地快照和远程快照,其目的自然不言而喻;
总结:
- 之前一直不理解flink为什么好像和kafka总是有一种莫名其妙的联系,其实flink=通过mailbox处理数数据的过程本身就利用了消息队列的思想
- 源码剖析,通过对整个集群启动,执行图的转换,Task的启动,Checkpoint过程了解,这部分大量运用到了并发编程的知识,真的强;
- 下一阶段,先把优秀的源码Copy一遍,java基础搞起来;flink历史版本的重大变更也需要看一下;
1.Flink集群启动
1.1.Flink RPC详解
Flink的RPC实现:基于Scala的网络编程库:Akka
- ActorSystem是管理Actor生命周期的组件,Actor是负责进行通信的组
- 每个Actor都有一个Mailbox,别的Actor发送给它的消息都首先存储在Mailbox中,通过这种方式可以实现异步通信;
- 每个Actor是单线程的处理方式,不断的从Mailbox拉取消息执行处理,所以对于Actor的消息处理,不适合调用会阻塞的处理方法。
- Actor可以改变他自身的状态,可以接收消息,也可以发送消息,还可以生成新的Actor
- 每一个ActorSystem和Actor都在启动的时候会给定一个name,如果要从ActorSystem中,获取一个Actor,则通过以下的方式来进行Actor的获取:akka.tcp://asname@bigdata02:9527/user/actorname
- 如果一个 Actor 要和另外一个 Actor进行通信,则必须先获取对方 Actor 的 ActorRef 对象,然
后通过该对象发送消息即可。 - 通过 tell 发送异步消息,不接收响应,通过 ask 发送异步消息,得到 Future 返回,通过异步回到
返回处理结果。
Flink 中的 RPC 实现主要在 flink-runtime 模块下的 org.apache.flink.runtime.rpc 包中,涉及
到的最重要的 API 主要是以下这四个:
- RpcGateway:路由,RPC的老祖宗,其他个RPC组件,都是RpcGateWay的子类
- RpcServer:RpcService 和 RpcEndpoint 之间的粘合层
- RpcEndpoint: 业务逻辑载体,对应的 Actor 的封装
- RpcService:对应ActorSystem的封装
RpcEndpoint下面有四个比较重要的子类:TaskExecutor、Dispatcher、JobMaster、ResourceManager
1.2.Flink集群启动脚本分析
Flink 集群的启动脚本在:flink-dist 子项目中,位于 flink-bin 下的 bin 目录:启动脚本为:startcluster.sh
该脚本会首先调用 config.sh 来获取 masters 和 workers,masters 的信息,是从 conf/masters 配置
文件中获取的, workers 是从 conf/workers 配置文件中获取的。然后分别:
- 通过 jobmanager.sh 来启动 JobManager
- 通过 taskmanager.sh 来启动 TaskManager
他们的内部,都通过 flink-daemon.sh 脚本来启动 JVM 进程,分析 flink-daemon.sh 脚本发现:
- JobManager 的启动参数:standalonesession,实现类是:StandaloneSessionClusterEntrypoint
- TaskManager 的启动参数:taskexecutor,实现类是:TaskManagerRunner
1.3.Flink主节点JobManager启动分析
JobManager是Flink集群的主节点,它包含三大重要的组件:
- ResourceManager:Flink的集群资源管理器,只有一个,关于Slot的管理和申请等工作,都由他负责
- Dispatcher:负责接收用户提交的JobGraph,然后启动一个JobMaster
- JobMaster:负责一个具体的Job的执行,在一个集群中,可能会有多个JobMaster同时执行,类似于 YARN集群中的 AppMaster 角色,类似于 Spark Job 中的 Driver 角色
- WebMonitorEndpoint:里面维护了很多的handler,如果客户端通过flink run的方式提交一个Job到Flink集群,最终,是由WebMonitorEndpoint来接收,并且决定使用哪一个handler来执行处理,如:
根据以上的启动脚本分析:JobManager的启动主类:StandaloneSessionClusterEntrypoint
java
// 入口,Entry point for the standalone session cluster
StandaloneSessionClusterEntrypoint.main()
ClusterEntrypoint.runClusterEntrypoint(entrypoint);
clusterEntrypoint.startCluster();
runCluster(configuration, pluginManager);
// 第一步:初始化各种服务
initializeServices(configuration, pluginManager);
// 第二步:创建DispatcherResourceManagerComponentFactory,初始化各种组件的工厂实例
createDispatcherResourceManagerComponentFactory(configuration);
// 第三步:创建 集群运行需要的一些组件:Dispatcher、ResourceManager等;
clusterComponent = dispatcherResourceManagerComponentFactory.create(...);
第一步,initializeServices()中做了很多服务组件的初始化:
java
// 初始化和启动AkkaRpcService,内部其实包装了一ActorSystem
commonRpcService = AkkaRpcServiceUtils.createRemoteRpcService();
// 初始化HA服务组件,负责HA服务的是ZooKeeperHaServices
haServices = createHaServices(configuration, ioExecutor);
// 初始化BlobServer服务端
blobServer = new BlobServer(configuration, haServices.createBlobStore());
blobServer.start();
// 初始化心跳服务组件,heartbeatServices = HeartbeatServices
heartbeatServices = createHeartbeatServices(configuration);
// 初始化一个用来存储ExecutionGraph的Store,实现是:FileArchivedExecutionGraphStore
archivedExecutionGraphStore = createSerializableExecutionGraphStore(configuration, commonRpcService.getScheduledExecutor());
第二步, createDispatcherResourceManagerComponentFactory(configuration)中负责初始化了很多组件的工厂实例;
java
1. DispatcherRunnerFactory,默认实现:DefaultDispatcherRunnerFactory
2. ResourceManagerFactory,默认实现:StandaloneResourceManagerFactory
3. RestEndpointFactory,默认实现:SessionRestEndpointFactory
其中,DispatcherRunnerFactory内部也实例化了一个组件:SessionDispatcherLeaderProcessFactoryFactory
第三步,dispatcherResourceManagerComponentFactory.create(...)中主要去创建三个重要的组件:
java
1. DispatcherRunner,实现是:DispatcherRunnerLeaderElectionLifecycleManager
2. ResourceManager,实现是:StandaloneResourceManager
3. WebMonitorEndpoint,实现是:DispatcherRestEndpoint
1.4.Flink从节点TaskManager启动分析
TaskManager:This class is the executable entry point(入口点) for the task manager in yarn or standalone mode.
TaskManager上的基本资源单位是Slot,一个作业的Task最终会部署在一个TaskManager的Slot上运行,TaskManager会维护本地的Slot资源列表,并与JobMaster和JobManager通信
根据以上的加班启动分析:TaskManager的启动主类:TaskManagerRunner
java
TaskManagerRunner.main();
runTaskManagerSecurely(args, ResourceID.generate());
// 加载配置
Configuration configuration = loadConfiguration(args);
// 启动TaskManager
runTaskManagerSecurely(configuration, resourceID);
// 启动TaskManager
runTaskManager(configuration, resourceID, pluginManager);
// 构建TaskManagerRunner实例
taskManagerRunner = new TaskManagerRunner(configuration, resourceId, pluginManager);
// 初始化一个线程池
this.executor = java.util.concurrent.Executors.newScheduledThreadPool(...);
// 获取高可用模式
highAvailabilityServices = HighAvailabilityServicesUtils.createHighAvailabilityServices(...);
// 创建RPC服务
rpcService = createRpcService(configuration, highAvailabilityServices);
// 创建心跳服务
heartbeatServices = HeartbeatServices.fromConfiguration(configuration);
// 创建BlobCacheService
blobCacheService = new BlobCacheService(...);
// 创建TaskManager
taskManager = startTaskManager(...);
// 初始化TaskManagerServices
taskManagerServices = TaskManagerServices.fromConfiguration(...);
// 初始化TaskEventDispatcher
taskEventDispatcher = new TaskEventDispatcher();
// 初始化IOManagerAsync
ioManager = new IOManagerAsync(...);
// 初始化NettyShuffleEnvironment
shuffleEnvironment = createShuffleEnvironment(...);
// 初始化KVStageService
kvStateService = KvStateService.fromConfiguration(...);
// 初始化BroadcastVariableManager
broadcastVariableManager = new BroadcastVariableManager();
// 初始化TaskSlotTable
taskSlotTable = createTaskSlotTable();
// 初始化JobTable
jobTable = DefaultJobTable.create();
// 初始化JobLeaderService
jobLeaderService = new DefaultJobLeaderService(...);
// 初始化TaskStateManager
taskStateManager = new TaskExecutorLocalStateStoresManager(...);
// 初始化LibraryCacheManager
libraryCacheManager = new BlobLibraryCacheManager(...);
// 返回
return new TaskManagerServices(...);
// 初始化一个TaskExecutor
return new TaskExecutor(...);
// 初始化心跳管理器:jobManagerHeartbeatManager
this.jobManagerHeartbeatManager = createJobManagerHeartbeatManager(heartbeatServices, resourceId);
// 初始化心跳管理器:resourceManagerHeartbeatManager
this.resourceManagerHeartbeatManager = createResourceManagerHeartbeatManager(...);
// 转到TaskExecutor的onStart()方法
TaskExecutor.onStart();
startTaskExecutorService();
// 启动TaskManagerRunner
taskManagerRunner.start();
2. Flink 应用程序的提交
2.1.Flink Program编程流程总结
Flink底层提供了一个功能完善且复杂的分布式流式计算引擎,但是上层的应用API却很简单,简单来说,把整个Flink应用程序的编写,抽象成三个方面:
- 执行环境 ExecutionEnvironment
- 数据抽象 DataSet DataStream
- 逻辑操作 Source Transformation Sink
所以Flink的应用程序在编写的时候,基本是一个简单的统一套路:
java
1. 获取执行环境
StreamExecutionEnvironment environment = StreamExecutionEnvironment.getExecutionEnvironment(configuration);
2. 通过执行环境对象,注册数据源Source,得到数据抽象
DataStream ds = env.socketTextStream(...);
3. 调用数据抽象的各种Transformation执行逻辑计算
DataStream resultDs = ds.flatMap(...).keyBy(...).sum(...);
4. 将各自Transformation执行完毕之后得到的计算结果数据抽象注册Sink
resultDs.addSink(...);
5. 提交Job执行
env.execute(...);
在Flink应用程序中,其实所有的操作,都是StreamOperator,分为SourceOperator,SinkOperator,StreamOperator,然后能被优化的Operator就会Chain在一起,形成一个OperatorChain。
基本路数,和Spark一致,并且,在Flink-1.13版本后,将会完全统一批处理的API。
三个类似的概念:
- Function:函数
- Operator:对Function的封装
- Transformation:等价于Operator的概念,Flink中,process函数底层调用的依旧是transform
2.2.Flink Job提交脚本解析-Session模式
当编写好Flink的应用程序,正常的提交方式为:打成jar包,通过Flink命令来进行提交。
Flink命令脚本的底层,是通过java命令启动:CliFronted类来启动JVM经常执行任务的构造和提交。
java
flink run xxx.jar class arg1 arg2
2.3.CliFronted提交分析
当用户吧Flink应用程序打成jar使用flink run ... 的shell命令提交的时候,底层是通过CliFrontend来处理。底层的逻辑,就是通过反射来调用用户剩下的main()方法执行。
在CliFronted内部,主要有以下几件事情要做:
- 根据Flink后面的执行命令来确定执行方法(run===>run(params))
- 解析main参数,构建PackageProgram,然后执行PackageProgram
- 通过反射获取应用程序的main方法的实例,通过反射调用执行起来
总得来说,就是准备执行Program所需要的配置,jar包,运行主类等的必要信息,然后提交执行。
2.4.ExecutionEnvironment源码解析
Flink应用程序的执行,首先就是创建运行环境StreamExecutionEnvironment,一般在企业环境中,都是通过getExecutionEnvironment()来获取ExecutionEnvironment,如果是本地运行的话,则会获取到:LocalStreamEnvironment,如果是提交到Flink集群运行,则获取到:StreamExecutionEnvironment。
java
final StreamExecutionEnvironment environment = StreamExecutionEnvironment.getExecutionEnvironment(configuration);
StreamExecutionEnvironment是Flink应用程序的执行入口,提供了一些重要的操作机制(包括但不限于):
- 提供了readTextFile(),socketTextStream(),createInput(),addSource()等方法去对接数据源
- 提供了setParallelism()设置程序的并行度
- StreamExecutionEnvironment管理了ExecutionConfig对象,该对象负责Job执行的一些行为配置管理
- StreamExecutionEnvironment管理了一个List<Transformation<?>> transformations 成员变量,该成员变了,主要用于保持Job的各种算子转化得到的Transformation,把这些Transformation按照逻辑拼接起来,就能得到StreamGraph(Transformation-->StreamOperator-->StreamNode)
- StreamExecutionEnvironment提供了execute()方法用于提交Job执行,该方法接收的参数就是:StreamGraph
2.5.Job提交流程源码分析
核心流程如下:
java
//核心入口
env.execute("Streaming WordCount");
//负责生成StreamGraph
//负责执行StreamGraph
execute(getStreamGraph(jobName));
第一步:getStreamGraph(jobName)生成StreamGraph解析
java
//入口
StreamGraph streamGraph = getStreamGraph(jobName, true);
// 通过StreamGraphGenerator来生成StreamGraph
StreamGraph streamGraph = getStreamGraphGenerator().setJobName(jobName).generate();
streamGraph = new StreamGraph(executionConfig, checkpointConfig, savepointRestoreSettings);
for (Transformation<?> transformation: transformations) {
transform(transformation);
}
transform(transformation)的内部实现:
java
transform(transformation);
// 先递归处理改Transformation的输入,transformOneInputTransform
Collection<Integer> inputIds = transform(transform.getInput());
// 将Transformation变成Operator设置到StreamGraph中,其实就是添加StreamNode
streamGraph.addOperator(...);
// 设置该 StreamNode 的并行度
streamGraph.setParallelism(transform.getId(), parallelism);
// 设置该StreamNode的入边StreamEdge
for(Integer inputId : inputIds){
streamGraph.addEdge(inputId,sink.getId(),0);
// 内部实现
// 构建StreamNode之间的边(StreamEdge)对象
StreamEdge edge = new StreamEdge(upstreamNode, downstreamNode...);
// 给上游StreamNode设置出边
getStreamNode(edge.getSourceId()).addOutEdge(edge);
// 给下游StreamNode设置入边
getStreamNode(edge.getTargetId()).addInEdge(edge);
}
第二步:execute(StreamGraph)解析
java
// 入口
final JobClient jobClient = executeAsync(streamGraph);
// 执行一个StreamGraph,假定使用的是:AbstractSessionClusterExecutor
executorFactory.getExecutor(configuration).execute(streamGraph, configuration);
// 第一件事:由StreamGraph生成JobGraph
final JobGraph jobGraph = PipelineExecutorUtils.getJobGraph(pipeline, configuration);
// 第二件事:通过 RestClusterClient 提交 JobGraph 到Flink集群
clusterClient.submitJob(jobGraph)
继续提交:
java
// 通过RestClusterClient来提交JobGraph
RestClusterClient.submitJob(JobGraph jobGraph);
// 继续提交
RestClusterClient.sendRetriableRequest(...);
// 通过ResetClient提交
RestClient.sendRequest(webMonitorHost, webMonitorPort, ...)
// 继续提交
RestClient.submitRequest(targetAddress, targetPort, httpRequest, responseType);
最终通过Channel把请求数据,发给 WebMonitorEndpoint 中的 JobSubmitHandler 来执行处理。
2.6.Flink Graph演变
Flink的一个job,本质还是构建一个高效率的能用于分布式执行的DAG执行图。
- 帮我们把上下游两个相邻算作如果能Chain到一起,则Chain到一起做优化
- Chain到一起的多个Operator就会组成一个OperatorChain,当OperatorChain执行的时候,到底要执行多少个Task,则需要把DAG进行并行化变成实实在在的Task来调度执行。
java
最开始:
dataStream.xx1().xx2()xxx3()....xxxn();
env.execute();
到最后:
List<StreamTask> 执行(不同的StreamTask内部逻辑计算操作不一样)
总结要点
相邻两个阶段之间的StreamTask是有关系的,到底哪些上游StreamTask生产数据给下游消费StreamTask,即shuffle
一个Flink流式作业,从Client提交到Flink集群,到最后执行,总共会经历四种不同的状态。总得来说:
- Client 首先根据用户编写的代码生成StreamGraph,然后把StreamGraph构建成JobGraph交给Flink集群主节点
- 然后启动的JobMaster在接收到JobGraph后,会对其进行并行化生成ExecutionGraph后调度启动StreamTask执行。
- StreamTask并行化的运行在Flink集群中,就是最终的物理执行图状态结构。
Flink中的执行图可以分成四层:StreamGraph==>JobGraph==>ExecutionGraph==>物理执行图。
参考链接:
- JobGraph中,数据从上一个Operator(JobVertex)流到下一个Operator(JobVertex)的过程中,上游作为生产者提供了IntermediateDataSet,而下游作为消费者需要JobEdge。事实上,JobEdge是一个通信管道,连接了上游生产的dataset和下游的JobVertex节点。【注:优化算子链以提高效率】
- 在JobGraph转换到ExecutionGraph的过程中,主要发生了以下转变:
1.加入了并行度的概念,成为真正可调度的图结构;
2.生成了与JobVertex对应的ExecutionJobVertex,ExecutionVertex;与IntermediateDataSet对应的IntermediateResult和IntermediateResultPartition;并行将通过这些类实现 - ExecutionGraph已经可以用于调度任务。Flink根据该图生成了一一对应的Task,每个Task对应一个ExecutionGraph的一个Execution。Task用InputGate、InputChannel和ResultPartition对对应了上面图中IntermediateResult和ExecutionEdge。
那么,设计中为什么要设计这四层执行逻辑呢?它的意义是什么?
- StreamGraph是对用户逻辑的映射
- JobGraph在StreamGraph基础上进行了一些优化,比如吧一部分操作串成Chain以提高效率
- ExecutionGraph是为了调度存在的,加入了并行处理的概念
- 物理执行结构,真正执行的是Task及其相关结构。
2.6.1.StreamGraph构建和提交源码解析
StreamGraph:把每一个算子transform成一个对流的转换(比如SingleOutputStreamOperator,它就是一个DataStream的子类),并且注册到环境中,用于生成StreamGraph。
它包含的主要抽象概念有:
- StreamNode:用来代表Operator的类,并具有所有相关的配置,如并发度、入边和出边等。
- StreamEdge:表示连接两个StreamNode的边。
源码核心代码入口:
java
StreamExecutionEnvironment.execute(getStreamGraph(jobName))
StreamGraph生成过程中,生成StreamNode的代码入口:
java
streamGraph.addOperator(vertexID, slotSharingGroup, coLocationGroup,operatorFactory, inTypeInfo, outTypeInfo, operatorName);
StreamGraph生成过程中,生成StreamEdge的代码入口:
java
streamGraph.addEdge(inputId, transform.getId(), 0);
2.6.2.JobGraph构建和提交源码解析
JobGraph:StreamGraph经过优化后生成了JobGraph,提交给JobManager的数据结构
它包含的主要抽象概念有:
- JobVertex:经过优化后符合条件的多个StreamNode可能会Chain子啊一起生成一个JobVertex,即一个JobVertex包含一个或多个Operator,JobVertex的输入是JobEdge,输出是IntermediateDataSet。
- IntermediateDataSet:表示JobVertex的输出,即经过Operator处理产生的数据集。
producer是JobVertex,consumer是JobEdge。 - JobEdge:代表了Job Graph中的一条数据传输通道。Source是IntermediateDataSet,target事故JobVertex,即数据通过JobEdge由InterMediateDataSet传递给目标JobVertex。
源码核心代码入口:
java
final JobGraph jobGraph = PipelineExecutorUtils.getJobGraph(pipeline,configuration);
注:这里的Pipeline其实本质上就是StreamGraph
经过层层递进:
java
StreamingJobGraphGenerator.createJobGraph(this,jobID);
在StreamGraph构建JobGraph的过程中,最重要的事情就是Operator的Chain优化,那么到底什么情况下的Operator能Chain在一起呢?
java
1.下游节点的入度为1(也就是说下游节点没有来自其他节点的输入)
downStreamVertex.getInEdges().size() == 1;
2.上下游节点都在同一个Slot group 中
upStreamVertex.isSameSlotSharingGroup(downStreamVertex);
3.前后算子不为空
!(downStreamOperator == null || upStreamOperator == null);
4.上游节点的Chain策略为always或head(只能与下游链接,不能与上游链接,Source默认是head)
!upStreamOperator.getChainingStrategy() == ChainingStrategy.NEVER;
5.下游节点的Chain策略为always(可以与上下游链接,map、flatmap、filter等默认是always)
!downStreamOperator.getChainingStrategy() != ChainingStrategy.ALWAYS;
6.两个节点间物理分区逻辑是ForwardPartitioner
partitioner instanceof ForwardPartitioner;
7.两个算子间的shuffle方式不等于批处理模式
edge.getShuffleMode() != ShuffleMode.BATCH
8.上下游的并行度一致
upStreamVertex.getParallelism() == downStreamVertex.getParallelism()
9.用户没有禁用Chain
streamGraph.isChainingEnabled();
注:这里的9就是常用到的断开算子链!!!
2.6.3.ExecutionGraph构建和提交源码解析
ExecutionGraph:JobManager(JobMaster)根据JobGraph生成ExecutionGraph。ExecutionGraph是JobGraph的并行化版本,是调度层最核心的数据架构。
它包含的主要抽象概念有:
- ExecutionJobVertex:和JobGraph中的JobVertex一一对应;每一个ExecutionJobVertex都有和并发度一样的ExecutionVertex。
- ExecutionVertex:表示ExecutionJobVertex的其中一个并发子任务,输入是ExecutionEdge,输出是IntermediateResultPartition。
- IntermediateResult:和JobGraph中IntermediateDataSet一一对应。一个IntermediateResult包含多个IntermediateResultPartition,其个数等于该Operator的并发度。
- IntermediateResultPartition:表示ExecutionVertex的一个输出分区,producer是ExecutionVertex,consumer是若干个ExecutionEdge。
- ExecutionEdge:表示ExecutionVertex的输入,source是IntermediateResultPartition,target是ExecutionVertex。source和target都只能是一个。
- Execution:是执行一个 ExecutionVertex 的一次尝试。当发生故障或者数据需要重算的情况下
ExecutionVertex 可能会有多个 ExecutionAttemptID。一个 Execution 通过ExecutionAttemptID 来唯一标识。JM和TM之间关于 task 的部署和 task status 的更新都是通过ExecutionAttemptID 来确定消息接受者。
源码核心代码入口:
java
SchedulerBase.createAndRestoreExecutionGraph(...);
在SchedulerBase这个类的内部,有两个成员变量:一个是JobGraph,一个是ExecutionGraph;
在创建SchedulerBase这个类的子类:DefaultSchedule的实例对象的时候,会再SchedulerBase的构造方法中去生成ExecutionGraph。
源码核心流程:
java
SchedulerBase.createAndRestoreExecutionGraph();
ExecutionGraph newExecutionGraph = createExecutionGraph(...);
ExecutionGraphBuilder.buildGraph(jobGraph,...);
//创建ExecutionGraph对象
executionGraph = (prior != null) ? prior : new ExecutionGraph(...);
//生成JobGraph的JSON表达式
executionGraph.setJsonPlan(JsonPlanGenerator.generatePlan(jobGraph));
//重点,从JobGraph构建ExecutionGraph
executionGraph.attachJobGraph(sortedTopology);
//遍历JobVertex执行并行化生成ExecutionVertex
for (JobVertex jobVertex : topologiallySorted) {
//每一个JobVertex对应到一个ExecutionJobVertex
// create the execution job vertex and attach it to the graph
ExecutionJobVertex ejv = new ExecutionJobVertex(this,jobVertex);
ejv.connectToPredecessors(this.intermediateResults);
List<JobEdge> inputs = jobVertex.getInputs();
for (int num = 0; num < inputs.size(); num++) {
JobEdge edge = inputs.get(num);
IntermediateResult ires = intermediateDataSets.get(edge.getSourceId());
this.inputs.add(ires);
// 根据并行度来设置ExecutionVertex
for (int i = 0; i < parallelism; i++) {
ExecutionVertex ev = taskVertices[i];
ev.connectSource(num, ires, edge, consumerIndex);
}
}
2.6.4.物理执行图
物理执行图:JobManager根据ExecutionGraph对Job进行调度后,在各个TaskManager上部署Task后形成的"图",并不是一个具体的数据结构。
它包含的主要抽象概念有:
- Task:Execution被调度后再分配的TaskManager中启动对应的Task,Task包裹了具有用户执行逻辑的Operator。
- ResultPartition:A result partition for data produced by a single task.
- ResultSubpartition:A single subpartition of a {@link ResultPartition} instance.
- InputGate:An input gate consumes one or more partitions of a single produced intermediate result.
- InputChannel:An input channel consumes a single {@link ResultSubpartitionView}.
2.7.WebMonitorEndpoint处理RetClient的JobSubmit请求
最终处理这个请求:JobSubmitHandler来处理!
核心入口:
java
// JobManager服务端处理入口
JobSubmitHandler.handleRequest();
// 恢复得到JobGraph
CompletableFuture<JobGraph> jobGraphFuture = loadJobGraph(requestBody, nameToFile);
// 通过Dispatcher提交JobGraph
Dispatcher.submitJob(jobGraph, timeout)
Dispatcher的提交执行逻辑:
java
Dispatcher.persistAndRunJob()
// 保存JobGraph在ZK上
jobGraphWriter.putJobGraph(jobGraph);
// 提交JobGraph执行
Dispatcher.runJob(jobGraph);
// 第一件事&&主要的事情:创建JobMaster,注:这里方法命名为createJobMaster更合理
Dispatcher.createJobManagerRunner(jobGraph);
// 初始化new JobManagerImpl
new JobManagerRunnerImpl(...);
// 初始化 JobMaster
new JobMaster(...);
// 创建DefaultScheduler
this.schedulerNG = createScheduler(jobManagerJobMetricGroup);
schedulerNGFactory.createInstance(...)
new DefaultScheduler()
super()
this.executionGraph = createAndRestoreExecutionGraph(...);
ExecutionGraph newExecutionGraph = createExecutionGraph(...);
// 因为JobMaster是RpcEndpoint的子类,然后跳转到JobMaster的onStart()方法
onStart();/*空*/
// 第二件事:启动JobMaster
Dispatcher.startJobManagerRunner();
jobManagerRunner.start();
leaderElectionService.start(this);
// 选举成功,会调用isLeader()方法
// Leader election service for multiple JobManager
ZooKeeperLeaderElectionService.isLeader()
JobManagerRunnerImpl.grantLeadership(final UUID leaderSessionID);
verifyJobSchedulingStatusAndStartJobManager(leaderSessionID);
接着上面的过程继续:
java
startJobMaster(leaderSessionId);
runningJobsRegistry.setJobRunning(jobGraph.getJobID());
jobMasterService.start(new JobMasterId(leaderSessionId));
//内部完成以下两件事:
//startJobMasterServices();
//resetAndStartScheduler();
JobMaster.startJobExecution(JobMasterId newJobMasterId);
// 第一件事:跑起来JobMaster相关的服务,主要是注册和心跳
startJobMasterServices();
startHeartbeatServices();
slotPool.start(getFencingToken(), getAddress(), getMainThreadExecutor());
...
// 和ResourceManager建立联系,监听ResourceManager
resourceManagerLeadRetriever.start(new ResourceManagerLeaderListener());
// 第二件事:开始申请Slot,并且部署Task
resetAndStartScheduler();
JobMaster.startScheduling();
schedulerNG.startScheduling();
// 启动所有的服务协调组
startAllOperatorCoordinators();
// 开始调度
startSchedulingInternal();
prepareExecutionGraphForNgScheduling();
schedulingStrategy.startScheduling();
allocateSlotsAndDeploy(...);
接着继续申请Slot然后部署:
java
schedulerOperations.allocateSlotsAndDeploy(executionVertexDeploymentOptions);
DefaultScheduler.allocateSlotsAndDeploy(executionVertexDeploymentOptions);
// 申请Slot
allocateSlots(executionVertexDeploymentOptions);
// 部署Task运行
waitForAllSlotsAndDeploy(deploymentHandles);
3.1.Slot管理(申请和释放)源码解析
核心入口:allocateSlots(executionVertexDeploymentOptions);
接下来看TaskManager的Slot管理:
java
// JobMaster发送请求申请Slot
DefaultScheduler.allocateSlots();
DefaultExecutionSlotAllocator.allocateSlotsFor();
NormalSlotProviderStrategy.allocateSlot();
SchedulerImpl.allocateSlot();
SchedulerImpl.allocateSlotInternal();
SchedulerImpl.internalAllocateSlot();
SchedulerImpl.allocateSingleSlot();
SchedulerImpl.requestNewAllocatedSlot();
SlotPoolImpl.requestNewAllocatedBatchSlot();
SlotPoolImpl.requestNewAllocatedSlotInternal();
SlotPoolImpl.requestSlotFromResourceManager();
// ResourceManager接收到请求,执行Slot请求处理
ResourceManager.requestSlot();
SlotManagerImpl.registerSlotRequest(slotRequest);
SlotManagerImpl.internalRequestSlot();
SlotManagerImpl.allocateSlot();
TaskExecutorGateway.requestSlot();
// TaskManager处理ResourceManager发送过来的Slot请求
TaskExecutor.requestSlot();
TaskExecutor.offerSlotsToJobManager();
TaskExecutor.internalOfferSlotsToJobManager();
JobMasterGateway.offerSlots();
// JobMaster接收到TaskManager发送过来的Slot申请处理结果
JobMaster.offerSlots();
SlotPoolImpl.offerSlots();
大体上,分为四个大步骤:
- JobManager发送请求申请Slot
- ResourceManager接收到请求,执行Slot请求处理
- TaskManager处理ResourceManager发送过来的Slot请求
- JobMaster接收到TaskManager发送过来的Slot申请处理结果
4.1.StreamTask初始化和执行
4.1.1.TaskExecutor执行一个Task
TaskExecutor接收提交Task执行的请求,则调用:
java
TaskExecutor.submitTask(TaskDeploymentDescriptor tdd,JobMasterId jobMasterId,Time timeout);
在该方法的内部,会封装一个Task对象,在Task的构造方法中,也做了一些相应的初始化动作:
java
public Task(...){
//封装一个Task信息对象 TaskInfo
this.taskInfo = new TaskInfo(...);
//一个Task的执行输出,输出的抽象ResultPartition和ResultSubPartition
final ResultPartitionWriter[] resultPartitionWriters = shuffleEnvironment.createResultPartitionWriters(taskShuffleContext,resultPartitionDeploymentDescriptors);
this.consumableNotifyingPartitionWriters = ConsumableNotifyingResultPartitionWriterDecorator.decorate(...);
//一个Task的执行输入,输入的抽象:InputGate和InputChannel(从上游一个Task节点拉取数据)
//InputChannel可能有两种实现:local和remote
//初始化InputGate和InputChannel
final IndexedInputGate[] gates = shuffleEnvironment.createInputGates(...);
// 初始化一个用来执行Task的线程,目标对象,就是Task本身
executingThread = new Thread(TASK_THREADS_GROUP, this, taskNameWithSubtask)
}
封装一个Task的时候,调用构造方法执行,会去初始化该Task的输入(InputGate和InputChannel)和输出(ResultPartition和ResultSubPartition)组件相关,然后初始化用来执行该Task的一个线程。
总之,都是通过封装一个Task对象,包括一个executingThread,其目标对象,就是Task,所以在Task构建完成之后,调用:
java
task.startTaskThread();
之后,跳转到Task.run()方法,从此,真正开始一个Task的启动和执行。
启动一个Task的执行,这个Task有可能是SourceStreamTask,也有可能是非SourceStreamTask(比如OneInputStreamTask,TwoInputStreamTask)等。
4.1.2.SourceStreamTask和StreamTask初始化
前提知识:在最开始一个Job提交到Flink standalone集群运行的时候,在client构建StreamGraph(顶点是StreamNode,边是StreamEdge)的时候,会根据用户调用的算子生成Transformation为StreamGraph生成StreamNode,在生成StreamNode的时候,会通过OperatorFactory执行判断,如果该StreamOperator是StreamSource的时候,就会指定该StreamTask的invokableClass为SourceStreamTask,否则为(OneInputStreamTask,TwoInputStreamTask,StreamTask),核心代码如下:
java
Stream.addOperator(...){
Class<? extends AbstractInvokable> invokableClass = operatorFactory.isStreamSource() ? SourceStreamTask.class : OneInputStreamTask.class;
}
因此,当ExecutionVertex真正被提交到TaskExecutor中运行的时候,被封装的Execution对应的Task类的启动类AbstractInvokeable就是在构建StreamGraph的时候指定的对应的invokableClass。即:
- 如果启动SourceStreamTask,则启动类是:SourceStreamTask
- 如果启动非SourceStreamTask,则启动类是StreamTask
注:TaskExecutor、TaskManager和Slot之间的关系如何?
首先,查看SourceStreamTask的构造过程,核心入口:
java
Task.run();
Task.doRun();
// 将状态从CREATED改为DEPLOYING,这里的ExecutionState使用volatile修饰
transitionState(ExecutionState.CREATED, ExecutionState.DEPLOYING)
// 拉起ResultPartitionWriter和InputGate,本质初始化BufferPool,分配Buffer
// TaskManager---TaskExecutor(包括多个Task)---ResultPartitionManager(管理多个ResultPartition)
//参考链接:https://cloud.tencent.com/developer/article/1878476
//注:通过分配Buffer的方式,避免JVM的垃圾回收
setupPartitionsAndGates(consumableNotifyingPartitionWriters,inputGates)
//保证在Task执行过程中需要的各种组件
Environment env = new RuntimeEnvironment(...);
//通过反射实例化StreamTask实例(包括两种情况:SourceStreamTask,OneInputStreamTask)
AbstractInvokable invokable = loadAndInstantiateInvokable(userCodeClassLoader, nameOfInvokableClass, env);
//将状态从DEPLOYING改为RUNNING
transitionState(ExecutionState.DEPLOYING,Execution.RUNNING);
//启动StreamTask
invokable.invoke();
//StreamTask需要正常结束,处理Buffer中的数据
ResultPartitionWriter.finish();
拉起ResultPartitionWriter和InputGate的时候到底是怎么做的?
java
for(ResultPartitionWriter partition : producePartitions){
//注册当前Task的ResultPartition到启动当前Task的TaskManager之上的用来跟踪管理ResultPartition的ResultPartitionManager之中
partition.setup();
}
for(InputGate gate : inputGates){
//为这个Task的InputGate中的InputChannel分配BufferPool
gate.setup();
}
SourceStreamTask构造方法:
内部通过反射来实例化AbstractInvokable的具体实例,最终跳转到SourceStreamTask的构造方法,同样,如果非SourceStreamTask的话,则跳转到OneInputStreamTask的带Environment参数的构造方法
java
public SourceStreamTask(Environment env) throw Exception{
this(env,new Object());
}
然后跳转到重载构造:
java
private SourceStreamTask(Enviorment env, Object lock) throw Exception{
//调用父类StreamTask的构造方法
super(env, null, FatalExitExceptionHandler.INSTANCE, StreamTaskActionExecutor.synchronizedExecutor(lock));
this.lock = Preconditions.checkNotNull(lock);
//初始化一个接收数据的线程
this.sourceThread = new LegacySourceFunctionThread();
}
StreamTask的构造方法:
java
protected StreamTask(Environment environment,@Nullable TimerService timerService,
Thread.UncaughtExceptionHandler uncaughtExceptionHandler,
StreamTaskActionExecutor actionExecutor,
TaskMailbox mailbox) throws Exception {
//StreamTask(ResultPartition + InputGate)
//创建RecordWriter,写入数据到 ResultPartition,
this.recordWriter = createRecordWriterDelegate(configuration, environment);
//处理输入 Stream.processInput(),读取InputChannel的数据
this.mailboxProcessor = new MailboxProcessor(this::processInput,mailbox,actionExecutor);
//创建状态后端StateBacked,一般使用FsStateBacked
this.stateBackend = createStateBackend();
//初始化SubtaskCheckpointCoordinatorImpl实例,主要作用是通过StateBackend创建CheckpointStorage
this.subtaskCheckpointCoordinator = new SubtaskCheckpointCoordinatorImpl(
//创建CheckpointStorage,使用FsStateBackend,创建的就是FsCheckpointStorage
stateBackend.createCheckpointStorage(getEnvironment().getJobID())...);
}
其中在SourceStreamTask的processInput()方法中,主要是启动接收数据的线程LegacySourceFunctionThread;在执行构造方法完毕后,LegacySourceFunctionThread已经初始化好了,但是 headOperator 还是null,所以,LegacySourceFunctionThread 还未真正启动。
4.1.3.SourceStreamTask和StreamTask执行
接下来要进入到StreamTask.invoke()方法执行,核心分为四个步骤:
java
public final void invoke() throws Exception{
//Task正式工作之前
beforeInvoke();
//Task开始工作
runMailboxLoop();
//Task要结束
afterInvoke();
//Task最后执行清理
cleanUpInvoke();
}
在beforeInvoke()中,主要初始化OperatorChain,然后调用init()执行初始化,然后恢复状态,更改Task的状态isRuning=true;
在runMailboxLoop()中,主要是不停的处理mail,是Flink-1.10的改进,使用了mailbox模型来处理任务;
参考链接:http://matt33.com/2020/03/20/flink-task-mailbox/
在afterInvoke()中,主要是完成Task要结束之前需要完成的一些细节,比如,把buffer中的数据flush;
最后,在cleanUpInvoke()主要做一些资源的释放,执行各自关闭动作:set false,interrupt,shutdown,close,cleanup,dispose等;
整个Task的生命周期中,前两个步骤非常重要。
首先进入beforeInvoke()方法:
java
protected void beforeInvoke() throws Exception{
//初始化OperatorChain
opeatorChain = new OperatorChain<>(this,recordWriter);
//执行初始化
SourceStream.init();
//初始化状态
actionExecutor.runThrowing(() -> {
operatorChain.initializeStateAndOpenOperators(createStreamTaskStateInitializer());
readRecoveredChannelState();
});
//更改运行状态
isRunning = true;
}
首先看ChainOperator的初始化,首先会为每个Operator创建一个RecordWriterOutput,再为每个Operator创建一个OutputCollector;然后把每一个Operator都包装成OperatorWrapper放入List< StreamOperatorWrapper > allOpWrappers集合中。最后调用linkOperatorWrappers(allOpWrappers)方法以逻辑正序的方式来构建StreamOperator的链式关系。
然后就是init()方法,对于SourceStreamTask来说,就是看Source是不是ExternallyInduceSource,如果是,则注册一个savepoint钩子。对于OneInputStreamTask来说,主要就是创建CheckpointedInputGate,StreamTaskNetworkOutput,StreamTaskNetworkInput,StreamOneInputProcessor用来进行shuffle相关的数据传输。
到此为止,Task初始化和预执行相关的,都基本到位了,然后就开始我们的SourceStreamTask的HeadOperator的数据接收线程,开始流式处理。
核心代码入口:
java
LegacySourceFunctionThread.run();
headOperator.run(lock,getStreamStatusMaintainer(),operatorChain);
StreamSource.run();
userFunction.run(ctx);
具体Task的执行,参考源码注释。
关于Flink Task之间的shuffle有一对这样的概念:
java
StreamTaskNetworkInput,存在StreamTask中用于接收上游T啊算了发过来的数据的
StreamTaskNetworkOutput
4.2~4.3.State和Checkpoint的过程剖析
首先明确一个观点,Statebackend核心的工作是管理State(生命周期),State是用于状态数据,Checkpoint是实现快照的过程
- 假定现在一个Task在正常的处理数据,即从mailBox中不断的取出数据,处理数据;更新该Task的State,如:KeyedState通过CopyOnWriteMap实现状态更新,但是本身受到HashMapStateBackend管理,
- TaskManager接收到JobMaster发送的checkpoint请求,向SourceTask注入barrier,barrier首先会进入mailbox,处理完成后开始准成Checkpoint,完成的工作:
- 广播当前barrier到下游StreamTask
- 启动一个异步线程AsyncCheckpointRunnable完成快照,这个过程Task会继续处理数据;
- Task完成Checkpoint后,汇报JobManager完成了Checkpoint,JobManager通知Task完成Checkpoint(不是等所有Task完成后再通知),会在StreamTask的notifyCheckpointOperation方法中,产生一个command(可以理解为mailbox的Task,优先级为MAX_PRIORITY)完成notifyCheckpointComplete
其实Checkpoint过程本身说复杂不负责,但是对于每一个步骤的细节如何,似乎单纯死记硬背不是一个好的建议,下面给出网上一些大佬的帖子,真的再次感谢各位大佬对源码的分析:
Flink 源码阅读笔记(10)- State 管理
AsyncCheckpointRunnable
怎么理解flink的异步检查点机制
Flink 基于 MailBox 实现的 StreamTask 线程模型
Flink Mailbox模型
Apache Flink and the input data reading
分布式数据流的轻量级异步快照
论文阅读-Lightweight Asynchronous Snapshots for Distributed Dataflows
4.4.Checkpoint的触发
Checkpoint是Flink Default Tolerance机制的重要组成部分,Flink Checkpoint的核心类名为org.apache.flink.runtime.checkpoint.CheckpointCoordinator
4.4.1.Client端生成Checkpoint配置
Flink的应用程序,都是通过StreamExecutionEnvironment的execute()方法提交执行的,在StreamExecutionEnvironment初始化的时候,会调用:
java
this.configure(this.configuration, this.userClassloader);
方法来执行配置参数的初始化,其中就会涉及到:
java
checkpointCfg.configure(configuration);
代码的执行。这句代码中的相关参数的初始化,就是跟Checkpoint相关的各种参数。
生成的CheckpointConfig会最先被设置盗StreamGraph中,然后由StreamingJobGraphGenerator解析到StreamGraph生成JobGraph的时候,由
java
StreamingJobGraphGenerator.configureCheckpointing();
将CheckpointConfig中的各自参数,封装成JobCheckpointingSettings对象,然后设置到JobGraph中由成员变量snapshotSettings来进行保存。
4.4.2.Checkpoint CheckpointCoordinator启动源码详解
然后再ExecutionGraphBuilder构建ExecutionGraph的时候,会生成CheckpointCoordinatorConfiguration对象,来保存成JobGraph中的snapshotSettings参数,最终该交给:
java
ExecutionGraphBuilder.enableCheckpointing();
执行解析,保存到ExecutionGraph中。
在ExecutionGraphBuilder生成ExecutionGraph的时候,总结一下,大概做了以下几件事情:
- 解析ExecutionGraph中的各种ExecutionVertex,设置到tasksToTrigger,tasksToWaitFor,tasksToCommitTo数组中
- 注册了CheckpointFailureManager组件,用来汇总Checkpoint的统计信息。
- 创建CheckpointFailureManager,管理Checkpoint失败后的策略
- 创建定时器CheckpointCoordinatorTimer(ScheduledExecutorService),用于定时触发Checkpoint
- 创建CheckpointCoordinator,并注册CheckpointCoordinatorDeActivator
首先是CheckCoordinator的触发机制,核心入口是:
java
registerJobStatusListener(checkpointCoordinator.createActivatorDeactivator());
checkpointCoordinator.createActivatorDeactivator()方法返回的是一个JobStatusListener,具体实现是:CheckpointCoordinatorDeActivator,它的作用是:当监听到Job的状态为JobStatus.RUNNING的时候,就开始执行CheckpointCoordinatorDeActivator.jobStatusChanges()的回调处理。而具体的间隔时间,一般都由用户自己设置。
总结一下:
CheckpointCoordinator是Flink执行Checkpoint的核心组件,JobManager在接收到client端的submitJob请求后将JobGraph转化为ExecutionGraph,并调用enableCheckpointing方法初始化CheckpointCoordinator,然后为CheckpointCoordinator注册一个Job状态变化的监听器CheckpointCoordinatorDeActivator。CheckpointCoordinatorDeActivator实现了JobStatusListener接口,当Job状态变成RUNNING时,调用startCheckpointScheduler方法开启CheckpointScheduler,当Job变成其他状态时,调用stopCheckpointScheduler方法停止CheckpointScheduler。
4.4.3.CheckpointCoordinator Checkpoint执行源码详解
所以,真正开始执行Checkpoint的入口是:
java
CheckpointCoordinator.startCheckpointScheduler();
内部具体通过scheduleTriggerWithDelay(getRandomInitDelay())来实现调度!
其中:getRandomInitDelay()存在意义是:ScheduledExecutor timer不要一上来就执行Checkpoint,而是等一段随机事件(在minPauseBetweenCheckpoints和baseInterval + 1L之间)。ScheduledTrigger就是定时调度的一个Checkpoint触发器。
具体的minPauseBetweenCheckpoints和baseInterval是多少,就看用户的设置是多少:
java
StreamExecutionEnvironment env = StreamExecutionEnvironment.getExecutionEnvironment();
//设置:baseInterval = 10s,默认 500 = 0.5s
env.enableCheckpointing(1000*10);
//设置:minPauseBetweenCheckpoints = 1s,默认 0
env.getCheckpointConfig().setMinPauseBetweenCheckpoints(1000);
接下来看调度逻辑:
java
CheckpointCoordinator.startCheckpointScheduler();
CheckpointCoordinator.scheduleTriggerWithDelay(getRandomInitDelay());
//定时调度任务
timer.scheduleAtFixedRate(new ScheduledTrigger(),initDelay,baseInterval,TimeUnit.MILLISECONDS);
ScheduledTrigger.run();
//定时任务,其实就是定时调用CheckpointCoordinator的triggerCheckpoint()方法触发Checkpoint
CheckpointCoordinator.triggerCheckpoint(true);
CheckpointCoordinator.triggerCheckpoint(checkpointProperties,null,isPeriodic,false);
CheckpointCoordinator.startTriggerCheckpoint(CheckpointTriggerRequest);
CheckpointCoordinator.initializeCheckpoint(...);
CheckpointCoordinator.createPendingCheckpoint(...);
CheckpointCoordinator.snapshotTaskState();
//遍历每一个Source ExecutionVertex,触发Checkpoint
Execution.triggerCheckpoint(checkpointID,timestamp,checkpointOptions);
Execution.triggerCheckpointHelper(checkpointId,timestamp,checkpointOptions,false);
TaskManagerGateway taskManagerGateway = slot.getTaskManagerGateway();
taskManagerGateway.triggerCheckpoint(.....);
// 发送 Checkpoint RPC 给对应的 Source ExecutionVertex 组件
taskExecutorGateway.triggerCheckpoint(....);
到此为止,JobMaster终于把Checkpoint请求发送给了对应执行了Source ExecutionVertex的TaskManager节点了。
在这个过程中,可能会取消Checkpoint:
- coordinator处于shutdown状态
周期性Checkpoint调度被取消(periodicScheduling=false),一般periodicScheduling=false,是因为用户手动触发了savepoint
- 当前有排队的Checkpoint请求
- 当前pendingCheckpoints数量达到设定上限
- 与上一次Checkpoint间隔小于设定的最小值,如果间隔太小,会取消并重新设定调度器
- 如果Job的所有Source ExecutionVertex没有全处于RUNNING的状态的时候
4.4.4.Checkpoint TaskManager端处理state保存
当TaskManager接收到Checkpoint请求的时候,TaskManager端的Checkpoint分为两种情况:
- SourceStreamTask
- 其他StreamTask
当SourceStreamTask所在的TaskExecutor收到trigger Checkpoint消息,继续进行Checkpoint,核心入口是:
java
TaskExecutor.triggerCheckpoint(executionAttemptID,checkpointId,checkpointTimestamp,checkpointOptions,advanceToEndOfEventTime);
下一步调用:
java
task.triggerCheckpointBarrier(checkpointId,checkpointTimestamp,checkpointOptions, advanceToEndOfEventTime);
下一步调用:获取Task的AbstractInvokeable。并生成CheckpointMetaData,然后执行SourceStreamTask的状态判断,继续调用Checkpoint还是取消:
java
if(executionState == ExecutionState.RUNNING && invokable != null){
//继续Checkpoint
SourceStreamTask.triggerCheckpointAsync(checkpointMetaData,CheckpointOptions,advanceToEndOfEventTime);
}else{
//取消Checkpoint
checkpointResponder.declineCheckpoint(jobId,executionId,checkpointID,new CheckpointException("xxx"));
}
经过一些跳转,最终跳转到:StreamTask
java
StreamTasl.triggerCheckpointAsync(checkpointMetaData,checkpointOptions,advanceToEndOfEventTime);
内部通过MailBox模型来调度执行,内部调用:
java
triggerCheckpoint(checkpointMetaData,checkpointOptions,advanceToEndOfEventTime);
来触发执行Checkpoint。从这里开始,就进入到Mailbox的主线程来执行Checkpoint了。在该方法中,核心逻辑为:
java
//1、执行SubtaskCheckpointCoordinatorImpl的初始化
subtaskCheckpointCoordinator.initCheckpoint(checkpointMetaData.getCheckpointId(), checkpointOptions);
//2、执行Checkpoint
boolean success = performCheckpoint(checkpointMetaData, checkpointOptions, checkpointMetrics, advanceToEndOfEventTime);
//3、通过上述的返回值来判断是否要取消Checkpoint
if (!success) {
declineCheckpoint(checkpointMetaData.getCheckpointId());
}
在performCheckpoint()方法中,会调用:SubtaskCheckpointCoordinatorImpl的checkpointState() 执行 state 的快照!内部分为这么几个步骤:
java
// Step (1): Prepare the checkpoint, allow operators to do some pre-barrier work.
// The pre-barrier work should be nothing or minimal in the common case.
operatorChain.prepareSnapshotPreBarrier(metadata.getCheckpointId());
// Step (2): Send the checkpoint barrier downstream
operatorChain.broadcastEvent(new CheckpointBarrier(metadata.getCheckpointId(), metadata.getTimestamp(), options),options.isUnalignedCheckpoint());
// Step (3): Prepare to spill the in-flight buffers for input and output
if (options.isUnalignedCheckpoint()) {
prepareInflightDataSnapshot(metadata.getCheckpointId());
}
// Step (4): Take the state snapshot. This should be largely asynchronous, to not impact progress of the
// streaming topology
takeSnapshotSync(snapshotFutures, metadata, metrics, options, operatorChain, isCanceled)
// Step (5): report Task State Snapshots to jobmanager
finishAndReportAsync(snapshotFutures, metadata, metrics, options);
事实上一个Job的所有Task的state的Checkpoint是由takeSnapshotSync来真正完成的。最底层会调用StreamOperatorStateHandler的snapshotState()方法来完成具体的工作,它的内部主要做三件事情:
java
//1、对StreamOperator完成snapshot
streamOperator.snapshotState(snapshotContext);
//2、针对Operator类型的状态执行snapshot
operatorStateBackend.snapshot(checkpointId, timestamp, factory, checkpointOptions));
//3、针对KeyedState类型的状态执行snapshot
keyedStateBackend.snapshot(checkpointId, timestamp, factory, checkpointOptions));
4.4.5.Checkpoint CheckCoordinator端反馈处理
当上述,第四步完成的时候,第五步就可以对JobMaster进行Checkpoint状态汇报了。然后当TaskExecutor执行完Checkpoint之后,发送回反馈CheckCoordinator执行处理。
核心入口是:JobMaster.acknowledgeCheckpoint()方法
下面看详细流程:
java
JobMaster.acknowledgeCheckpoint();
SchedulerBase.acknowledgeCheckpoint();
CheckpointCoordinator.receiveAcknowledgeMessage();
//处理Task节点返回的ack信息
PendingCheckpoint.acknowledgeTask();
//判断该 PendingCheckpoint 该发的和该收到的 ack 是否都已经成功 ack
if (checkpoint.isFullyAcknowledged()) {
//更改PendingCheckpoint为CompletedCheckpoint
CheckpointCoordinator.completePendingCheckpoint(checkpoint);
}
4.5.Checkpoint State恢复源码剖析
JobMaster实例创建时,通过调用链:
java
JobMaster.createScheduler();
DefaultSchedulerFactory.createInstance();
new DefaultScheduler();
SchedulerBase.createAndRestoreExecutionGraph();
SchedulerBase.tryRestoreExecutionGraphFromSavepoint();
CheckpointCoordinator.restoreSavepoint();
到达CheckpointCoordinator的restoreSavepoint()方法,进入Checkpoint State restore流程。
所以Checkpoint State Restore的核心入口是:
java
CheckpointCoordinator.restoreSavepoint();