FLIP27-Source

1.官方设计

1.1.分配读取拆分

Source通常有两个核心的部件:当前的Source接口就是用来创建SplitEnumerator和Reader的工厂类

  1. SplitEnumerator: 分片发现和分配(分片即文件、分区等),目前只运行一次(应该可以重复调用运行)
  2. Reader: 从分片读取数据,可以是一系列有界数据,也可以是多个并行无界数据源

1.2.批流统一

  • FileSource:
    有界:SplitEnumerator一次性抓取目录下所有文件并分配
    无界:SplitEnumerator定期获取目录下的所有文件并只分配新文件
  • KafkaSource
    有界:列出所有分区并获取每个分区的最新偏移量并将其作为“结束偏移量”附加到分片
    无界:列出所有分区并将LONG_MAX作为“结束偏移量”附加到每个分片
    无界还支持发现新分区的功能

2.基本方法

基本接口为Source(flink-core中)

  • getBoundedness
    数据源的有界性,包括无界数据源这里也可以设置界限
  • createReader
    创建一个reader去读取分配的数据分片,读取是无状态的
  • createEnumerator
    创建一个SplitEnumerator,SplitEnumerator是分割枚举器的接口,功能是发现reader读取器的分片并分配
  • restoreEnumerator
    从checkpoint恢复SplitEnumerator
  • getSplitSerializer
    为分片创建序列化器
  • getEnumeratorCheckpointSerializer
    为SplitEnumerator的checkpoint创建序列化器

3.FileSource

  以FileSource举例说明,大部分实现实际在AbstractFileSource

3.1.getBoundedness

  由continuousEnumerationSettings决定是否有界

public Boundedness getBoundedness() {return continuousEnumerationSettings == null? Boundedness.BOUNDED: Boundedness.CONTINUOUS_UNBOUNDED;
}

  continuousEnumerationSettings有专门的接口设置(monitorContinuously),在FileSystemTableSource以及WordCount用例里有实现。FileSystemTableSource里方式就是配置source.monitor-interval,用来周期性扫描文件目录

3.2.createEnumerator

  上节的continuousEnumerationSettings在createSplitEnumerator接口当中使用,createSplitEnumerator接口由createEnumerator调用,用于产生SplitEnumerator

public SplitEnumerator<SplitT, PendingSplitsCheckpoint<SplitT>> createEnumerator(SplitEnumeratorContext<SplitT> enumContext) {final FileEnumerator enumerator = enumeratorFactory.create();// read the initial set of splits (which is also the total set of splits for bounded// sources)final Collection<FileSourceSplit> splits;try {// TODO - in the next cleanup pass, we should try to remove the need to "wrap unchecked"// heresplits = enumerator.enumerateSplits(inputPaths, enumContext.currentParallelism());} catch (IOException e) {throw new FlinkRuntimeException("Could not enumerate file splits", e);}return createSplitEnumerator(enumContext, enumerator, splits, null);
}
  • FileEnumerator
    在构建FileSource的时候确定,有两个实现
    BlockSplittingRecursiveEnumerator、NonSplittingRecursiveEnumerator
    BlockSplittingRecursiveEnumerator用于文件能拆分的,会拆分文件块
    NonSplittingRecursiveEnumerator文件不能拆分,每个文件作为一个split
  • splits
    目前关联FileSource是实现了NonSplittingRecursiveEnumerator,最终封装成了一个FileSourceSplit的List列表,这里的参数Parallelism接口里没有用
final String[] hosts =getHostsFromBlockLocations(fs.getFileBlockLocations(file, 0L, file.getLen()));
target.add(new FileSourceSplit(getNextId(),file.getPath(),0,file.getLen(),file.getModificationTime(),file.getLen(),hosts));
  • FileSplitAssigner
    split分配器,FileSource使用的是LocalityAwareSplitAssigner
    这里会有本地文件和远程文件的识别分配,但实际使用的时候还是依赖于上层(SplitEnumerator)的调用,会传入host
    最终是由这个类返回一个FileSourceSplit
  • SplitEnumerator
    注意这里传入的参数alreadyProcessedPaths是null,也就是说对于FileSource,每次都是全量扫描
    AbstractFileSource里用到了两个实现
    StaticFileSplitEnumerator、ContinuousFileSplitEnumerator,分别用于处理有界和无界文件流

3.3.createReader

  创建一个阅读器,FileSource的实例是FileSourceReader,大部分功能在基础SourceReaderBase接口中实现了
  读取的触发应该由SourceOperator的emitNext接口调用,最终调用到SourceReaderBase的pollNext接口,里面有一个死循环
  这里有三层关系:fetch -> split -> record,一层一层获取
  循环中有两个处理:1、record列表有数据,走flink的算子间的数据传输流程;2、无数据,则走读取split的流程(split也是一批批读取的,所以这里面包好了两个方法,从当前的split读取数据和读取下一个split)
  fetch的获取由SplitFetcherManager控制,最终由FetchTask获取。有一个在各个对象之间传递的elementsQueue对象,存储了fetch列表,FetchTask会向它增加元素,在SourceReaderBase当中读取

3.4.用法

  在WordCount里有样例

FileSource.FileSourceBuilder<String> builder =FileSource.forRecordStreamFormat(new TextLineInputFormat(), params.getInputs().get());// If a discovery interval is provided, the source will
// continuously watch the given directories for new files.
params.getDiscoveryInterval().ifPresent(builder::monitorContinuously);text = env.fromSource(builder.build(), WatermarkStrategy.noWatermarks(), "file-input");

  forRecordStreamFormat接口定义数据格式,会在创建FileSourceReader的时候使用
  monitorContinuously就是配置流式监控文件
  最终是通过env封装成Source

4.SourceTransformation\SourceOperator

  Flink数据源的执行表现形式还是SourceOperator,所以最终的执行触发还是在这个结构。算子层面,Source的表现形式为SourceTransformation,由SourceTransformation触发构建SourceOperator
  原生的Source是SourceTransformation的一个成员

public SourceTransformation(String name,Source<OUT, SplitT, EnumChkT> source,WatermarkStrategy<OUT> watermarkStrategy,TypeInformation<OUT> outputType,int parallelism) {super(name, outputType, parallelism);this.source = source;this.watermarkStrategy = watermarkStrategy;
}

  SourceOperator里有三个核心方法:
  emitNext:是Operator的统一数据流转接口,即处理一次数据的接口
  open\initReader:open里也调用了initReade,主要都是为了做初始化

4.1.initReader

  这里面主要是创建了SourceReaderContext,SourceReaderContext里有两个重要的方法,负责向Coordinator发送请求

@Override
public void sendSplitRequest() {operatorEventGateway.sendEventToCoordinator(new RequestSplitEvent(getLocalHostName()));
}@Override
public void sendSourceEventToCoordinator(SourceEvent event) {operatorEventGateway.sendEventToCoordinator(new SourceEventWrapper(event));
}

4.2.open

  核心是对Reader的三步操作:1、初始化,即上面的initReader方法;2、注册,即向Coordinator发送请求,注册reader;3、启动,调用Reader的启动接口

4.3.emitNext

  核心是通过SourceReader获取数据

// short circuit the hot path. Without this short circuit (READING handled in the
// switch/case) InputBenchmark.mapSink was showing a performance regression.
if (operatingMode == OperatingMode.READING) {return convertToInternalStatus(sourceReader.pollNext(currentMainOutput));
}
return emitNextNotReading(output);

5.ScanTableSource

  关键接口是getScanRuntimeProvider,有子类实现,返回一个运行时数据读取器

6.相关类集合

  • Source - 帮助在运行时创建SplitEnumerator和SourceReader的工厂样式类。
  • SourceSplit - 所有拆分类型的接口。
  • SplitEnumerator - 发现拆分并将它们分配给SourceReaders
  • SplitEnumeratorContext - 向SplitEnumerator提供必要的信息以分配拆分并将自定义事件发送到SourceReaders。
  • SplitAssignment - 一个容器类,其中包含每个子任务的源拆分分配。
  • SourceReader - 从SplitEnumerator分配的拆分中读取记录。
  • SourceReaderContext - 为SourceReader提供必要的功能以与SplitEnumerator通信。
  • SourceOutput - 收集器样式接口,用于获取SourceReader发出的记录和时间戳。
  • WatermarkOutput -用于发出水印并指示源空闲的接口。
  • Watermark - 将在包org.apache.flink.api.common.eventtime 中创建一个新的 Watermark 类。 该类最终将替换org.apache.flink.streaming.api.watermark 中现有的 Watermark。 此更改允许 flink-core 保持独立于其他模块。鉴于我们最终会将所有水印生成放入源中,因此此更改将是必要的。请注意,此 FLIP 并不打算更改水印在源发出后可以在 DataStream 中覆盖的现有方式。

7.SourceCoordinator

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.mzph.cn/news/706834.shtml

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

主题公园保管资产难?三防加固平板对此说不!

主题公园是一个活跃&#xff0c;快节奏的环境&#xff0c;主题公园最重要的资产之一是他们的表演者和每天制作的节目。但是检查道具以及寻找服装的去向是一项艰巨的任务&#xff1b;如果没有适当的系统和流程&#xff0c;可能会导致资产损失和材料放错位置&#xff0c;最终导致…

【大厂AI课学习笔记NO.51】2.3深度学习开发任务实例(4)计算机视觉实际应用的特点

今天考试通过腾讯云人工智能从业者TCA级别的认证了&#xff01; 还是很开心的&#xff0c;也看不到什么更好的方向&#xff0c;把一切能利用的时间用来学习&#xff0c;总是对的。 我把自己考试通过的学习笔记&#xff0c;都分享到这里了&#xff0c;另外还有一个比较全的思维…

51单片机 wifi连接

一、基本概念 ESP8266是一款集成了WiFi功能的高性能芯片&#xff0c;广泛应用于物联网设备、智能家居、传感器网络等领域。以下是ESP8266的详细讲解&#xff1a; 1. 功能特点&#xff1a;ESP8266集成了TCP/IP协议栈&#xff0c;支持STA&#xff08;Station&#xff09;和AP&am…

15. QML中一些相关的图形效果汇总

1.说明 本篇博客主要记录一些在QML中&#xff0c;对图片进行操作的一些控件 2.示例代码 博客中用到的两张图片分别如下所示&#xff1a; 2.1 混合效果 效果展示&#xff1a; 相关代码&#xff1a; import QtQuick 2.2 import QtQuick.Window 2.1 import QtQuick.Cont…

npm install卡在sill idealTree buildDeps没有反应,安装失灵

我的是 这通常是由于证书颁发机构&#xff08;CA&#xff09;的证书已经过期&#xff0c;或者服务器上的证书没有及时更新。 更换 npm 仓库源&#xff1a;如果你正在使用淘宝的 npm 镜像&#xff08;registry.npm.taobao.org&#xff09;&#xff0c;可以尝试更换为官方的 npm…

Golang Defer 执行顺序

Golang Defer 执行顺序 1. defer的执行顺序 多个defer出现的时候&#xff0c;它是一个“栈”的关系&#xff0c;也就是先进后出。一个函数中&#xff0c;写在前面的defer会比写在后面的defer调用的晚。 代码示例&#xff1a; func TestDefer01(t *testing.T) {defer func1(…

手写JavaScript中的Promise.all方法(JS中Promise.all的执行过程)

简介&#xff1a; Promise.all是JavaScript中一种用于处理多个Promise对象的方法&#xff0c;该方法接收一个数组作为参数&#xff0c;并返回一个新的Promise对象。 这个新的对象会在所有Promise对象都成功解析后解析&#xff0c;解析的结果是一个数组&#xff0c;包含了所有P…

Groovy(第一节)关于 Groovy

目录 什么是 Groovy? Groovy 快捷方式 Groovy 的新增特性 关于闭包 动态的 Groovy

论文阅读:SOLOv2: Dynamic, Faster and Stronger

目录 概要 Motivation 整体架构流程 技术细节 小结 论文地址&#xff1a;[2003.10152] SOLOv2: Dynamic and Fast Instance Segmentation (arxiv.org) 代码地址&#xff1a;GitHub - WXinlong/SOLO: SOLO and SOLOv2 for instance segmentation, ECCV 2020 & NeurIPS…

< JavaScript技巧:如何优雅的使用 【正则】校验 >

文章目录 &#x1f449; 一、正则表达式的概念&#x1f449; 二、常见使用正则表达式的方法① RegExp 对象方法1. 创建 RegExp 对象的语法2. RegExp对象方法① compile(value)② exec(value)③ test(value)③ reg.toString() ② 支持正则表达式的 String 对象的方法1. search()…

飞天使-学以致用-devops知识点1-安装gitlabharbor

文章目录 rpm 安装gitlab页面配置配置secretsecret 查看信息-chatgpt回复 为项目配置webhook,等jenkins部署完毕后在配置卸载 harbor配置secret所有k8s集群节点安装信任 http rpm 安装gitlab # 下载安装包 wget https://mirrors.tuna.tsinghua.edu.cn/gitlab-ce/yum/el7/gitla…

统计分析笔记3

文章目录 统计检验选择正确的统计检验统计检验是做什么的&#xff1f;何时进行统计检验选择参数化测试&#xff1a;回归、比较或相关性选择非参数检验 假设检验的假设条件skewness什么是零偏度right skewleft skew计算skewnesswhat to do if your data is skewed kurtosis怎么计…

BevFusion (2): nuScenes 数据介绍及点云可视化

1. nuScenes 数据集 1.1 概述 nuScenes 数据集 (pronounced /nu:ːsiː:nz/) 是由 Motional (以前称为 nuTonomy) 团队开发的自动驾驶公共大型数据集。nuScenes 数据集的灵感来自于开创性的 KITTI 数据集。 nuScenes 是第一个提供自动驾驶车辆整个传感器套件 (6 个摄像头、1 …

突破编程_C++_面试(抽象类与接口)

面试题 1 &#xff1a;简述抽象类的概念&#xff0c;并给出其使用场景的一个例子。 抽象类是面向对象编程中的一个重要概念&#xff0c;它定义了一组方法&#xff0c;但并不完全实现它们&#xff08;可以包含成员变量、构造方法、析构方法以及普通方法的实现&#xff09;。抽象…

计算机网络:IP

引言&#xff1a; IP协议是互联网协议族中的核心协议之一&#xff0c;负责为数据包在网络中传输提供路由寻址。它定义了数据包如何在互联网上从源地址传输到目的地址的规则和流程。IP协议使得各种不同类型的网络设备能够相互通信&#xff0c;实现了全球范围内的信息交换。 目录…

Qt项目:网络1

文章目录 项目&#xff1a;网路项目1&#xff1a;主机信息查询1.1 QHostInfo类和QNetworkInterface类1.2 主机信息查询项目实现 项目2&#xff1a;基于HTTP的网络应用程序2.1 项目中用到的函数详解2.2 主要源码 项目&#xff1a;网路 项目1&#xff1a;主机信息查询 使用QHostI…

基于vue的图书管理系统的设计与实现

高校师生在教学中承受的压力越大就对知识拥有了更多的需求&#xff0c;而满足这一需求的最佳场所无疑就是图书馆。当前虽然信息技术在各个方面都发挥出重要作用&#xff0c;但是在相当多的高校图书馆中依然由工作人员手动完成图书借阅、归还及逾期提醒等所有工作&#xff0c;在…

如何使用Logstash搜集日志传输到es集群并使用kibana检测

引言&#xff1a;上一期我们进行了对Elasticsearch和kibana的部署&#xff0c;今天我们来解决如何使用Logstash搜集日志传输到es集群并使用kibana检测 目录 Logstash部署 1.安装配置Logstash &#xff08;1&#xff09;安装 &#xff08;2&#xff09;测试文件 &#xff…

集群分发脚本xsync

集群分发脚本xsync 一、简介二、环境准备三、添加到机器的 hosts 文件四、ping 命令测试五、SSH 配置5.1.本地先生成公钥和私钥5.2.将公钥拷贝到其他机器 六、xsync 脚本编写6.1.安装 rsync6.2.新建 xsync.sh6.3.xsync.sh脚本6.4.赋予脚本执行权限6.5.测试 endl 一、简介 配置…

完全分布式运行模式

完全分布式运行模式 分析&#xff1a;之前已经配置完成 ​ 1&#xff09;准备3台客户机&#xff08;关闭防火墙、静态ip、主机名称&#xff09; ​ 2&#xff09;安装JDK ​ 3&#xff09;配置环境变量 ​ 4&#xff09;安装Hadoop ​ 5&#xff09;配置环境变量 ​ 6&am…