大数据计算引擎之Flink源码阅读(1) WordCount

老夫被安排写Flink也有几个月了，虽然一来就是写的FlinkSQL一块的内容，但是写的似乎都忘了Flink的主流那就是流处理了。正好自己的入门项目也不曾做个Flink的WordCount，再加上老夫最近想看看Flink的源码程序了，所以，就拿WordCount来走走Flink的流的流程。学习一下Flink的流处理。

本文参考字自透过源码

先编写程序

/**
 * @author Mr.Sun
 * @version v.1.0
 * @title WordCount
 * @description Flink 学习之WordCount入门
 * @date 2019/12/13 9:15
 */
public class WordCount {
    public static void main(String[] args) throws Exception {
        StreamEnv streamEnv = StreamEnv.builder().enableRestart().setParallelism(1).finish();
        StreamExecutionEnvironment env = streamEnv.getEnv();

        DataStream<String> socketTextStream = env.socketTextStream("hadoop103", 5555);

        socketTextStream.flatMap(new WordFlatMapFunction()).setParallelism(1)
                .keyBy(0)
                .sum(1)
                .print() ;

        env.execute("test");
    }

    private static class WordFlatMapFunction implements FlatMapFunction<String , Tuple2<String,Integer>>{
        @Override
        public void flatMap(String word, Collector<Tuple2<String,Integer>> collector) throws Exception {
            collector.collect(new Tuple2(word , 1));
        }
    }
}

这里的环境获取老夫是提前写了一个单例的，您也可以直接在这里去拿到环境变量。，这里呢，老夫也把简单写的这个单例拿出来：

/**
 * @author Mr.Sun
 * @version v.1.0
 * @title StreamEnv
 * @description
 * @date 2019/12/13 9:09
 */
public class StreamEnv {
    private final StreamExecutionEnvironment env;
    private StreamTableEnvironment tableEnv;
    private Builder builder ;

    private StreamEnv(Builder builder) {
        env = StreamExecutionEnvironment.getExecutionEnvironment();
        if (builder.RESTART){
            env.setRestartStrategy(RestartStrategies.failureRateRestart(
                    3,
                    Time.of(5, TimeUnit.MINUTES),
                    Time.of(10,TimeUnit.SECONDS)
            ));
        }
        if (builder.parallelism != null ){
            env.setParallelism(builder.parallelism);
        }
        env.enableCheckpointing(1000 , CheckpointingMode.EXACTLY_ONCE) ;

        this.builder = builder ;
    }

    public StreamExecutionEnvironment getEnv() {
        return env;
    }

    public StreamTableEnvironment getTableEnv() {
        if(tableEnv == null) {
            tableEnv = StreamTableEnvironment.create(env);
        }
        return tableEnv;
    }
    public static Builder builder() {
        return new Builder();
    }
    public static class Builder{
        private boolean RESTART = false ;
        private Integer parallelism ;

        public Builder enableRestart(){
            this.RESTART = true ;
            return this ;
        }
        public Builder setParallelism(int parallelism){
            this.parallelism = parallelism ;
            return this ;
        }

        public StreamEnv finish(){
            return new StreamEnv(this) ;
        }
    }

程序写好了，我们便在 hostname为hadoop103上开启我们的服务：

1	nc -l 5555

随后输入我们的word,可以看到我们的结果：

跟进程序，从环境开始

程序的启动从这句开始：

1	env = StreamExecutionEnvironment.getExecutionEnvironment();

这会返回一个我们Flink的流的执行环境，如果要返回批的执行环境就是如下：

1	env = ExecutionEnvironment.getExecutionEnvironment();

所谓的执行环境是针对整个Flink的程序的执行上下文的，在环境中会存在一些配置，例如，老夫这里设置的是否开启失败重启策略？是否设置多并行度等等，我们可以进去看看这个环境里面给我们哪些信息：

这是可以清除的看到，我们的StreamExecutionEnvironment在流中是一个父类，子类包括 LocalStreamEnvironment,RemoteStreamEnvironment,StreamPlanEnvironment,StreamContextEnvironment.

这张图给出了StreamExecutionEnvironment里面的方法，参数，配置等基本信息，图有点小，建议您自己去看看源码。
对于分布式流处理程序来说，我们在代码中定义了如：flatMap(),keyBy,sum()等，事实是是一种可以理解为声明的方式，旨在告诉我们程序，这里我使用了flatMap()算子，但是真正启动计算的代码不在这里，我们的Flink是一个懒加载过程，所以必须要有：env.execute() 去执行我们的Flink程序。由于我们是在本地运行程序，因此这里会返回一个LocalStreamEnvironment。

算子(Operator)的注册声明

上面老夫使用的算子，第一个就是 flatMap(new WordFlatMapFunction())的，我们跟进去一看便知:

public <R> SingleOutputStreamOperator<R> flatMap(FlatMapFunction<T, R> flatMapper) {

    TypeInformation<R> outType = TypeExtractor.getFlatMapReturnTypes(clean(flatMapper),
            getType(), Utils.getCallLocationName(), true);
    return flatMap(flatMapper, outType);
}
public <R> SingleOutputStreamOperator<R> flatMap(FlatMapFunction<T, R> flatMapper, TypeInformation<R> outputType) {
    return transform("Flat Map", outputType, new StreamFlatMap<>(clean(flatMapper)));

}

我们可以看到，这里首先是先拿到了一个flatMap算子的输出类型 outType然后又生成了一个Operator，这也符合Flink的流式计算的核心概念了。就是所谓的链式处理。数据流从一输入流一个个传递给Operator进行链式处理，最后到我们的输出。针对数据流的每一次处理就是一次 operator,这里 operator之间还可以组成一个chain来处理。
Flink如何看待用户的处理流程呢？官网有这么一个介绍：

抽象下来就是：

关于这里面的算子，我们看这个图，就可以知道 DataStreamSource -> SingleOutputStreamOperator -> DataStream的关系，以及相关的算子方法。

程序的执行

前面有提到所谓的算子只是一个声明，不代表你声明了就会去执行，Flink的执行与Spark相同，都属于那种懒加载的方式，所以我们需要自己去开启Flink程序的执行。

1 2	// 这里的参数，是我们的JobName env.execute("test");

这里的源码看的有点蒙：看下源码

public JobExecutionResult execute(String jobName) throws Exception {
    Preconditions.checkNotNull(jobName, "Streaming Job name should not be null.");

    return execute(getStreamGraph(jobName));
}

我既然给了一个jobName , 为什么还要去检查这个jobName是否为空呢？纠结

本地模式下的execute方法

这行代码主要做这几件事：

生成StreamGraph，表示流拓扑的类。它包含为执行建立作业图所需的所有信息。
生成JobGraph，这个图是要交给Flink去生成Task的图
生成一系列的配置
将JobGraph和配置交给Flink集群去运行，本地运行会为我们生成一个最小的集群环境，也就是我们的本地环境，如果不是本地运行的话，还会把JAR文件通过网络发给其他节点；
以本地模式运行的话，可以看到启动过程，如启动性能度量，WEB模块，JobManager,ResourceManager,TaskManager等
启动任务，值得一提的是在启动任务之前，先启动了一个用户类加载器，这个类加载器可以用来做一些在运行时动态加载类的工作。

远程模式下(RemoteEnvironment) 的execute()方法

这里老夫还没有跟进看，就看别人写的吧

远程模式的程序执行更加有趣一点。第一步仍然是获取StreamGraph，然后调用executeRemotely方法进行远程执行。该方法首先创建一个用户代码加载器:

1	ClassLoader usercodeClassLoader = JobWithJars.buildUserCodeClassLoader(jarFiles, globalClasspaths, getClass().getClassLoader());

然后创建一系列配置，交给Client对象：

    ClusterClient client;
 try{
     client = new StandaloneClusterClient(configuration);
     client.setPrintStatusDuringExecution(getConfig().isSysoutLoggingEnabled());
    }
}
 try{
     return client.run(streamGraph,jarFiles,globalClasspaths,usercodeClassLoader).getJobExecutionResult();
 }

client 方法首先生成一个 JobGraph，然后传递给JobClient.关于Client、JobClient、JobManager到底谁管谁，可以看这个：

确切的说，JobClient负责以异步的方式和JobManager通信(Actor是scala的异步模块)，具体的通信任务有JobClientActor完成。相对应的，JobManager的通信任务也有一个Actor完成。

JobListeningContext jobListeningContext = submitJob(actorSystem,
                                                   config,                                   highAvailabilityServices,
                                                   jobGraph,
                                                   timeout,
                                                   sysoutLogUpdates,
                                                   classLoader);

    return awaitJobResult(jobListeningContext);

可以看到，该方法阻塞在awaitJobResult方法上，并最终返回了一个JobListeningContext，透过这个Context可以得到程序运行的状态和结果.

两种环境基本就是这样子的，现在我们的程序执行了execute()，跟进看一下：

public JobExecutionResult execute(StreamGraph streamGraph) throws Exception {
        // 这里生成一个JobGraph
        JobGraph jobGraph = streamGraph.getJobGraph();
        jobGraph.setAllowQueuedScheduling(true);
        // 生成配置文件
        Configuration configuration = new Configuration();
        configuration.addAll(jobGraph.getJobConfiguration());
        configuration.setString(TaskManagerOptions.MANAGED_MEMORY_SIZE, "0");
        // add (and override) the settings with what the user defined
        configuration.addAll(this.configuration);

        if (!configuration.contains(RestOptions.BIND_PORT)) {
            configuration.setString(RestOptions.BIND_PORT, "0");
        }

        int numSlotsPerTaskManager = configuration.getInteger(TaskManagerOptions.NUM_TASK_SLOTS, jobGraph.getMaximumParallelism());
        // 生成一个最小的cluster配置
        MiniClusterConfiguration cfg = new MiniClusterConfiguration.Builder()
            .setConfiguration(configuration)
            .setNumSlotsPerTaskManager(numSlotsPerTaskManager)
            .build();

        if (LOG.isInfoEnabled()) {
            LOG.info("Running job on local embedded Flink mini cluster");
        }
        // 提交到最小的cluster去执行程序
        MiniCluster miniCluster = new MiniCluster(cfg);

        try {
            // 启动集群，包括启动JobMaster，进行leader选举等等
            miniCluster.start();
            configuration.setInteger(RestOptions.PORT, miniCluster.getRestAddress().get().getPort());
            // 提交任务到JobMaster
            return miniCluster.executeJobBlocking(jobGraph);
        }
        finally {
            transformations.clear();
            miniCluster.close();
        }
    }

我们再看一下这个提交JobMaster的方法，跟进去看一下：

public JobExecutionResult executeJobBlocking(JobGraph job) throws JobExecutionException, InterruptedException {
    Preconditions.checkNotNull(job, "job is null");
    // 在这里，我们提交了我们的jobMaster
    CompletableFuture<JobSubmissionResult> submissionFuture = this.submitJob(job);
    CompletableFuture jobResultFuture = submissionFuture.thenCompose((ignored) -> {
        return this.requestJobResult(job.getJobID());
    });

    JobResult jobResult;
    try {
        jobResult = (JobResult)jobResultFuture.get();
    } catch (ExecutionException var7) {
        throw new JobExecutionException(job.getJobID(), "Could not retrieve JobResult.", ExceptionUtils.stripExecutionException(var7));
    }

    try {
        return jobResult.toJobExecutionResult(Thread.currentThread().getContextClassLoader());
    } catch (ClassNotFoundException | IOException var6) {
        throw new JobExecutionException(job.getJobID(), var6);
    }
}

现在找到了这个提交的方法 submitJob(),我们再进去瞅瞅：

public CompletableFuture<JobSubmissionResult> submitJob(JobGraph jobGraph) {
    CompletableFuture<DispatcherGateway> dispatcherGatewayFuture = this.getDispatcherGatewayFuture();
    jobGraph.setAllowQueuedScheduling(true);
    CompletableFuture<InetSocketAddress> blobServerAddressFuture = this.createBlobServerAddress(dispatcherGatewayFuture);
    CompletableFuture<Void> jarUploadFuture = this.uploadAndSetJobFiles(blobServerAddressFuture, jobGraph);
    CompletableFuture<Acknowledge> acknowledgeCompletableFuture = jarUploadFuture.thenCombine(dispatcherGatewayFuture, (ack, dispatcherGateway) -> {
        // 这里就是提交吧
        return dispatcherGateway.submitJob(jobGraph, this.rpcTimeout);
    }).thenCompose(Function.identity());
    return acknowledgeCompletableFuture.thenApply((ignored) -> {
        return new JobSubmissionResult(jobGraph.getJobID());
    });
}