Flink 在唯品会的实践

唯品会自 2017 年开始基于 k8s 深入打造高性能、稳定、可靠、易用的实时计算平台，支持唯品会内部业务在平时以及大促的平稳运行。现平台支持 Flink、Spark、Storm 等主流框架。本文主要分享 Flink 的容器化实践应用以及产品化经验。

GitHub 地址

https://github.com/apache/flink

欢迎大家给 Flink 点赞送 star~

1. 发展概览

平台支持公司内部所有部门的实时计算应用。主要的业务包括实时大屏、推荐、实验平台、实时监控和实时数据清洗等。

1.1 集群规模

平台现有异地双机房双集群，具有 2000 多的物理机节点，利用 k8s 的 namespaces，labels 和 taints 等，实现业务隔离以及初步的计算负载隔离。目前线上实时应用有大概 1000 个，平台最近主要支持 Flink SQL 任务的上线。

1.2 平台架构

上图是唯品会实时计算平台的整体架构。

• 最底层是计算任务节点的资源调度层，实际是以 deployment 的模式运行在 k8s 上，平台虽然支持 yarn 调度，但是 yarn 调度是与批任务共享资源，所以主流任务还是运行在 k8s 上。

• 存储层这一层，支持公司内部基于 kafka 实时数据 vms，基于 binlog 的 vdp 数据和原生 kafka 作为消息总线，状态存储在 hdfs 上，数据主要存入 redis，mysql，hbase，kudu，clickhouse 等。

• 计算引擎层，平台支持 Flink，Spark，Storm 主流框架容器化，提供了一些框架的封装和组件等。每个框架会都会支持几个版本的镜像满足不同的业务需求。

• 平台层提供作业配置、调度、版本管理、容器监控、job 监控、告警、日志等功能，提供多租户的资源管理（quota，label 管理），提供 kafka 监控。在 Flink 1.11 版本之前，平台自建元数据管理系统为 Flink SQL 管理 schema，1.11 版本开始，通过 hive metastore 与公司元数据管理系统融合。

• 最上层就是各个业务的应用层。

2. Flink 容器化实践

2.1 容器化实践

上图是实时平台 Flink 容器化的架构。Flink 容器化是基于 standalone 模式部署的。

• 部署模式共有 client，jobmanager 和 taskmanager 三个角色，每一个角色都由一个 deployment 控制。

• 用户通过平台上传任务 jar 包，配置等，存储于 hdfs 上。同时由平台维护的配置，依赖等也存储在 hdfs 上，当 pod 启动时，会进行拉取等初始化操作。

• client 中主进程是一个由 go 开发的 agent，当 client 启动时，会首先检查集群状态，当集群 ready 后，从 hdfs 上拉取 jar 包向 Flink 集群提交任务。同时，client 的主要功能还有监控任务状态，做 savepoint 等操作。

• 通过部署在每台物理机上的 smart - agent 采集容器的指标写入 m3，以及通过 Flink 暴漏的接口将 metrics 写入 prometheus，结合 grafana 展示。同样通过部署在每台物理机上的 vfilebeat 采集挂载出来的相关日志写入 es，在 dragonfly 可以实现日志检索。

2.1.1 Flink 平台化

在实践过程中，结合具体场景以及易用性考虑，做了平台化工作。

• 平台的任务配置与镜像，Flink 配置，自定义组件等解耦合，现阶段平台支持 1.7、1.9、1.11、1.12 等版本。

• 平台支持流水线编译或上传 jar、作业配置、告警配置、生命周期管理等，从而减少用户的开发成本。

• 平台开发了容器级别的如火焰图等调优诊断的页面化功能，以及登陆容器的功能，支持用户进行作业诊断。

2.1.2 Flink 稳定性

在应用部署和运行过程中，不可避免的会出现异常。以下是平台保证任务在出现异常状况后的稳定性做的策略。

• pod 的健康和可用，由 livenessProbe 和 readinessProbe 检测，同时指定 pod 的重启策略。

• Flink 任务异常时：

• Flink 原生的 restart 策略和 failover 机制，作为第一层的保证。

• 在 client 中会定时监控 Flink 状态，同时将最新的 checkpoint 地址更新到自己的缓存中，并汇报到平台，固化到 MySQL 中。当 Flink 无法再重启时，由 client 重新从最新的成功 checkpoint 提交任务。作为第二层保证。这一层将 checkpoint 固化到 MySQL 中后，就不再使用 Flink HA 机制了，少了 zk 的组件依赖。

• 当前两层无法重启时或集群出现异常时，由平台自动从固化到 MySQL 中的最新 chekcpoint 重新拉起一个集群，提交任务，作为第三层保证。

• 机房容灾：

• 用户的 jar 包，checkpoint 都做了异地双 HDFS 存储

• 异地双机房双集群

2.2 kafka 监控方案

kafka 监控是我们的任务监控里相对重要的一部分，整体监控流程如下所示。

平台提供监控 kafka 堆积，消费 message 等配置信息，从 MySQL 中将用户 kafka 监控配置提取后，通过 jmx 监控 kafka，写入下游 kafka，再通过另一个 Flink 任务实时监控，同时将这些数据写入 ck，从而展示给用户。

3. Flink SQL 平台化建设

基于 k8s 的 Flink 容器化实现以后，方便了 Flink api 应用的发布，但是对于 Flink SQL 的任务仍然不够便捷。于是平台提供了更加方便的在线编辑发布、SQL 管理等一栈式开发平台。

3.1 Flink SQL 方案

平台的 Flink SQL 方案如上图所示，任务发布系统与元数据管理系统完全解耦。

3.1.1 Flink SQL 任务发布平台化

在实践过程中，结合易用性考虑，做了平台化工作，主操作界面如下图所示:

• Flink SQL 的版本管理，语法校验，拓扑图管理等；

• UDF 通用和任务级别的管理，支持用户自定义 UDF；

• 提供参数化的配置界面，方便用户上线任务。

3.1.2 元数据管理

平台在 1.11 之前通过构建自己的元数据管理系统 UDM，MySQL 存储 kafka，redis 等 schema，通过自定义 catalog 打通 Flink 与 UDM，从而实现元数据管理。1.11 之后，Flink 集成 hive 逐渐完善，平台重构了 FlinkSQL 框架，通过部署一个 SQL - gateway service 服务，中间调用自己维护的 SQL - client jar 包，从而与离线元数据打通，实现了实时离线元数据统一，为之后的流批一体做好工作。在元数据管理系统创建的 Flink 表操作界面如下所示，创建 Flink 表的元数据，持久化到 hive 里，Flink SQL 启动时从 hive 里读取对应表的 table schema 信息。

3.2 Flink SQL 相关实践

平台对于官方原生支持或者不支持的 connector 进行整合和开发，镜像和 connector，format 等相关依赖进行解耦，可以快捷的进行更新与迭代。

3.2.1 FLINK SQL 相关实践

• connector 层，现阶段平台支持官方支持的 connector，并且构建了 redis，kudu，clickhouse，vms，vdp 等平台内部的 connector。平台构建了内部的 pb format，支持 protobuf 实时清洗数据的读取。平台构建了 kudu，vdp 等内部 catalog，支持直接读取相关的 schema，不用再创建 ddl。

• 平台层主要是在 UDF、常用运行参数调整、以及升级 hadoop3。

• runntime 层主要是支持拓扑图执行计划修改、维表关联 keyBy cache 优化等

3.2.2 拓扑图执行计划修改

针对现阶段 SQL 生成的 stream graph 并行度无法修改等问题，平台提供可修改的拓扑预览修改相关参数。平台会将解析后的 FlinkSQL 的 excution plan json 提供给用户，利用 uid 保证算子的唯一性，修改每个算子的并行度，chain 策略等，也为用户解决反压问题提供方法。例如针对 clickhouse sink 小并发大批次的场景，我们支持修改 clickhouse sink 并行度，source 并行度 = 72，sink 并行度 = 24，提高 clickhouse sink tps。

3.2.3 维表关联 keyBy 优化 cache

针对维表关联的情况，为了降低 IO 请求次数，降低维表数据库读压力，从而降低延迟，提高吞吐，有以下几种措施：

• 当维表数据量不大时，通过全量维表数据缓存在本地，同时 ttl 控制缓存刷新的时候，这可以极大的降低 IO 请求次数，但会要求更多但内存空间。

• 当维表数据量很大时，通过 async 和 LRU cache 策略，同时 ttl 和 size 来控制缓存数据的失效时间和缓存大小，可以提高吞吐率并降低数据库的读压力。

• 当维表数据量很大同时主流 qps 很高时，可以开启把维表 join 的 key 作为 hash 的条件，将数据进行分区，即在 calc 节点的分区策略是 hash，这样下游算子的 subtask 的维表数据是独立的，不仅可以提高命中率，也可降低内存使用空间。

优化之前维表关联 LookupJoin 算子和正常算子 chain 在一起。

优化之间维表关联 LookupJoin 算子和正常算子不 chain 在一起，将 join key 作为 hash 策略的 key。采用这种方式优化之后，例如原先 3000W 数据量的维表，10 个 TM 节点，每个节点都要缓存 3000W 的数据，总共需要缓存 3000W * 10 = 3 亿的量。而经过 keyBy 优化之后，每个 TM 节点只需要缓存 3000W / 10 = 300W 的数据量，总共缓存的数据量只有 3000W，大大减少缓存数据量。

3.2.4 维表关联延迟 join

维表关联中，有很多业务场景，在维表数据新增数据之前，主流数据已经发生 join 操作，会出现关联不上的情况。因此，为了保证数据的正确，将关联不上的数据进行缓存，进行延迟 join。

• 最简单的做法是，在维表关联的 function 里设置重试次数和重试间隔，这个方法会增大整个流的延迟，但主流 qps 不高的情况下，可以解决问题。

• 增加延迟 join 的算子，当 join 维表未关联时，先缓存起来，根据设置重试次数和重试间隔从而进行延迟的 join。

4. 应用案例

4.1.实时数仓

4.1.1 实时数据入仓

• 流量数据一级 kafka 通过实时清洗之后，写到二级清洗 kafka，主要是 protobuf 格式，再通过 Flink SQL 写入 hive 5min 表，以便做后续的准实时 ETL，加速 ods 层数据源的准备时间。

• MySQL 业务库的数据，通过 VDP 解析形成 binlog cdc 消息流，再通过 Flink SQL 写入 hive 5min 表。

• 业务系统通过 VMS API 产生业务 kafka 消息流，通过 Flink SQL 解析之后写入 hive 5min 表。支持 string、json、csv 等消息格式。

• 使用 Flink SQL 做流式数据入仓，非常的方便，而且 1.12 版本已经支持了小文件的自动合并，解决了小文件的痛点。

• 我们自定义分区提交策略，当前分区 ready 时候会调一下实时平台的分区提交 api，在离线调度定时调度通过这个 api 检查分区是否 ready。

采用 Flink SQL 统一入仓方案以后，我们可以获得的收益：可解决以前 Flume 方案不稳定的问题，而且用户可自助入仓，大大降低入仓任务的维护成本。提升了离线数仓的时效性，从小时级降低至 5min 粒度入仓。

4.1.2 实时指标计算

• 实时应用消费清洗后 kafka，通过 redis 维表、api 等方式关联，再通过 Flink window 增量计算 UV,持久化写到 Hbase 里。

• 实时应用消费 VDP 消息流之后，通过 redis 维表、api 等方式关联，再通过 Flink SQL 计算出销售额等相关指标，增量 upsert 到 kudu 里，方便根据 range 分区批量查询，最终通过数据服务对实时大屏提供最终服务。

以往指标计算通常采用 Storm 方式，需要通过 api 定制化开发，采用这样 Flink 方案以后，我们可以获得的收益：将计算逻辑切到 Flink SQL 上，降低计算任务口径变化快，修改上线周期慢等问题。切换至 Flink SQL 可以做到快速修改，快速上线，降低维护成本。

4.1.3 实时离线一体化 ETL 数据集成

• Flink SQL 在最近的版本中持续强化了维表 join 的能力，不仅可以实时关联数据库中的维表数据，现在还能关联 Hive 和 Kafka 中的维表数据，能灵活满足不同工作负载和时效性的需求。

• 基于 Flink 强大的流式 ETL 的能力，我们可以统一在实时层做数据接入和数据转换，然后将明细层的数据回流到离线数仓中。

• 我们通过将 presto 内部使用的 HyperLogLog ( 后面简称 HLL ) 实现引入到 Spark UDAF 函数里，打通 HLL 对象在 Spark SQL 与 presto 引擎之间的互通，如 Spark SQL 通过 prepare 函数生成的 HLL 对象，不仅可以在 Spark SQL 里 merge 查询而且可以在 presto 里进行 merge 查询。具体流程如下：

UV 近似计算示例:

Step 1: Spark SQL 生成 HLL 对象

insert overwrite dws_goods_uv partition (dt='${dt}^{\prime },hm{=}^{\prime }${hm}') AS select goods_id, estimate_prepare(mid) as pre_hll from dwd_table_goods group by goods_id where dt = $dtandhm=${hm}

Step 2: Spark SQL 通过 goods_id 维度的 HLL 对象 merge 成品牌维度

insert overwrite dws_brand_uv partition (dt='${dt}^{\prime },hm{=}^{\prime }${hm}') AS select b.brand_id, estimate_merge(pre_hll) as merge_hll from dws_table_brand A left join dim_table_brand_goods B on A.goods_id = B.goods_id where dt = $dtandhm=${hm}

Step 3: Spark SQL 查询品牌维度的 UV

select brand_id, estimate_compute(merge_hll ) as uv from dws_brand_uv where dt = ${dt}

Step 4: presto merge 查询 park 生成的 HLL 对象

select brand_id,cardinality(merge(cast(merge_hll AS HyperLogLog))) uv from dws_brand_uv group by brand_id

所以基于实时离线一体化 ETL 数据集成的架构，我们能获得的收益:

• 统一了基础公共数据源；

• 提升了离线数仓的时效性；

• 减少了组件和链路的维护成本。

4.2 实验平台（Flink 实时数据入 OLAP）

唯品会实验平台是通过配置多维度分析和下钻分析，提供海量数据的 A/B-test 实验效果分析的一体化平台。一个实验是由一股流量（比如用户请求）和在这股流量上进行的相对对比实验的修改组成。实验平台对于海量数据查询有着低延迟、低响应、超大规模数据(百亿级)的需求。整体数据架构如下：

通过 Flink SQL 将 kafka 里的数据清洗解析展开等操作之后，通过 redis 维表关联商品属性，通过分布式表写入到 clickhouse，然后通过数据服务 adhoc 查询。业务数据流如下：

我们通过 Flink SQL redis connector，支持 redis 的 sink 、source 维表关联等操作，可以很方便的读写 redis，实现维表关联，维表关联内可配置 cache ，极大提高应用的 TPS。通过 Flink SQL 实现实时数据流的 pipeline，最终将大宽表 sink 到 CK 里，并按照某个字段粒度做 murmurHash3_64 存储，保证相同用户的数据都存在同一 shard 节点组内，从而使得 ck 大表之间的 join 变成 local 本地表之间的 join,减少数据 shuffle 操作，提升 join 查询效率。

5. 未来规划

5.1 提高 Flink SQL 易用性

当前我们的 Flink SQL 调试起来很有很多不方便的地方，对于做离线 hive 用户来说还有一定的使用门槛，例如手动配置 kafka 监控、任务的压测调优，如何能让用户的使用门槛降低至最低，是一个比较大的挑战。将来我们考虑做一些智能监控告诉用户当前任务存在的问题，尽可能自动化并给用户一些优化建议。

5.2 数据湖 CDC 分析方案落地

目前我们的 VDP binlog 消息流，通过 Flink SQL 写入到 hive ods 层，以加速 ods 层数据源的准备时间，但是会产生大量重复消息去重合并。我们会考虑 Flink + 数据湖的 cdc 入仓方案来做增量入仓。此外，像订单打宽之后的 kafka 消息流、以及聚合结果都需要非常强的实时 upsert 能力，目前我们主要是用 kudu，但是 kudu 集群，比较独立小众，维护成本高，我们会调研数据湖的增量 upsert 能力来替换 kudu 增量 upsert 场景。