如何編寫Flink Job主程序

這篇文章主要介紹“如何編寫Flink Job主程序”，在日常操作中，相信很多人在如何編寫Flink Job主程序問題上存在疑惑，小編查閱了各式資料，整理出簡單好用的操作方法，希望對大家解答”如何編寫Flink Job主程序”的疑惑有所幫助！接下來，請跟著小編一起來學習吧！

一、Flink 實時應用場景

目前看來，Flink 在實時計算領域內的主要應用場景主要可分為四類場景， 分別是實時數據同步、流式 ETL、實時數據分析和復雜事件處理。

二、實時數據體系架構

實時數據體系大致分為三類場景：流量類、業務類和特征類，這三種場景各有不同。

在數據模型上，流量類是扁平化的寬表，業務數倉更多是基于范式的建模，特征數據是 KV 存儲;
從數據來源區分，流量數倉的數據來源一般是日志數據，業務數倉的數據來源是業務 binlog 數據，特征數倉的數據來源則多種多樣;
從數據量而言，流量和特征數倉都是海量數據，每天十億級以上，而業務數倉的數據量一般每天百萬到千萬級;
從數據更新頻率而言，流量數據極少更新，則業務和特征數據更新較多，流量數據一般關注時序和趨勢，業務數據和特征數據關注狀態變更;
在數據準確性上，流量數據要求較低，而業務數據和特征數據要求較高。

1、實時數據體系整體架構

實時數據架構體系建設思路
整個實時數據體系架構分為五層，分別是接入層，存儲層，計算層、平臺層和應用層，上圖只是整體架構的概要圖，每一層具體要做的事情，接下來通過文字來詳述。

1)接入層：該層利用各種數據接入工具收集各個系統的數據，包括 binlog 日志、埋點日志、以及后端服務日志，數據會被收集到 Kafka 中;這些數據不只是參與實時計算，也會參與離線計算，保證實時和離線的原始數據是統一的;

2)存儲層：該層對原始數據、清洗關聯后的明細數據進行存儲，基于統一的實時數據模型分層理念，將不同應用場景的數據分別存儲在 Kafka、HDFS、Kudu、 Clickhouse、Hbase、Redis、Mysql 等存儲引擎中，各種存儲引擎存放的具體的數據類型在實時數據模型分層部分會詳細介紹;

3)計算層：計算層主要使用 Flink、Spark、Presto 以及 ClickHouse 自帶的計算能力等四種計算引擎，Flink 計算引擎主要用于實時數據同步、 流式 ETL、關鍵系統秒級實時指標計算場景，Spark SQL 主要用于復雜多維分析的準實時指標計算需求場景，Presto 和 ClickHouse 主要滿足多維自助分析、對查詢響應時間要求不太高的場景;

4)平臺層：在平臺層主要做三個方面的工作，分別是對外提供統一查詢服務、元數據及指標管理、數據質量及血緣;

5)應用層：以統一查詢服務對各個業務線數據場景進行支持，業務主要包括實時大屏、實時數據產品、實時 OLAP、實時特征等。

其中，平臺層詳細工作如下：

統一查詢服務支持從底層明細數據到聚合層數據的查詢，支持以SQL化方式查詢Redis、Hbase等KV存儲中的數據;
元數據及指標管理：主要對實時的Kafka表、Kudu表、Clickhouse表、Hive表等進行統一管理，以數倉模型中表的命名方式規范表的命名，明確每張表的字段含義、使用方，指標管理則是盡量通過指標管理系統將所有的實時指標統一管理起來，明確計算口徑，提供給不同的業務方使用;
數據質量及血緣分析：數據質量分為平臺監控和數據監控兩個部分，血緣分析則主要是對實時數據依賴關系、實時任務的依賴關系進行分析。
平臺監控部分一是對任務運行狀態進行監控，對異常的任務進行報警并根據設定的參數對任務進行自動拉起與恢復，二是針對 Flink 任務要對 Kafka 消費處理延遲進行監控并實時報警。
數據據監控則分為兩個部分：

首先流式 ETL 是整個實時數據流轉過程中重要的一環，ETL 的過程中會關聯各種維表，實時關聯時，定時對沒有關聯上的記錄上報異常日志到監控平臺，當數量達到一定閾值時觸發報警;
其次，部分關鍵實時指標采用了 lambda 架構，因此需要對歷史的實時指標與離線 hive 計算的數據定時做對比，提供實時數據的數據質量監控，對超過閾值的指標數據進行報警。
為了配合數據監控，需要做實時數據血緣，主要是梳理實時數據體系中數據依賴關系，以及實時任務的依賴關系，從底層ODS 到 DW 再到 DM，以及 DM 層被哪些模型用到， 將整個鏈條串聯起來，這樣做在數據/任務主動調整時可以通知關聯的下游，指標異常時借助血緣定位問題，同時基于血緣關系的分析，我們也能評估數據的應用價值，核算數據的計算成本。

2、實時數據模型分層

實時數據架構體系建設思路
離線數倉考慮到效率問題，一般會采取空間換時間的方式，層級劃分會比較多;實時數倉考慮到實時性問題，分層則越少越好，另外也減少了中間流程出錯的可能性，因此將其分為四層。

1)ODS 層

操作數據層，保存原始數據，對非結構化的數據進行結構化處理，輕度清洗，幾乎不刪除原始數據。

該層的數據主要來自業務數據庫的 binlog 日志、埋點日志和應用程序日志。

對于 binlog 日志通過 canal 監聽，寫到消息隊列 Kafka 中，對應于埋點和應用程序日志，則通過 Filebeat 采集 nginx 和 tomcat 日志，上報到Kafka 中。

除了存儲在 Kafka 中，同時也會對業務數據庫的 binlog 日志通過 Flink 寫入 HDFS、Kudu 等存儲引擎，落地到 5min Hive 表，供查詢明細數據，同時也提供給離線數倉，做為其原始數據;另外，對于埋點日志數據，由于 ODS 層是非結構化的，則沒有必要落地。

2)DWD 層

實時明細數據層，以業務過程作為建模驅動，基于每個具體的業務過程特點，構建最細粒度的明細層事實表;可以結合企業的數據使用特點，將明細事實表的某些重要維度屬性字段做適當冗余，也即寬表化處理。

該層的數據來源于 ODS 層，通過簡單的 Streaming ETL 后得到，對于 binlog 日志的處理主要進行簡單的數據清洗、處理數據漂移，以及可能對多個 ODS 層的表進行 Streaming Join，對流量日志主要是做一些通用ETL 處理，將非結構化的數據結構化，關聯通用的維度字段。

該層的數據存儲在消息隊列 Kafka 中，同時也會用 Flink 實時寫入 Hive 5min 表，供查詢明細數據，同時要提供給離線數倉，做為其原始數據。

3)DIM 層

公共維度層，基于維度建模理念思想，建立整個業務過程的一致性維度，降低數據計算口徑和算法不統一風險。

DIM 層數據來源于兩部分：一部分是Flink程序實時處理ODS層數據得到，另外一部分是通過離線任務出倉得到。

DIM 層維度數據主要使用 MySQL、Hbase、Redis 三種存儲引擎，對于維表數據比較少的情況可以使用 MySQL，對于單條數據大小比較小，查詢 QPS 比較高的情況，可以使用 Redis 存儲，降低機器內存資源占用，對于數據量比較大，對維表數據變化不是特別敏感的場景，可以使用HBase 存儲。

4)DM 層

①數據集市層

以數據域+業務域的理念建設公共匯總層，對于DM層比較復雜，需要綜合考慮對于數據落地的要求以及具體的查詢引擎來選擇不同的存儲方式，分為輕度匯總層和高度匯總層，同時產出，高度匯總層數據用于前端比較簡單的KV查詢， 提升查詢性能，比如實時大屏，實時報表等，數據的時效性要求為秒級，輕度匯總層Kafka中寬表實時寫入OLAP存儲引擎，用于前端產品復雜的OLAP查詢場景，滿足自助分析和產出復雜報表的需求，對數據的時效性要求可容忍到分鐘級;

②輕度匯總層

輕度匯總層由明細層通過Streaming ETL得到，主要以寬表的形式存在，業務明細匯總是由業務事實明細表和維度表join得到，流量明細匯總是由流量日志按業務線拆分和維度表join得到。

輕度匯總層數據存儲比較多樣化，首先利用Flink實時消費DWD層Kafka中明細數據join業務過程需要的維表，實時打寬后寫入該層的Kafka中，以Json或PB格式存儲。

同時對多維業務明細匯總數據通過Flink實時寫入Kudu，用于查詢明細數據和更復雜的多維數據分析需求，對于流量數據通過Flink分別寫入HDFS和ClickHouse用于復雜的多維數據分析， 實時特征數據則通過Flink join維表后實時寫入HDFS，用于下游的離線ETL消費。

對于落地Kudu和HDFS的寬表數據，可用Spark SQL做分鐘級的預計算，滿足業務方復雜數據分析需求，提供分鐘級延遲的數據，從而加速離線ETL過程的延遲， 另外隨著Flink SQL與Hive生態集成的不斷完善，可嘗試用Flink SQL做離線ETL和OLAP計算任務(Flink流計算基于內存計算的特性，和presto非常類似，這使其也可以成為一個OLAP計算引擎)，用一套計算引擎解決實時離線需求，從而實現批流統一。

對于Kudu中的業務明細數據、ClickHouse中的流量明細數據，也可以滿足業務方的個性化數據分析需求，利用強大的OLAP計算引擎，實時查詢明細數據，在10s量級的響應時間內給出結果，這類需求也即是實時OLAP需求，靈活性比較高。

③高度匯總層

高度匯總層由明細數據層或輕度匯總層通過聚合計算后寫入到存儲引擎中，產出一部分實時數據指標需求，靈活性比較差。

計算引擎使用Flink Datastream API和Flink SQL，指標存儲引擎根據不同的需求，對于常見的簡單指標匯總模型可直接放在MySQL里面，維度比較多的、寫入更新比較大的模型會放在HBase里面， 還有一種是需要做排序、對查詢QPS、響應時間要求非常高、且不需要持久化存儲如大促活動期間在線TopN商品等直接存儲在Redis里面。

在秒級指標需求中，需要混用Lambda和Kappa架構，大部分實時指標使用Kappa架構完成計算，少量關鍵指標(如金額相關)使用Lambda架構用批處理重新處理計算，增加一次校對過程。

總體來說 DM 層對外提供三種時效性的數據：

首先是 Flink 等實時計算引擎預計算好的秒級實時指標，這種需求對數據的時效性要求非常高，用于實時大屏、計算維度不復雜的實時報表需求。
其次是 Spark SQL 預計算的延遲在分鐘級的準實時指標， 該類指標滿足一些比較復雜但對數據時效性要求不太高的數據分析場景，可能會涉及到多個事實表的join，如銷售歸因等需求。
最后一種則是不需要預計算，ad-hoc查詢的復雜多維數據分析場景，此類需求比較個性化，靈活性比較高，如果 OLAP 計算引擎性能足夠強大，也可完全滿足秒級計算需求的場景; 對外提供的秒級實時數據和另外兩種準實時數據的比例大致為 3：7，絕大多數的業務需求都優先考慮準實時計算或 ad-hoc 方式，可以降低資源使用、提升數據準確性，以更靈活的方式滿足復雜的業務場景。

3、實時數據體系建設方式

整個實時數據體系分為兩種建設方式，即實時和準實時(它們的實現方式分別是基于流計算引擎和 ETL、OLAP 引擎，數據時效性則分別是秒級和分鐘級。

1)在調度開銷方面，準實時數據是批處理過程，因此仍然需要調度系統支持，調度頻率較高，而實時數據卻沒有調度開銷。

2)在業務靈活性方面，因為準實時數據是基于 ETL 或 OLAP 引擎實現，靈活性優于基于流計算的方式。

3)在對數據晚到的容忍度方面，因為準實時數據可以基于一個周期內的數據進行全量計算，因此對于數據晚到的容忍度也是比較高的，而實時數據使用的是增量計算，對于數據晚到的容忍度更低一些。

4)在適用場景方面，準實時數據主要用于有實時性要求但不太高、涉及多表關聯和業務變更頻繁的場景，如交易類型的實時分析，實時數據則更適用于實時性要求高、數據量大的場景，如實時特征、流量類型實時分析等場景。

4、流批一體實時數據架構發展

從1990年 Inmon 提出數據倉庫概念到今天，大數據架構經歷了從最初的離線大數據架構、Lambda 架構、Kappa 架構以及 Flink 的火熱帶出的流批一體架構，數據架構技術不斷演進，本質是在往流批一體的方向發展，讓用戶能以最自然、最小的成本完成實時計算。

1)離線大數據架構：數據源通過離線的方式導入到離線數倉中，下游應用根據業務需求選擇直接讀取 DM 或加一層數據服務，比如 MySQL 或 Redis，數據存儲引擎是 HDFS/Hive，ETL 工具可以是 MapReduce  腳本或 HiveSQL。數據倉庫從模型層面分為操作數據層 ODS、數據倉庫明細層 DWD、數據集市層 DM。

2)Lambda 架構：隨著大數據應用的發展，人們逐漸對系統的實時性提出了要求，為了計算一些實時指標，就在原來離線數倉的基礎上增加了一個實時計算的鏈路，并對數據源做流式改造(即把數據發送到消息隊列)，實時計算去訂閱消息隊列，直接完成指標增量的計算，推送到下游的數據服務中去，由數據服務層完成離線&實時結果的合并。

3)Kappa 架構：Lambda 架構雖然滿足了實時的需求，但帶來了更多的開發與運維工作，其架構背景是流處理引擎還不完善，流處理的結果只作為臨時的、近似的值提供參考。后來隨著 Flink 等流處理引擎的出現，流處理技術成熟起來，這時為了解決兩套代碼的問題，LickedIn 的 Jay Kreps 提出了 Kappa 架構。

4)流批一體架構：流批一體架構比較完美的實現方式是采用流計算 + 交互式分析雙引擎架構，在這個架構中，流計算負責的是基礎數據，而交互式分析引擎是中心，流計算引擎對數據進行實時 ETL 工作，與離線相比，降低了 ETL 過程的 latency，交互式分析引擎則自帶存儲，通過計算存儲的協同優化， 實現高寫入 TPS、高查詢 QPS 和低查詢 latency ，從而做到全鏈路的實時化和 SQL 化，這樣就可以用批的方式實現實時分析和按需分析，并能快速的響應業務的變化，兩者配合，實現 1 + 1 > 2 的效果;該架構對交互式分析引擎的要求非常高，也許是未來大數據庫技術發展的一個重點和方向。

為了應對業務方更復雜的多維實時數據分析需求，筆者目前在數據開發中引入 Kudu這個 OLAP 存儲引擎，對訂單等業務數據使用 Presto + Kudu 的計算方案也是在探索流批一體架構在實時數據分析領域的可行性。此外，目前比較熱的數據湖技術，如 Delta lake、Hudi 等支持在 HDFS 上進行 upsert 更新，隨著其流式寫入、SQL 引擎支持的成熟，未來可以用一套存儲引擎解決實時、離線數據需求，從而減少多引擎運維開發成本。

三、Flink SQL 實時計算 UV 指標

上一部分從宏觀層面介紹了如何建設實時數據體系，非常不接地氣，可能大家需要的只是一個具體的 case 來了解一下該怎么做，那么接下來用一個接地氣的案例來介紹如何實時計算 UV 數據。

大家都知道，在 ToC 的互聯網公司，UV 是一個很重要的指標，對于老板、商務、運營的及時決策會產生很大的影響，筆者在電商公司，目前主要的工作就是計算 UV、銷售等各類實時數據，體驗就特別深刻， 因此就用一個簡單demo 演示如何用 Flink SQL 消費 Kafka 中的 PV 數據，實時計算出 UV 指標后寫入 Hbase。

1、Kafka 源數據解析

PV 數據來源于埋點數據經 FileBeat 上報清洗后，以 ProtoBuffer 格式寫入下游 Kafka，消費時第一步要先反序列化 PB 格式的數據為 Flink 能識別的 Row 類型，因此也就需要自定義實現 DeserializationSchema 接口，具體如下代碼， 這里只抽取計算用到的 PV 的 mid、事件時間 time_local，并從其解析得到 log_date 字段：

public class PageViewDeserializationSchema implements DeserializationSchema {  
public static final Logger LOG = LoggerFactory.getLogger(PageViewDeserializationSchema.class);  
protected SimpleDateFormat dayFormatter;  
private final RowTypeInfo rowTypeInfo;  
public PageViewDeserializationSchema(RowTypeInfo rowTypeInfo){  
dayFormatter = new SimpleDateFormat("yyyyMMdd", Locale.UK);  
this.rowTypeInfo = rowTypeInfo;  
} 
 
@Override 
 
public Row deserialize(byte[] message) throws IOException {  
Row row = new Row(rowTypeInfo.getArity());  
MobilePage mobilePage = null;  
try { 
 
mobilePage = MobilePage.parseFrom(message);  
String mid = mobilePage.getMid();  
row.setField(0, mid);  
Long timeLocal = mobilePage.getTimeLocal();  
String logDate = dayFormatter.format(timeLocal);  
row.setField(1, logDate);  
row.setField(2, timeLocal);  
}catch (Exception e){  
String mobilePageError = (mobilePage != null) ? mobilePage.toString() : "";  
LOG.error("error parse bytes payload is {}, pageview error is {}", message.toString(), mobilePageError, e);  
} 
 return null;  
}

2、編寫 Flink Job 主程序

將 PV 數據解析為 Flink 的 Row 類型后，接下來就很簡單了，編寫主函數，寫 SQL 就能統計 UV 指標了，代碼如下：

public class RealtimeUV {  
public static void main(String[] args) throws Exception {  
//step1 從properties配置文件中解析出需要的Kakfa、Hbase配置信息、checkpoint參數信息  
Map config = PropertiesUtil.loadConfFromFile(args[0]);  
String topic = config.get("source.kafka.topic");  
String groupId = config.get("source.group.id");  
String sourceBootStrapServers = config.get("source.bootstrap.servers");  
String hbaseTable = config.get("hbase.table.name");  
String hbaseZkQuorum = config.get("hbase.zk.quorum");  
String hbaseZkParent = config.get("hbase.zk.parent");  
int checkPointPeriod = Integer.parseInt(config.get("checkpoint.period"));  
int checkPointTimeout = Integer.parseInt(config.get("checkpoint.timeout"));  
StreamExecutionEnvironment sEnv = StreamExecutionEnvironment.getExecutionEnvironment(); 
 
//step2 設置Checkpoint相關參數，用于Failover容錯 
 
sEnv.getConfig().registerTypeWithKryoSerializer(MobilePage.class, 
 
ProtobufSerializer.class);  
sEnv.getCheckpointConfig().setFailOnCheckpointingErrors(false);  
sEnv.getCheckpointConfig().setMaxConcurrentCheckpoints(1);  
sEnv.enableCheckpointing(checkPointPeriod,CheckpointingMode.EXACTLY_ONCE);  
sEnv.getCheckpointConfig().setCheckpointTimeout(checkPointTimeout);  
sEnv.getCheckpointConfig().enableExternalizedCheckpoints(  
CheckpointConfig.ExternalizedCheckpointCleanup.RETAIN_ON_CANCELLATION); 
 
//step3 使用Blink planner、創建TableEnvironment,并且設置狀態過期時間，避免Job OOM 
 
EnvironmentSettings environmentSettings = EnvironmentSettings.newInstance()  
.useBlinkPlanner()  
.inStreamingMode()  
.build();  
StreamTableEnvironment tEnv = StreamTableEnvironment.create(sEnv, environmentSettings); 
tEnv.getConfig().setIdleStateRetentionTime(Time.days(1), Time.days(2));  
Properties sourceProperties = new Properties(); 
 sourceProperties.setProperty("bootstrap.servers", sourceBootStrapServers);  
sourceProperties.setProperty("auto.commit.interval.ms", "3000");  
sourceProperties.setProperty("group.id", groupId); 
 
//step4 初始化KafkaTableSource的Schema信息，筆者這里使用register TableSource的方式將源表注冊到Flink中，而沒有用register DataStream方式，也是因為想熟悉一下如何注冊KafkaTableSource到Flink中 
 
TableSchema schema = TableSchemaUtil.getAppPageViewTableSchema();  
Optional proctimeAttribute = Optional.empty();  
List rowtimeAttributeDescriptors = Collections.emptyList();  
Map fieldMapping = new HashMap<>();  
List columnNames = new ArrayList<>(); 
 
RowTypeInfo rowTypeInfo = new RowTypeInfo(schema.getFieldTypes(), schema.getFieldNames()); 
 
columnNames.addAll(Arrays.asList(schema.getFieldNames()));  
columnNames.forEach(name -> fieldMapping.put(name, name));  
PageViewDeserializationSchema deserializationSchema = new  
PageViewDeserializationSchema(  
rowTypeInfo);  
Map specificOffsets = new HashMap<>();  
Kafka011TableSource kafkaTableSource = new Kafka011TableSource( 
 
schema, 
 
proctimeAttribute,  
rowtimeAttributeDescriptors,  
Optional.of(fieldMapping),  
topic, 
 
sourceProperties,  
deserializationSchema,  
StartupMode.EARLIEST,  
specificOffsets);  
tEnv.registerTableSource("pageview", kafkaTableSource); 
 
//step5 初始化Hbase TableSchema、寫入參數，并將其注冊到Flink中 
 
HBaseTableSchema hBaseTableSchema = new HBaseTableSchema(); 
hBaseTableSchema.setRowKey("log_date", String.class);  
hBaseTableSchema.addColumn("f", "UV", Long.class);  
HBaseOptions hBaseOptions = HBaseOptions.builder()  
.setTableName(hbaseTable)  
.setZkQuorum(hbaseZkQuorum)  
.setZkNodeParent(hbaseZkParent)  
.build(); 
 
HBaseWriteOptions hBaseWriteOptions = HBaseWriteOptions.builder() 
.setBufferFlushMaxRows(1000)  
.setBufferFlushIntervalMillis(1000)  
.build();  
HBaseUpsertTableSink hBaseSink = new HBaseUpsertTableSink(hBaseTableSchema, hBaseOptions, hBaseWriteOptions);  
tEnv.registerTableSink("uv_index", hBaseSink); 
 
//step6 實時計算當天UV指標sql, 這里使用最簡單的group by agg，沒有使用minibatch或窗口，在大數據量優化時最好使用后兩種方式 
 
String uvQuery = "insert into uv_index "  
+ "select log_date,\n"  
+ "ROW(count(distinct mid) as UV)\n"  
+ "from pageview\n"  
+ "group by log_date";  
tEnv.sqlUpdate(uvQuery);  
//step7 執行Job  
sEnv.execute("UV Job");  
}  
}

到此，關于“如何編寫Flink Job主程序”的學習就結束了，希望能夠解決大家的疑惑。理論與實踐的搭配能更好的幫助大家學習，快去試試吧！若想繼續學習更多相關知識，請繼續關注億速云網站，小編會繼續努力為大家帶來更多實用的文章！