大数据培训 Flink 整合 ElasticSearch

​

一、ElasticSearchSink 介绍

在使用 Flink 进行数据的处理的时候，一个必要步骤就是需要将计算的结果进行存储或导出，Flink 中这个过程称为 Sink，官方我们提供了常用的几种 Sink Connector，例如:

Apache Kafka

Elasticsearch

Elasticsearch 2x

Hadoop FileSystem

…

这篇就选取其中一个常用的 ElasticsearchSink 来进行介绍，并讲解一下生产环境中使用时的一些注意点，以及其内部实现机制。

二、使用方式

1. 添加 pom 依赖

<dependency>

<groupId>org.apache.flink</groupId>

<artifactId>flink-connector-elasticsearch2_2.10</artifactId>

<version>1.3.1</version>

</dependency>

根据自己所用的 filnk 版本以及 es 版本对上面的版本号进行调整

2. 实现对应代码

DataStream<String> input = ...;

Map<String, String> config = new HashMap<>();

config.put("cluster.name", "my-cluster-name");

//该配置表示批量写入 ES 时的记录条数

config.put("bulk.flush.max.actions", "1");

List<InetSocketAddress> transportAddresses = new ArrayList<>();

transportAddresses.add(new InetSocketAddress(InetAddress.getByName("127.0.0.1"), 9300));

transportAddresses.add(new InetSocketAddress(InetAddress.getByName("10.2.3.1"), 9300));

input.addSink(new ElasticsearchSink<>(config, transportAddresses, new ElasticsearchSinkFunction<String>() {

public IndexRequest createIndexRequest(String element) {

Map<String, String> json = new HashMap<>();

//将需要写入 ES 的字段依次添加到 Map 当中

json.put("data", element);

return Requests.indexRequest()

.index("my-index")

.type("my-type")

.source(json);

}

@Override

public void process(String element, RuntimeContext ctx, RequestIndexer indexer) {

indexer.add(createIndexRequest(element));

}

}));

扩展配置

经过上面的代码已经实现了一个基础版的 EsSink，但是上述代码当 ES 集群出现波动的时候，由于不具备重试机制则有可能出现丢数据的情况。生产环境中为了实现数据完整性，我们需要添加一些失败重试配置，来实现写入失败情况下的容错处理，常用的失败重试配置有:

//1、用来表示是否开启重试机制

config.put("bulk.flush.backoff.enable", "true");

//2、重试策略，又可以分为以下两种类型

//a、指数型，表示多次重试之间的时间间隔按照指数方式进行增长。eg:2 -> 4 -> 8 ...

config.put("bulk.flush.backoff.type", "EXPONENTIAL");

//b、常数型，表示多次重试之间的时间间隔为固定常数。eg:2 -> 2 -> 2 ...

config.put("bulk.flush.backoff.type", "CONSTANT");

//3、进行重试的时间间隔。对于指数型则表示起始的基数

config.put("bulk.flush.backoff.delay", "2");

//4、失败重试的次数

config.put("bulk.flush.backoff.retries", "3");

其他的一些配置:

bulk.flush.max.actions: 批量写入时的最大写入条数 bulk.flush.max.size.mb: 批量写入时的最大数据量 bulk.flush.interval.ms: 批量写入的时间间隔，配置后则会按照该时间间隔严格执行，无视上面的两个批量写入配置_大数据培训

三、失败处理器

写入 ES 的时候很多时候由于 ES 集群队列满了，或者节点挂掉，经常会导致写入操作执行失败。考虑到这样的失败写入场景，EsSink 为用户提供了失败处理器机制，创建 Sink 对象的时候，同时可以传入一个失败处理器，一旦出现写入失败的情况则会回调所传入的处理器用于错误恢复。具体的用法为:

DataStream<String> input = ...;

input.addSink(new ElasticsearchSink<>(

config, transportAddresses,

new ElasticsearchSinkFunction<String>() {...},

new ActionRequestFailureHandler() {

@Override

void onFailure(ActionRequest action,

Throwable failure,

int restStatusCode,

RequestIndexer indexer) throw Throwable {

if (ExceptionUtils.containsThrowable(failure, EsRejectedExecutionException.class)) {

// 将失败请求继续加入队列，后续进行重试写入

indexer.add(action);

} else if (ExceptionUtils.containsThrowable(failure, ElasticsearchParseException.class)) {

// 添加自定义的处理逻辑

} else {

throw failure;

}

}

}));

如果仅仅只是想做失败重试，也可以直接使用官方提供的默认的 RetryRejectedExecutionFailureHandler，该处理器会对 EsRejectedExecutionException 导致到失败写入做重试处理。

四、其他注意点

1. EsSink 代码块不能使用 try-catch-Exception 来捕捉

之前在使用 EsSink 的时候，为了防止某次写入失败造成程序中断，对 ElasticsearchSinkFunction 的 process() 方法使用 try-catch-exception 语句块进行了捕捉，但实际运行的时候发现程序跑着跑着还是被一个 EsRejectedException 异常中断掉了。让人奇怪的是明明对异常进行了捕捉，为什么这个异常还是能够抛出来，下来通过查看源码发现，如果在初始化 EsSink 对象的时候没有传入 ActionRequestFailureHandler 则会使用默认的 ActionRequestFailureHandler ，这个处理器的源码如下:

public class NoOpFailureHandler implements ActionRequestFailureHandler {

private static final long serialVersionUID = 737941343410827885L;

@Override

public void onFailure(ActionRequest action, Throwable failure, int restStatusCode, RequestIndexer indexer) throws Throwable {

// 这里抛出的是一个 throwable

throw failure;

}

可以看到，在发生异常的时候，默认的处理器会将异常包装成一个 Throw 对象抛出，这就是直接使用 try-Exception 无法捕捉到的原因。

解决方法:

• 实现自己的失败处理器消化掉异常

• 使用 throw 来捕捉异常

该问题一定要重点注意，负责会导致实时任务终止掉！

2. 失败重试机制依赖于 checkpoint

如果想要使用 EsSink 的失败重试机制，则需要通过 env.enableCheckpoint() 方法来开启 Flink 任务对 checkpoint 的支持，如果没有开启 checkpoint 机制的话，则失败重试策略是无法生效的。这个是通过跟踪 ElasticsearchSinkBase 类源码的时候发现的，核心的代码如下:

@Override

public void initializeState(FunctionInitializationContext context) throws Exception {

// no initialization needed

}

@Override

public void snapshotState(FunctionSnapshotContext context) throws Exception {

checkErrorAndRethrow();

//如果没有开启 checkPoint 机制，则该变量为 false，也就导致下面的 flush 重试代码不会执行到

if (flushOnCheckpoint) {

do {

//失败重试的时机是发生在程序在打 checkpoint 的时候

bulkProcessor.flush();

checkErrorAndRethrow();

} while (numPendingRequests.get() != 0);

}

}

3. 总结

可以通过第二点贴出的源码发现，虽然 EsSink 实现了 CheckpointedFunction 接口,并且重写了 checkPoint 的相关方法，但其并没有墨守成规的利用 checkpoint 定义的那样利用 State 机制用于故障恢复。而是利用了 checkpoint 的空壳，定时执行的框架来实现了自己的一套失败重试机制。

文章转载来源于大数据技术与架构