Flink 生态：Pulsar Connector 机制剖析

关注
发布于: 2020 年 07 月 18 日
Apache Pulsar 是 Yahoo 开源的下一代分布式消息系统，在2018年9月从 Apache 软件基金会毕业成为顶级项目。Pulsar 特有的分层分片的架构，在保证大数据消息流系统的性能和吞吐量的同时，也提供了高可用性、高可扩展性和易维护性。
﻿
分片架构将消息流数据的存储粒度从分区拉低到了分片，以及相应的层级化存储，使 Pulsar 成为 unbounded streaming data storage 的不二之选。这使得 Pulsar 可以更完美地匹配和适配 Flink 的批流一体的计算模式。
﻿
1. Pulsar 简介﻿
1.1 特点﻿
随着开源后，各行业企业可以根据不同需求，为 Pulsar 赋予更丰富的功能，所以目前它也不再只是中间件的功能，而是慢慢发展成为一个 Event Streaming Platform（事件流处理平台），具有 Connect（连接）、Store（存储）和 Process（处理）功能。
﻿
■ Connect﻿
在连接方面，Pulsar 具有自己单独的 Pub/Sub 模型，可以同时满足 Kafka 和 RocketMQ 的应用场景。同时 Pulsar IO 的功能，其实就是 Connector，可以非常方便地将数据源导入到 Pulsar 或从 Pulsar 导出等。
﻿
另外，在Pulsar 2.5.0 中，我们新增了一个重要机制：Protocol handler。这个机制支持在 broker 自定义添加额外的协议支持，可以保证在不更改原数据库的基础上，也能享用 Pulsar 的一些高级功能。所以 Pulsar 也延展出比如：KoP、ActiveMQ、Rest 等。
﻿
■ Store﻿
Pulsar 提供了可以让用户导入的途径后就必然需要考虑在 Pulsar 上进行存储。Pulsar 采用的是分布式存储，最开始是在 Apache BookKeeper 上进行。后来添加了更多的层级存储，通过 JCloud 和 HDFS 等多种模式进行存储的选择。当然，层级存储也受限于存储容量。
﻿
■ Process﻿
Pulsar 提供了一个无限存储的抽象，方便第三方平台进行更好的批流融合的计算。即 Pulsar 的数据处理能力。Pulsar 的数据处理能力实际上是按照你数据计算的难易程度、实效性等进行了切分。
﻿
目前 Pulsar 包含以下几类集成融合处理方式：
﻿
Pulsar Function：Pulsar 自带的函数处理，通过不同系统端的函数编写，即可完成计算并运用到 Pulsar 中。
Pulsar-Flink connector 和 Pulsar-Spark connector：作为批流融合计算引擎，Flink 和 Spark 都提供流计算的机制。如果你已经在使用他们了，那恭喜你。因为 Pulsar 也全部支持这两种计算，无需你再进行多余的操作了。
Presto (Pulsar SQL)：有的朋友会在应用场景中更多的使用 SQL，进行交互式查询等。Pulsar 与 Presto 有很好的集成处理，可以用 SQL 在 Pulsar 进行处理。
﻿
ͼƬ1.png
﻿
1.2 订阅模型﻿
从使用来看，Pulsar 的用法与传统的消息系统类似，是基于发布-订阅模型的。使用者被分为生产者（Producer）和消费者（Consumer）两个角色，对于更具体的需求，还可以以 Reader 的角色来消费数据。用户可以以生产者的身份将数据发布在特定的主题之下，也可以以消费者的身份订阅（Subscription）特定的主题，从而获取数据。在这个过程中，Pulsar 实现了数据的持久化与数据分发，Pulsar 还提供了Schema 功能，能够对数据进行验证。
﻿
如下图所示，Pulsar 里面有几种订阅模式：
﻿
独占订阅（Exclusive）
故障转移订阅（Failover）
共享订阅(Shared)
Key保序共享订阅（Key_shared）
﻿
ͼƬ2.png
﻿
ͼƬ3.png
﻿
Pulsar 里的主题分成两类，一类是分区主题（Partitioned Topic），一类是非分区主题（Not Partitioned Topic)。
﻿
分区主题实际上是由多个非分区主题组成的。主题和分区都是逻辑上的概念，我们可以把主题看作是一个大的无限的事件流，被分区切分成几条小的无限事件流。
﻿
而对应的，在物理上，Pulsar 采用分层结构。每一条事件流存储在一个 Segment 中，每个Segment 包括了许多个Entry，Entry 里面存放的才是用户发送过来的一条或多条消息实体。
﻿
Message 是 Entry 中存放的数据，也是 Pulsar 中消费者消费一次获得的数据。Message 中除了包括字节流数据，还有 Key 属性，两种时间属性和 MessageId 以及其他信息。MessageId 是消息的唯一标识，包括了ledger-id、entry-id、 batch-index、 partition-index 的信息，如下图，分别记录了消息在Pulsar 中的Segment、Entry、Message、Partition 存储位置， 因此也可以据此从物理上找到Message的信息内容。
﻿
ͼƬ4.png
﻿
2. Pulsar 架构﻿
一个 Pulsar 集群由 Brokers 集群和 Bookies 集群组成。Brokers 之间是相互独立的，负责向生产者和消费者提供关于某个主题的服务。Bookies 之间也是相互独立的，负责存储 Segment 的数据，是消息持久化的地方。为了管理配置信息和代理信息，Pulsar 还借助了 Zookeeper 这个组件，Brokers 和 Bookies 都会在 zookeeper 上注册，下面从消息的具体读写路径（见下图）来介绍 Pulsar 的结构。
﻿
ͼƬ5.png
﻿
ͼƬ6.png
﻿
在写路径中，生产者创建并发送一条消息到主题中，该消息可能会以某种算法（比如Round robin）被路由到一个具体的分区上，Pulsar 会选择一个Broker 为这个分区服务，该分区的消息实际会被发送到这个 Broker上。当Broker 拿到一条消息，它会以 Write Quorum (Qw)的方式将消息写入到 Bookies 中。当成功写入到 Bookies 的数量达到设定时，Broker 会收到完成通知，并且 Broker 也会返回通知生产者写入成功。
﻿
在读路径中，消费者首先要发起一次订阅，之后才能与主题对应的 Broker 进行连接，Broker 从 Bookies 请求数据并发送给消费者。当数据接受成功，消费者可以选择向 Broker 发送确认信息，使得 Broker 能够更新消费者的访问位置信息。前面也提到，对于刚写入的数据，Pulsar 会存储在缓存中，那么就可以直接从 Brokers 的缓存中读取了，缩短了读取路径。
﻿
Pulsar 将存储与服务相分离，实现了很好的可拓展性，在平台层面，能够通过调整Bookies 的数量来满足不同的需求。在用户层面，只需要跟 Brokers 通信，而Brokers 本身被设计成没有状态的，当某个 Broker 因故障无法使用时，可以动态的生成一个新的 Broker 来替换。
﻿
3. Pulsar Connector 内部机制﻿
首先，Pulsar Connector 在使用上是比较简单的，由一个 Source 和一个 Sink 组成，source 的功能就是将一个或多个主题下的消息传入到 Flink 的Source中，Sink的功能就是从 Flink 的 Sink 中获取数据并放入到某些主题下，在使用方式上，如下所示，与 Kafa Connector 很相似，使用时需要设置一些参数。
﻿
StreamExecutionEnvironment see = StreamExecutionEnvironment.getExecutionEnvironment(); Properties props = new Properties(); 
props.setProperty("topic", "test-source-topic") FlinkPulsarSource<String> source = new FlinkPulsarSource<>(
              serviceUrl, 
              adminUrl, 
              new SimpleStringSchema(), 
              props); 
DataStream<String> stream = see.addSource(source);
﻿
FlinkPulsarSink<Person> sink = 
      new FlinkPulsarSink(
              serviceUrl, 
              adminUrl, 
              Optional.of(topic), // mandatory target topic 
              props, 
              TopicKeyExtractor.NULL, // replace this to extract key or topic for each record
              Person.class); 
stream.addSink(sink);
﻿
现在介绍 Kulsar Connector 一些特性的实现机制。
﻿
3.1 精确一次﻿
因为 Pulsar 中的 MessageId 是全局唯一且有序的，与消息在 Pulsar 中的物理存储也对应，因此为了实现 Exactly Once，Pulsar Connector 借助 Flink 的 Checkpoint 机制，将 MessageId 存储到 Checkpoint。
﻿
对于连接器的 Source 任务，在每次触发 Checkpoint 的时候，会将各个分区当前处理的 MessageId 保存到状态存储里面，这样在任务重启的时候，每个分区都可以通过 Pulsar 提供的 Reader seek 接口找到 MessageId 对应的消息位置，然后从这个位置之后读取消息数据。
﻿
通过 Checkpoint 机制，还能够向存储数据的节点发送数据使用完毕的通知，从而能准确删除过期的数据，做到存储的合理利用。
﻿
3.2 动态发现﻿
考虑到Flink中的任务都是长时间运行的，在运行任务的过程中，用户也许会需要动态的增加部分主题或者分区，Pulsar Connector 提供了自动发现的解决方案。
﻿
Pulsar 的策略是另外启动一个线程，定期的去查询设定的主题是否改变，分区有没有增删，如果发生了新增分区的情况，那么就额外创建新的Reader 任务去完成主题下的数据的反序列化，当然如果是删除分区，也会相应的减少读取任务。
﻿
3.3 结构化数据﻿
在读取主题下的数据的过程中，我们可以将数据转化成一条条结构化的记录来处理。Pulsar 支持 Avro schema and avro/json/protobuf Message 格式类型的数据转化成 Flink 中的 Row格式数据。对于用户关心的元数据，Pulsar 也在 Row 中提供了对应的元数据域。
﻿
另外，Pulsar 基于 Flink 1.9 版本进行了新的开发，支持 Table API 和 Catalog，Pulsar 做了一个简单的映射，如下图所示，将 Pulsar 的租户/命名空间对应到 Catalog 的数据库，将主题对应为库中的具体表。
﻿
ͼƬ7.png
﻿
4. 未来规划﻿
首先，之前提到 Pulsar 将数据存储在 Bookeeper 中，还可以导入到 Hdfs 或者 S3 这样的文件系统中，但对于分析型应用来说，我们往往只关心所有数据中每条数据的部分属性，因此采用列存储的方式对 IO 和网络都会有性能提升，Pulsar 也在尝试在Segment 中以列的方式存储。
﻿
其次，在原来的读路径中，不管是 Reader 还是Comsumer，都需要通过 Brokers 来传递数据。如果采用新的 Bypass Broker方式，通过查询元数据，就能直接找到每条 Message 存储的 Bookie 位置，这样可以直接从 Bookie 读取数据，缩短读取路径，从而提升效率。
﻿
最后，Pulsar 相对 Kafka 来说，由于数据在物理上是存放在一个个 Segment 中的，那么在读取的过程中，通过提高并行化的方式，建立多线程同时读取多个 Segment，就能够提升整个作业的完成效率，不过这也需要你的任务自身对每个Topic 分区的访问顺序没有严格要求，并且对于新产生的数据，是不保存在 Segement 的，还是需要做缓存的访问来获取数据，因此，并行读取将成为一个可选项，为用户提供更多的选择方案。
﻿