Flink 侧流输出源码解析

2022 年 9 月 14 日
北京
本文字数：3926 字
阅读完需：约 13 分钟

Flink 的 side output 为我们提供了侧流（分流）输出的功能，根据条件可以把一条流分为多个不同的流，之后做不同的处理逻辑，下面就来看下侧流输出相关的源码。

先来看下面的一个 Demo，一个流被分成了 3 个流，一个主流，两个侧流输出。

SingleOutputStreamOperator<JasonLeePOJO> process =        kafka_source1.process(                new ProcessFunction<JasonLeePOJO, JasonLeePOJO>() {                    @Override                    public void processElement(                            JasonLeePOJO value,                            ProcessFunction<JasonLeePOJO, JasonLeePOJO>.Context ctx,                            Collector<JasonLeePOJO> out)                            throws Exception {                        // 这个是主流输出                        if (value.getName().equals("flink")) {                            out.collect(value);                        // 下面两个是测流输出                        } else if (value.getName().equals("spark")) {                            ctx.output(test, value);                        // 测流                        } else if (value.getName().equals("hadoop")) {                            ctx.output(test1, value);                        }                    }                });

复制代码

为了更加清楚的查看每一个算子，我禁用了 operator chain，任务的 DAG 图如下所示：

这样就比较清晰了，很明显从 process 算子开始，1 个数据流分为了 3 个数据流，当然，在默认情况下没有禁止

operator chain 所有的算子都是 chain 在一起的。

源码解析

我们先来看第一个主流输出也就是 out.collect(value) 的源码，这里的 out 实际上是 TimestampedCollector 对象。

TimestampedCollector#collect

@Overridepublic void collect(T record) {    output.collect(reuse.replace(record));}

复制代码

在 collect 方法中持有一个 output 对象，用来输出数据，在这里实际上是一个 CountingOutput 它是一个包装了 Output 的对象，主要用于更新发送数据的 metric，并输出数据。

CountingOutput#collect

@Overridepublic void collect(StreamRecord<OUT> record) {    numRecordsOut.inc();    output.collect(record);}

复制代码

在 CountingOutput 中也持有一个 output 对象，但是这里的 output 是 BroadcastingOutputCollector 对象，从名字就可以看出它是往下游广播数据的，这里就有一个疑问？把数据广播到下游，那岂不是下游的每个数据流都有这条数据吗？这样的话是怎么实现分流的呢？带着这个疑问，我们来看 BroadcastingOutputCollector 的 collect 方法是怎么实现的。

BroadcastingOutputCollector#collect

@Overridepublic void collect(StreamRecord<T> record) {    // 这里的 outputs 数组有三个 output 分别对应上面的三个输出流    for (Output<StreamRecord<T>> output : outputs) {        output.collect(record);    }}

复制代码

在 BroadcastingOutputCollector 对象里也持有一个 output 对象，其实他们都实现了 Output 接口，用来往下游发送数据，这里的 outputs 是一个 Output 数组，代表了下游的所有 Output，因为上面有三个输出流，所以数组里面就包含了 3 个 Output 对象。循环的调用 output 的 collect 方法往下游发送数据，因为我打断了 operator chain，所以 process 算子和下游的 Print 算子不在同一个 operatorChain 内，那么上下游算子之间数据传输用的就是 RecordWriterOutput，否则用的是 CopyingChainingOutput 或者 ChainingOutput，具体使用的是哪个 Output 这里就不多介绍了，后面有时间的话会单独介绍。

RecordWriterOutput#collect

@Overridepublic void collect(StreamRecord<OUT> record) {    // 主流是没有 outputTag 的，只有测流有 outputTag    if (this.outputTag != null) {        // we are not responsible for emitting to the main output.        return;    }
    pushToRecordWriter(record);}

复制代码

接着来看 RecordWriterOutput 的 collect 方法，在 collect 方法里面会先判断 outputTag 是否为空，如果不为空不做任何处理，直接返回，否则就把数据推送到下游算子，只有侧流输出才需要定义 outputTag，主流（正常流）是没有 outputTag 的，所以这里会走 pushToRecordWriter 方法把数据写入到下游，也就是说虽然会以广播的形式把数据广播到所有下游，但其实另外两个侧流是直接返回的，只有主流才会把数据推送到下游，这也就解释了上面的疑问。

然后再来看第二个侧流输出 ctx.output(test, value) 的源码，这里的 ctx 实际上是 ProcessOperator#ContextImpl 对象。

ProcessOperator#ContextImpl#output

@Overridepublic <X> void output(OutputTag<X> outputTag, X value) {    if (outputTag == null) {        throw new IllegalArgumentException("OutputTag must not be null.");    }    output.collect(outputTag, new StreamRecord<>(value, element.getTimestamp()));}

复制代码

如果 outputTag 是空，直接抛出异常，因为这个是侧流，所以必须要定义 OutputTag。这里的 output 实际上是父类 AbstractStreamOperator 所持有的变量，如果 outputTag 不为空，就调用 output 的 collect 方法把数据发送到下游，这里的 output 和上面的一样是 CountingOutput 但是 collect 方法是另外一个重载的方法。

CountingOutput#collect

@Overridepublic <X> void collect(OutputTag<X> outputTag, StreamRecord<X> record) {    numRecordsOut.inc();    output.collect(outputTag, record);}

复制代码

可以发现，这个 collect 方法比上面那个多了一个 OutputTag 参数，也就是使用侧流输出的时候定义的 OutputTag 对象，然后调用 output 的 collect 方法发送数据，这个也和上面的一样，同样是 BroadcastingOutputCollector 对象的另外一个重载方法，多了一个 OutputTag 参数。

BroadcastingOutputCollector#collect

@Overridepublic <X> void collect(OutputTag<X> outputTag, StreamRecord<X> record) {    for (Output<StreamRecord<T>> output : outputs) {        output.collect(outputTag, record);    }}

复制代码

这里的逻辑和上面是一样的，同样的循环调用 collect 方法发送数据。

RecordWriterOutput#collect

@Overridepublic <X> void collect(OutputTag<X> outputTag, StreamRecord<X> record) {    // 先要判断两个 OutputTag 是否一样    if (OutputTag.isResponsibleFor(this.outputTag, outputTag)) {        pushToRecordWriter(record);    }}

复制代码

在这个 collect 方法中会先判断传入的 OutputTag 对象和成员变量 this.outputTag 是不是相等，如果是的话，就发送数据，否则不做任何处理，所以这里每次只会选择一个下游侧流输出数据，这样就实现了所谓的分流。

OutputTag#isResponsibleFor

public static boolean isResponsibleFor(        @Nullable OutputTag<?> owner, @Nonnull OutputTag<?> other) {    return other.equals(owner);}

复制代码

可以看到在 isResponsibleFor 方法内是直接调用 OutputTag 的 equals 方法判断两个对象是否相等的。

第三个侧流 test1 ctx.output(test1, value) 和第二个侧流 test 是完全一样的情况，这里就不在看代码了。

上面是完成了分流操作，那怎么获取到分流后结果呢（数据流）？我们可以通过 getSideOutput 方法获取。

DataStream<JasonLeePOJO> sideOutput = process.getSideOutput(test);DataStream<JasonLeePOJO> sideOutput1 = process.getSideOutput(test1);

复制代码

getSideOutput 源码

public <X> DataStream<X> getSideOutput(OutputTag<X> sideOutputTag) {    sideOutputTag = clean(requireNonNull(sideOutputTag));
    // make a defensive copy    sideOutputTag = new OutputTag<X>(sideOutputTag.getId(), sideOutputTag.getTypeInfo());
    TypeInformation<?> type = requestedSideOutputs.get(sideOutputTag);    if (type != null && !type.equals(sideOutputTag.getTypeInfo())) {        throw new UnsupportedOperationException(                "A side output with a matching id was "                        + "already requested with a different type. This is not allowed, side output "                        + "ids need to be unique.");    }
    requestedSideOutputs.put(sideOutputTag, sideOutputTag.getTypeInfo());
    SideOutputTransformation<X> sideOutputTransformation =            new SideOutputTransformation<>(this.getTransformation(), sideOutputTag);    return new DataStream<>(this.getExecutionEnvironment(), sideOutputTransformation);}

复制代码

getSideOutput 方法里先是构建了一个 SideOutputTransformation 对象，然后又构建了 DataStream 对象，这样我们就可以基于分流后的 DataStream 做不同的处理逻辑了，从而实现了把一个 DataStream 分流成多个 DataStream 功能。

总结

通过对侧流输出的源码进行解析，在分流的时候，数据是通过广播的方式发送到下游算子的，对于主流的数据来说，只有 OutputTag 为空的才会处理，侧流因为 OutputTag 不为空，所以直接返回，不做任何处理，那对于侧流的数据来说，是通过判断两个 OutputTag 是否相等，所以每次只会把数据发送到下游对应的那一个侧流上去，这样即可实现分流逻辑。

如果你觉得文章对你有帮助,麻烦点一下赞和在看吧,你的支持是我创作的最大动力.

发布于: 刚刚阅读数: 4

原文链接:【http://xie.infoq.cn/article/4e06618b3fa33a0a30d7539e2】。文章转载请联系作者。

JasonLee实时计算

关注

还未添加个人签名 2019.09.20 加入

还未添加个人简介

发布

暂无评论

创作场景

Flink 侧流输出源码解析

源码解析

TimestampedCollector#collect

CountingOutput#collect

BroadcastingOutputCollector#collect

RecordWriterOutput#collect

ProcessOperator#ContextImpl#output

CountingOutput#collect

BroadcastingOutputCollector#collect

RecordWriterOutput#collect

OutputTag#isResponsibleFor

getSideOutput 源码

总结

JasonLee实时计算

评论