作者:汤包
最近做了几个实时数据开发需求,也不可避免地在使用 Flink 的过程中遇到了一些问题,比如数据倾斜导致的反压、interval join、开窗导致的水位线失效等问题,通过思考并解决这些问题,加深了我对 Flink 原理与机制的理解,因此将这些开发经验分享出来,希望可以帮助到有需要的同学。
下文会介绍 3 个 case 案例,每个 case 都会划分为背景、原因分析和解决方法三部分来进行介绍。
一、Case1: 数据倾斜
数据倾斜无论是在离线还是实时中都会遇到,其定义是:在并行进行数据处理的时候,按照某些 key 划分的数据显著多余其他部分,分布不均匀,导致大量数据集中分布到一台或者某几台计算节点上,使得该部分的处理速度远低于平均计算速度,成为整个数据集处理的瓶颈,从而影响整体计算性能。造成数据倾斜的原因有很多种,如 group by 时的 key 分布不均匀,空值过多、count distinct 等,本文将只介绍 group by + count distinct 这种情况。
1.1 背景
对实时曝光流,实时统计近 24 小时创意的曝光 UV 和 PV。且每分钟更新一次数据。通用的方法就是使用 hop 滑动窗口来进行统计,代码如下:
select H
select
HOP_START(
ts
,interval '1' minute
,interval '24' hour
) as window_start
,HOP_END(
ts
,interval '1' minute
,interval '24' hour
) as window_end
,creative_id
,count(distinct uid) as exp_uv -- 计算曝光UV
,count(uid) as exp_pv --计算曝光PV
from dwd_expos_detail
group by
hop(
ts
,interval '1' minute
,interval '24' hour
) -- 滑动窗口开窗,窗口范围:近24小时,滑动间隔:每1分钟
,creative_idOP_START( ts ,interval '1' minute ,interval '24' hour ) as window_start ,HOP_END( ts ,interval '1' minute ,interval '24' hour ) as window_end ,creative_id ,count(distinct uid) as exp_uv -- 计算曝光UV ,count(uid) as exp_pv --计算曝光PVfrom dwd_expos_detailgroup by hop( ts ,interval '1' minute ,interval '24' hour ) -- 滑动窗口开窗,窗口范围:近24小时,滑动间隔:每1分钟 ,creative_id
复制代码
1.2 问题及原因
问题发现
在上述 flink 程序运行的时候,该窗口聚合算子 GlobalWindowAggregate 出现长时间 busy 的情况,导致上游的算子出现反压,整个 flink 任务长时间延迟。
原因分析
一般面对反压的现象,首先要定位到出现拥堵的算子,在该 case 中,使用窗口聚合计算每个创意 id 对应的 UV 和 PV 时,出现了计算繁忙拥堵的情况。
针对这种情况,最常想到的就是以下两点原因:
-
数据量较大,但是设置的并发度过小(此任务中该算子的并发度设置为 3)
-
单个 slot 的 CPU 和内存等计算资源不足
点击拥堵算子,并查看 BackPressure,可以看到虽然并发度设置为 3,但是出现拥堵的只有 subtask0 这一个并发子任务,因此基本上可以排出上述两种猜想,如果还是不放心,可以设置增加并行度至 6,同时提高该算子上的 slot 的内存和 CPU,结果如下:
可以看到依然只有 subtask0 处于计算拥堵的状态,现在可以完全确认是由于 group by 时的 key 上的数据分布不均匀导致的数据倾斜问题。
解决方法
-
开启 PartialFinal 解决 count distinct 中的热点问题
-
实现:flink 中提供了针对 count distinct 的自动打散和两阶段聚合,即 PartialFinal 优化。实现方法:在作业运维中增加如下参数设置:
table.optimizer.distinct-agg.split.enabled: true
复制代码
-
限制:这个参数适用于普通的 GroupAggregate 算子,对于 WindowAggregate 算子目前只适用于新的 Window TVF(窗口表值函数),老的一套 Tumble/Hop/Cumulate window 是不支持的。
由于我们的代码中并没有使用到窗口表值函数,而是直接在 group 中使用了 hop 窗口,因此该方法不适用。
人工对不均匀的 key 进行打散并实现两阶段聚合
-
思路:增加按 Distinct Key 取模的打散层
-
实现:
第一阶段:对 distinct 的字段 uid 取 hash 值,并除以 1024 取模作为 group by 的 key。此时的 group by 分组由于引入了 user_id,因此分组变得均匀。
select
HOP_START(
ts
,interval '1' minute
,interval '24' hour
) as window_start
,HOP_END(
ts
,interval '1' minute
,interval '24' hour
) as window_end
,creative_id
,count(distinct uid) as exp_uv
,count(uid) as exp_pv
from dwd_expos_detail
group by
hop(
ts
,interval '1' minute
,interval '24' hour
)
,creative_id
,MOD(HASH_CODE(uid), 1024)
复制代码
-
第二阶段:对上述结果,再根据 creative_id 字段进行分组,并将 UV 和 PV 的值求和
select
window_start
,window_end
,creative_id
,sum(exp_uv) as exp_uv
,sum(exp_pv) as exp_pv
from (
select
HOP_START(
ts
,interval '1' minute
,interval '24' hour
) as window_start
,HOP_END(
ts
,interval '1' minute
,interval '24' hour
) as window_end
,creative_id
,count(distinct uid) as exp_uv
,count(uid) as exp_pv
from dwd_expos_detail
group by
hop(
ts
,interval '1' minute
,interval '24' hour
)
,creative_id
,MOD(HASH_CODE(uid), 1024)
)
group by
window_start
,window_end
,creative_id
;
复制代码
-
效果:在拓扑图中可以看到原窗口聚合算子被分为两个独立的聚合算子,同时每个 subtask 的繁忙程度也都接近,不再出现不均匀的情况。
二、Case2: 水位线失效
2.1 背景
需要先对两条实时流进行双流 join,然后再对 join 后的结果使用 hop 滑动窗口,计算每个创意的汇总指标。
2.2 问题及原因
问题发现
开窗后长时间无数据产生。
原因分析
水位线对于窗口函数的实现起到了决定性的作用,它决定了窗口的触发时机,Window 聚合目前支持 Event Time 和 Processing Time 两种时间属性定义窗口。最常用的就是在源表的 event_time 字段上定义水位线,系统会根据数据的 Event Time 生成的 Watermark 来进行关窗。
只有当 Watermark 大于关窗时间,才会触发窗口的结束,窗口结束才会输出结果。如果一直没有触发窗口结束的数据流入 Flink,则该窗口就无法输出数据。
-
限制:数据经过 GroupBy、双流 JOIN 或 OVER 窗口节点后,会导致 Watermark 属性丢失,无法再使用 Event Time 进行开窗。
由于我们在代码中首先使用了 interval join 来处理点击流和交易流,然后在对生成的数据进行开窗,导致水位线丢失,窗口函数无法被触发。
2.3 解决方法
思路 1: 既然双流 join 之后的时间字段丢失了水位线属性,可以考虑再给 join 之后的结果再加上一个 processing time 的时间字段,然后使用该字段进行开窗。
-
缺点:该字段无法真正体现数据的时间属性,只是机器处理该条数据的时间戳,因此会导致窗口聚合时的结果不准确,不推荐使用。
思路 2: 新建 tt 流
-
要开窗就必须有水位线,而水位线往往会在上述提及的聚合或者双流 join 加工中丢失,因此考虑新建一个 flink 任务专门用来进行双流 join,过滤出符合条件的用户交易明细流,并写入到 tt,然后再消费该 tt,并对 tt 流中的 event_time 字段定义 watermark 水位线,并直接将数据用于 hop 滑动窗口。
-
实现:
步骤 1:新建 flink 任务,通过 interval join 筛选出近六个小时内有过点击记录的用户交易明细,并 sink 到 tt
insert into sink_dwd_pop_pay_detail_ri
select
p1.uid
,p1.order_id
,p1.order_amount
,p1.ts
,p2.creative_id
from (
select
uid
,order_amount
,order_id
,ts
from dwd_trade_detail
) p1
join dwd_clk_uv_detail p2
on p2.ts between p1.ts - interval '6' hour and p1.ts
and p1.uid = p2.uid
;
复制代码
-
步骤 2: 消费该加工后的交易流,并直接进行滑动窗口聚合
select
HOP_START(
ts
,INTERVAL '1' minute
,INTERVAL '24' hour
) as window_start
,HOP_END(
ts
,INTERVAL '1' minute
,INTERVAL '24' hour
) as window_end
,creative_id
,sum(order_amount) as total_gmv
,count(distinct uid) as cnt_order_uv
,round(
sum(order_amount) / count(distinct uid) / 1.0
,2
) as gmv_per_uv
from source_dwd_pop_pay_detail_ri
GROUP BY
HOP(
ts
,INTERVAL '1' minute
,INTERVAL '24' hour
)
,creative_id
;
复制代码
三、Case3: group by 失效
3.1 背景
目的:对于实时流,需要给素材打上是否通过的标签。
打标逻辑:如果素材 id 同时出现在 lastValidPlanInfo 和 validPlanInfo 的两个数组字段中,则认为该素材通过(is_filtered=0),如果素材 id 只出现在 lastValidPlanInfo 数组字段中,则认为该素材未通过(is_filtered= 1)。
sink 表类型:odps/sls,不支持回撤和主键更新机制。
上述逻辑的实现 sql 如下:
SELECT
`user_id`
,trace_id
,`timestamp`
,material_id
,min(is_filtered)) as is_filtered -- 最后group by聚合,每个素材得到唯一的标签
FROM (
SELECT
`user_id`
,trace_id
,`timestamp`
,material_id
,1 as is_filtered -- lastValidPlanInfo字段中出现的素材都打上1的被过滤标签
FROM dwd_log_parsing
,lateral table(string_split(lastValidPlanInfo, ';')) as t1(material_id)
WHERE lastValidPlanInfo IS NOT NULL
UNION ALL
SELECT
`user_id`
,trace_id
,`timestamp`
,material_id
,0 as is_filtered -- validPlanInfo字段中出现的素材都打上0的被过滤标签
FROM dwd_log_parsing
,lateral table(string_split(validPlanInfo, ';')) as t2(material_id)
WHERE validPlanInfo IS NOT NULL
)
GROUP BY
`user_id`
,trace_id
,`timestamp`
,material_id
复制代码
3.2 问题及原因
问题发现
原始数据样例:根据下图可以发现 1905 和 1906 两个素材 id 出现在 lastValidPlanInfo 中,只有 1906 这个 id 出现在 validPlanInfo 字段中,说明 1905 被过滤掉了,1906 通过了。
期望的计算结果应该是:
但是最终写入到 odps 的结果如下图,可以发现 material_id 为 1906 出现了两条结果,且不一致,所以我们不禁产生了一个疑问:是 fink 中的 group by 失效了吗?
原因分析
由于 odps sink 表不支持回撤和 upsert 主键更新机制,因此对于每一条源表的流数据,只要进入到 operator 算子并产生结果,就会直接将该条结果写入到 odps。
union all 和 lateral table 的使用都会把一条流数据拆分为多条流数据。上述代码中首先使用到了 lateral table 将 lastValidPlanInfo 和 validPlanInfo 数组字段中的 material_id 数字拆分为多条 material_id,然后再使用 union all+group by 实现过滤打标功能,这些操作早已经将原 tt 流中的一条流数据拆分成了多条。
综合上述两点,
-
针对 1906 的素材 id,由于 lateral table 的使用,使得其和 1905 成为了两条独立的流数据;
-
由于 union all 的使用,又将其拆分为 is_filtered =1 的一条流数据(union all 的前半部分),和 is_filtered=0 的一条流数据(union all 的后半部分);
-
由于 flink 一次只能处理一条流数据,因此如果先处理了素材 1906 的 is_filtered=1 的流数据,经过 group by 和 min(is_filtered)操作,将 is_filtered= 1 的结果先写入到 odps,然后再处理 is_filtered=1 的流数据,经过 group by 和 min(is_filtered)操作,状态更新 is_filtered 的最小值变更为 0,又将该条结果写入到 odps。
-
由于 odps 不支持回撤和主键更新,因此会存在两条素材 1906 的数据,且结果不一致。
3.3 解决方法
-
思路:既然 lateral table 和 union all 的使用,会把一条流数据变为多条,并引发了后续的多次写入的问题。因此我们考虑让这些衍生出的多条流数据可以一次性进入到 group by 中参与聚合计算,最终只输出 1 条结果。
-
实现:mini-batch 微批处理
table.exec.mini-batch.enabled: true
table.exec.mini-batch.allow-latency: 1s
复制代码
-
概念:mini-batch 是缓存一定的数据后再触发处理,以减少对 State 的访问,从而提升吞吐并减少数据的输出量。微批处理通过增加延迟换取高吞吐,如果您有超低延迟的要求,不建议开启微批处理。通常对于聚合场景,微批处理可以显著地提升系统性能,建议开启。
-
效果:上述问题得到解决,odps 表只输出每个用户的每次请求的每个素材 id 只有 1 条数据输出。
四、总结
FlinkSQL 的开发是最方便高效的实时数据需求的实现途径,但是它和离线的 ODPS SQL 开发在底层的机制和原理上还是有很大的区别,根本的区别就在于流和批的处理。如果按照我们已经习惯的离线思维来写 FlinkSQL,就可能会出现一些“离奇”的结果,但是遇到问题并不可怕,要始终相信根本不存在任何“离奇”,所有的问题都是可以追溯到原因的,而在这个探索的过程中,也可以学习到许多知识,所以让我们遇到更多的问题,积累更多的经验,熟练地应用 Flink。
参考链接
[01] 窗口
https://help.aliyun.com/zh/flink/developer-reference/overview-4?spm=a2c4g.11186623.0.i33
[02] 高性能优化:
https://help.aliyun.com/zh/flink/user-guide/optimize-flink-sql