Flink源码剖析

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:

  1. 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
  2. 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;
  3. 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

Flink的RPC实现:基于Scala的网络编程库:Akka

  1. ActorSystem是管理Actor生命周期的组件,Actor是负责进行通信的组
  2. 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;
  3. 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。
  4. 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
  5. 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
  6. 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。
  7. 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:

  1. RpcGateway:路由,RPC的老祖宗,其他个RPC组件,都是RpcGateWay的子类
  2. RpcServer:RpcService 和 RpcEndpoint 之间的粘合层
  3. RpcEndpoint: 业务逻辑载体,对应的 Actor 的封装
  4. 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:

  1. 通过 jobmanager.sh 来启动 JobManager
  2. 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:

  1. JobManager 的启动参数:standalonesession,实现类是:StandaloneSessionClusterEntrypoint
  2. 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:

  1. 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
  2. Dispatcher:负责接收用户提交的JobGraph,然后启动一个JobMaster
  3. 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
  4. 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 复制代码
// 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 复制代码
// 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 复制代码
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 复制代码
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 复制代码
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();

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 复制代码
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:

  1. Function:函数
  2. Operator:对Function的封装
  3. Transformation:等价于Operator的概念,Flink中,process函数底层调用的依旧是transform

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 复制代码
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:

  1. 根据Flink后面的执行命令来确定执行方法(run===>run(params))
  2. 解析main参数,构建PackageProgram,然后执行PackageProgram
  3. 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 复制代码
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):

  1. 提供了readTextFile(),socketTextStream(),createInput(),addSource()等方法去对接数据源
  2. 提供了setParallelism()设置程序的并行度
  3. StreamExecutionEnvironment管理了ExecutionConfig对象,该对象负责Job执行的一些行为配置管理
  4. 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)
  5. 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 复制代码
//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 复制代码
//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 复制代码
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 复制代码
// 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 复制代码
// 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。

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。

  1. 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
  2. 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 复制代码
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:

  1. 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
  2. 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。
  3. 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?

  1. StreamGraph是对用户逻辑的映射
  2. 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
  3. ExecutionGraph是为了调度存在的,加入了并行处理的概念
  4. 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:

  1. 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。
  2. StreamEdge:表示连接两个StreamNode的边。

源码核心代码入口:

java 复制代码
StreamExecutionEnvironment.execute(getStreamGraph(jobName))

StreamGraph生成过程中,生成StreamNode的代码入口:

java 复制代码
streamGraph.addOperator(vertexID, slotSharingGroup, coLocationGroup,operatorFactory, inTypeInfo, outTypeInfo, operatorName);

StreamGraph生成过程中,生成StreamEdge的代码入口:

java 复制代码
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:

  1. 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。
  2. 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。
  3. 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 复制代码
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 复制代码
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 复制代码
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:

  1. ExecutionJobVertex:和JobGraph中的JobVertex一一对应;每一个ExecutionJobVertex都有和并发度一样的ExecutionVertex
  2. ExecutionVertex:表示ExecutionJobVertex的其中一个并发子任务,输入是ExecutionEdge,输出是IntermediateResultPartition。
  3. 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。
  4. IntermediateResultPartition:表示ExecutionVertex的一个输出分区,producer是ExecutionVertex,consumer是若干个ExecutionEdge。
  5. ExecutionEdge:表示ExecutionVertex的输入,source是IntermediateResultPartition,target是ExecutionVertex。source和target都只能是一个。
  6. 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 复制代码
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 复制代码
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:

  1. 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。
  2. ResultPartition:A result partition for data produced by a single task.
  3. ResultSubpartition:A single subpartition of a {@link ResultPartition} instance.
  4. InputGate:An input gate consumes one or more partitions of a single produced intermediate result.
  5. 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 复制代码
// 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 复制代码
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 复制代码
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 复制代码
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 复制代码
// 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:

  1. JobManager发送请求申请Slot
  2. ResourceManager接收到请求,执行Slot请求处理
  3. TaskManager处理ResourceManager发送过来的Slot请求
  4. 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 复制代码
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 复制代码
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 复制代码
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 复制代码
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:

  1. 如果启动SourceStreamTask,则启动类是:SourceStreamTask
  2. 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 复制代码
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 复制代码
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 复制代码
public SourceStreamTask(Environment env) throw Exception{
	this(env,new Object());
}

然后跳转到重载构造:

java 复制代码
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 复制代码
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 复制代码
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 复制代码
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 复制代码
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 复制代码
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

  1. 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,
  2. 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:
    1. 广播当前barrier到下游StreamTask
    2. 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;
  3. 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 复制代码
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 复制代码
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 复制代码
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 复制代码
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:

  1. 解析ExecutionGraph中的各种ExecutionVertex,设置到tasksToTrigger,tasksToWaitFor,tasksToCommitTo数组中
  2. 注册了CheckpointFailureManager组件,用来汇总Checkpoint的统计信息。
  3. 创建CheckpointFailureManager,管理Checkpoint失败后的策略
  4. 创建定时器CheckpointCoordinatorTimer(ScheduledExecutorService),用于定时触发Checkpoint
  5. 创建CheckpointCoordinator,并注册CheckpointCoordinatorDeActivator
    首先是CheckCoordinator的触发机制,核心入口是:
java 复制代码
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 复制代码
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 复制代码
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 复制代码
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:

  1. coordinator处于shutdown状态
  2. 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
  3. 当前有排队的Checkpoint请求
  4. 当前pendingCheckpoints数量达到设定上限
  5. 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
  6. 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:

  1. SourceStreamTask
  2. 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 复制代码
TaskExecutor.triggerCheckpoint(executionAttemptID,checkpointId,checkpointTimestamp,checkpointOptions,advanceToEndOfEventTime);

下一步调用:

java 复制代码
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 复制代码
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 复制代码
StreamTasl.triggerCheckpointAsync(checkpointMetaData,checkpointOptions,advanceToEndOfEventTime);

内部通过MailBox模型来调度执行,内部调用:

java 复制代码
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 复制代码
//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 复制代码
// 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 复制代码
//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 复制代码
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 复制代码
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 复制代码
CheckpointCoordinator.restoreSavepoint();
相关推荐
zmd-zk34 分钟前
kafka+zookeeper的搭建
大数据·分布式·zookeeper·中间件·kafka
激流丶36 分钟前
【Kafka 实战】如何解决Kafka Topic数量过多带来的性能问题?
java·大数据·kafka·topic
测试界的酸菜鱼1 小时前
Python 大数据展示屏实例
大数据·开发语言·python
时差9531 小时前
【面试题】Hive 查询:如何查找用户连续三天登录的记录
大数据·数据库·hive·sql·面试·database
Mephisto.java1 小时前
【大数据学习 | kafka高级部分】kafka中的选举机制
大数据·学习·kafka
Mephisto.java1 小时前
【大数据学习 | kafka高级部分】kafka的优化参数整理
大数据·sql·oracle·kafka·json·database
道可云1 小时前
道可云人工智能&元宇宙每日资讯|2024国际虚拟现实创新大会将在青岛举办
大数据·人工智能·3d·机器人·ar·vr
成都古河云1 小时前
智慧场馆:安全、节能与智能化管理的未来
大数据·运维·人工智能·安全·智慧城市
软工菜鸡1 小时前
预训练语言模型BERT——PaddleNLP中的预训练模型
大数据·人工智能·深度学习·算法·语言模型·自然语言处理·bert
武子康3 小时前
大数据-212 数据挖掘 机器学习理论 - 无监督学习算法 KMeans 基本原理 簇内误差平方和
大数据·人工智能·学习·算法·机器学习·数据挖掘