Flink数据倾斜调优实战案例解析

案例功能说明

通过socketTextStream读取9999端口数据，统计在一定时间内不同类型商品的销售总额度，如果持续销售额度为0，则执行定时器通知老板，是不是卖某种类型商品的员工偷懒了（只做功能演示，根据个人业务来使用，比如统计UV等操作）。

ProcessFunction是一个低阶的流处理操作，它可以访问流处理程序的基础构建模块:
1.事件(event)(流元素)。
2.状态(state)(容错性，一致性，仅在keyed stream中)。
3.定时器(timers)(event time和processing time， 仅在keyed stream中)。

案例代码

使用ValueState记录了状态信息，每次来商品都会进行总额度累加。

商品第一次进入的时候会注册一个定时器，每隔10秒执行一次，定时器做预警功能，如果十秒内商品销售等于0，我们则进行预警。

 
 
import org.apache.flink.api.common.state.{ValueState, ValueStateDescriptor}
import org.apache.flink.api.common.typeinfo.TypeInformation
import org.apache.flink.api.java.tuple.Tuple
import org.apache.flink.api.scala.typeutils.Types
import org.apache.flink.streaming.api.functions.KeyedProcessFunction
import org.apache.flink.streaming.api.scala._
import org.apache.flink.util.Collector
 
object ProcessFuncationScala {
 
 
  def main(args: Array[String]): Unit = {
    val env: StreamExecutionEnvironment = StreamExecutionEnvironment.getExecutionEnvironment
    val stream: DataStream[String] = env.socketTextStream("localhost", 9999)
    val typeAndData: DataStream[(String, String)] = stream.map(x => (x.split(",")(0), x.split(",")(1))).setParallelism(4)
    typeAndData.keyBy(0).process(new MyprocessFunction()).print("结果")
    env.execute()
  }
 
  /**
   * 实现：
   *    根据key分类，统计每个key进来的数据量，定期统计数量，如果数量为0则预警
   */
  class MyprocessFunction extends  KeyedProcessFunction[Tuple,(String,String),String]{
 
    //统计间隔时间
    val delayTime : Long = 1000 * 10
 
    lazy val state : ValueState[(String,Long)] = getRuntimeContext.getState[(String,Long)](new ValueStateDescriptor[(String, Long)]("cjcount",classOf[Tuple2[String,Long]]))
 
    override def onTimer(timestamp: Long, ctx: KeyedProcessFunction[Tuple, (String, String), String]#OnTimerContext, out: Collector[String]): Unit = {
 
      printf("定时器触发,时间为：%d,状态为：%s,key为：%s
",timestamp,state.value(),ctx.getCurrentKey)
      if(state.value()._2==0){
        //该时间段数据为0,进行预警
        printf("类型为:%s,数据为0,预警
",state.value()._1)
      }
      //定期数据统计完成后，清零
      state.update(state.value()._1,0)
      //再次注册定时器执行
      val currentTime: Long = ctx.timerService().currentProcessingTime()
      ctx.timerService().registerProcessingTimeTimer(currentTime + delayTime)
    }
 
    override def processElement(value: (String, String), ctx: KeyedProcessFunction[Tuple, (String, String), String]#Context, out: Collector[String]): Unit = {
      printf("状态值：%s,state是否为空：%s
",state.value(),(state.value()==null))
      if(state.value() == null){
        //获取时间
        val currentTime: Long = ctx.timerService().currentProcessingTime()
        //注册定时器十秒后触发
        ctx.timerService().registerProcessingTimeTimer(currentTime + delayTime)
        printf("定时器注册时间：%d
",currentTime+10000L)
        state.update(value._1,value._2.toInt)
      } else{
        //统计数据
        val key: String = state.value()._1
        var count: Long = state.value()._2
        count += value._2.toInt
        //更新state值
        state.update((key,count))
      }
 
      println(getRuntimeContext.getTaskNameWithSubtasks+"->"+value)
      printf("状态值：%s
",state.value())
      //返回处理后结果
      out.collect("处理后返回数据->"+value)
    }
  }
 
}

案例测试

10秒内输入四条数据

帽子,12
帽子,12
鞋,10
鞋,10

通过我们打印我们会发现统计完成

定时器触发,时间为：1586005420511,状态为：(鞋,20),key为：(鞋)
定时器触发,时间为：1586005421080,状态为：(帽子,24),key为：(帽子)

如果我们10秒内不输入数据，则会提示数据为0，进行预警

定时器触发,时间为：1586005406244,状态为：(帽子,0),key为：(帽子)
类型为:帽子,数据为0,预警
定时器触发,时间为：1586005406244,状态为：(鞋,0),key为：(鞋)
类型为:鞋,数据为0,预警

数据倾斜问题

到这里我们已经实现了定期统计功能，但有没有发现，如果帽子分配在task1执行，鞋在task2执行，鞋一天进来1亿条数据，帽子进来1条数据，我们会出现严重的数据倾斜问题。

我们实际看一下具体问题，计算结果我们就先不看了，直接看数据分配问题

三个task阶段 , Socket是单并行的source，我们将并行度改为4

 

输入数据：1条 帽子,10 ；50条 鞋,10

我们看Map阶段，数据是均衡的，因为这里还没有进行keyby

 

我们再看keyby后的task

 

我们发现50条数据都在ID为3的subtask中，出现了严重数据倾斜问题。

这种问题我们可以进行两阶段keyby解决该问题。

两阶段keyby方法

数据倾斜如左图所示。而我们期望的是如右图所示。

               

 但我们的需要根据key进行聚合统计，那么把相同的key放在不同的subtask如何统计？

1.首先将key打散，我们加入将key转化为 key-随机数 ,保证数据散列

2.对打散后的数据进行聚合统计，这时我们会得到数据比如 : (key1-12,1),(key1-13,19),(key1-1,20),(key2-123,11),(key2-123,10)

3.将散列key还原成我们之前传入的key，这时我们的到数据是聚合统计后的结果，不是最初的原数据

4.二次keyby进行结果统计，输出到addSink

 打散key代码实现

 
 
import org.apache.flink.api.common.functions.AggregateFunction
import org.apache.flink.api.common.state.{ValueState, ValueStateDescriptor}
import org.apache.flink.api.java.tuple.Tuple
import org.apache.flink.api.scala.typeutils.Types
import org.apache.flink.streaming.api.functions.KeyedProcessFunction
import org.apache.flink.streaming.api.functions.windowing.WindowFunction
import org.apache.flink.streaming.api.scala._
import org.apache.flink.streaming.api.windowing.time.Time
import org.apache.flink.streaming.api.windowing.windows.TimeWindow
import org.apache.flink.util.Collector
 
object ProcessFunctionScalaV2 {
 
 
  def main(args: Array[String]): Unit = {
    val env: StreamExecutionEnvironment = StreamExecutionEnvironment.getExecutionEnvironment
    env.enableCheckpointing(2000)
    val stream: DataStream[String] = env.socketTextStream("localhost", 9999)
    val typeAndData: DataStream[(String, Long)] = stream.map(x => (x.split(",")(0), x.split(",")(1).toLong))
    val dataStream: DataStream[(String, Long)] = typeAndData
      .map(x => (x._1 + "-" + scala.util.Random.nextInt(100), x._2))
    val keyByAgg: DataStream[DataJast] = dataStream.keyBy(_._1)
      .timeWindow(Time.seconds(10))
      .aggregate(new CountAggregate())
    keyByAgg.print("第一次keyby输出")
    val result: DataStream[DataJast] = keyByAgg.map(data => {
      val newKey: String = data.key.substring(0, data.key.indexOf("-"))
      println(newKey)
      DataJast(newKey, data.count)
    }).keyBy(_.key)
      .process(new MyProcessFunction())
    result.print("第二次keyby输出")
 
 
    env.execute()
  }
 
  case class DataJast(key :String,count:Long)
 
  //计算keyby后，每个Window中的数据总和
  class CountAggregate extends AggregateFunction[(String, Long),DataJast, DataJast] {
 
    override def createAccumulator(): DataJast = {
      println("初始化")
      DataJast(null,0)
    }
 
    override def add(value: (String, Long), accumulator: DataJast): DataJast = {
      if(accumulator.key==null){
        printf("第一次加载,key:%s,value:%d
",value._1,value._2)
        DataJast(value._1,value._2)
      }else{
        printf("数据累加,key:%s,value:%d
",value._1,accumulator.count+value._2)
        DataJast(value._1,accumulator.count + value._2)
      }
    }
 
    override def getResult(accumulator: DataJast): DataJast = {
      println("返回结果："+accumulator)
      accumulator
    }
 
    override def merge(a: DataJast, b: DataJast): DataJast = {
      DataJast(a.key,a.count+b.count)
    }
  }
 
 
  /**
   * 实现：
   *    根据key分类，统计每个key进来的数据量，定期统计数量
   */
  class MyProcessFunction extends  KeyedProcessFunction[String,DataJast,DataJast]{
 
    val delayTime : Long = 1000L * 30
 
    lazy val valueState:ValueState[Long] = getRuntimeContext.getState[Long](new ValueStateDescriptor[Long]("ccount",classOf[Long]))
 
    override def processElement(value: DataJast, ctx: KeyedProcessFunction[String, DataJast, DataJast]#Context, out: Collector[DataJast]): Unit = {
      if(valueState.value()==0){
        valueState.update(value.count)
        printf("运行task:%s,第一次初始化数量:%s
",getRuntimeContext.getIndexOfThisSubtask,value.count)
        val currentTime: Long = ctx.timerService().currentProcessingTime()
        //注册定时器
        ctx.timerService().registerProcessingTimeTimer(currentTime + delayTime)
      }else{
        valueState.update(valueState.value()+value.count)
        printf("运行task:%s,更新统计结果:%s
" ,getRuntimeContext.getIndexOfThisSubtask,valueState.value())
      }
    }
 
    override def onTimer(timestamp: Long, ctx: KeyedProcessFunction[String, DataJast, DataJast]#OnTimerContext, out: Collector[DataJast]): Unit = {
      //定时器执行，可加入业务操作
      printf("运行task:%s,触发定时器,30秒内数据一共,key:%s,value:%s
",getRuntimeContext.getIndexOfThisSubtask,ctx.getCurrentKey,valueState.value())
 
      //定时统计完成，初始化统计数据
      valueState.update(0)
      //注册定时器
      val currentTime: Long = ctx.timerService().currentProcessingTime()
      ctx.timerService().registerProcessingTimeTimer(currentTime + delayTime)
    }
  }
 
 
 
}

对key进行散列 

 val dataStream: DataStream[(String, Long)] = typeAndData
      .map(x => (x._1 + "-" + scala.util.Random.nextInt(100), x._2))

设置窗口滚动时间，每隔十秒统计一次每隔key下的数据总量

 val keyByAgg: DataStream[DataJast] = dataStream.keyBy(_._1)
      .timeWindow(Time.seconds(10))
      .aggregate(new AverageAggregate())
    keyByAgg.print("第一次keyby输出")

还原key，并进行二次keyby，对数据总量进行累加

  val result: DataStream[DataJast] = keyByAgg.map(data => {
      val newKey: String = data.key.substring(0, data.key.indexOf("-"))
      println(newKey)
      DataJast(newKey, data.count)
    }).keyBy(_.key)
      .process(new MyProcessFunction())

我们看下优化后的状态

先看下第一map，直接从端口拿数据，这不涉及keyby，所以这个没影响

 

再看下第一次keyby后的结果，因为我们散列后，flink根据哈希进行分配，所以数据不是百分之百平均，但是很明显基本上已经均衡了，不会出现这里1一条，那里1条这种状况。

 

再看下第二次keyby，这里会发现我们ID的2的subtask有820条数据，其他的没有数据；这里是正常现象，因为我们是对第一次聚合后的数据进行keyby统计，所以这里的数据大小会非常小，比如我们原始数据一条数据有1M大小，1000条数据就1个G，业务往往还有其他操作，我们再第一次keyby 散列时处理其他逻辑（比如ETL等等操作），最终将统计结果输出给第二次keyby，很可能1个G的数据，最终只有1kb，这比我们将1个G的数据放在一个subtask中处理好很多。

上面我们自定义了MyProcessFunction方法，设置每30秒执行一次，实际业务场景，我们可能会设置一小时执行一次。

 

至此我们既保证了数据定时统计，也保证了数据不倾斜问题。

https://blog.csdn.net/zhangshenghang/article/details/105322423