无标签

发布日期: 2021-01-12

文章字数: 5k

0x0 Flink的容错机制

1.一致性检查点(checkpoint)

一致性检查点

图为一个计算流,计算根据流中的数据将其中的奇数与偶数进行分流统计

Flink故障恢复机制的核心,就是应用状态的一致性检查点

有状态流应用的一致性检查点,其实就是所有任务的状态，在某个时间点的一份拷贝（一份快照)

这个时间点，应该是所有任务都恰好处理完一个相同的输入数据的时候

jobManager发起的检查点命令

//简而言之:如图所示,当输入Source为5时,此时下阶段的sum_odd已经计算完毕(1+3+5=9),sum_even也已经计算完毕(2+4=6),然后此时任务统一全部完成,然后CheckPoint只会存储当前时间节点的数据(5,6,9),因为当前时间节点恰好关于5的所有数据计算完毕.

2.从检查点恢复状态

在执行流应用程序期间，Flink 会定期保存状态的一致检查点

如果发生故障， Flink 将会使用最近的检查点来一致恢复应用程序的状态，并重新启动处理流程

2.1从检查点恢复具体流程

遇到故障之后，第一步就是重启应用
第二步是从 checkpoint 中读取状态，将状态重置,从检查点重新启动应用程序后，其内部状态与检查点完成时的状态完全相同
第三步：开始消费并处理检查点到发生故障之间的所有数据,这种检查点的保存和恢复机制可以为应用程序状态提供“精确一次”（exactly-once）的一致性，因为所有算子都会保存检查点并恢复其所有状态，这样一来所有的输入流就都会被重置到检查点完成时的位置

3.Flink检查点算法

基于Chandy-Lamport算法的分布式快照 barrier 对齐
核心:将检查点的保存和数据处理分离开,不暂停整个应用

//API
public class FlinkCheckPoint {
    public static void main(String[] args) throws Exception {
        //1.获取执行环境
        StreamExecutionEnvironment env = StreamExecutionEnvironment
            .getExecutionEnvironment();
        //设定没10s做一次检查点
        env.enableCheckpointing(10000L);
        env.execute();
    }
}

3.1术语解释

检查点分界线（Checkpoint Barrier)

Flink的检查点算法用到了一种称为分界线（barrier）的特殊数据形式，用来把一条流上数据按照不同的检查点分开
插入分界线之前到来的数据导致的状态更改，都会被包含在当前分界线所属的检查点中
而基于分界线之后的数据导致的所有更改，就会被包含在之后的检查点中

//简而言之:barrier本身是一种插入到流中的特殊标记数据,用于标记不同检查点所包含的数据范围

3.2检查点算法工作流程

JobManager 会向每个 source 任务发送一条带有新检查点 ID(检查点的批次号) 的消息，通过这种方式来启动检查点
```
//如图所示:JobManager向两个Source分别发送了第二批检查点启动的命令(蓝色三角符号)
```
1. 数据源将它们的状态写入检查点，并发出一个检查点 barrier`
状态后端在状态存入检查点之后，会返回通知给 source 任务，source 任务就会向 JobManager 确认检查点完成
```
//当source端受到barrier时,会将自己的状态备份,然后往下游SubTask进行广播
```

分界线对齐：barrier 向下游传递，sum 任务会等待所有输入分区的 barrier 到达

对于barrier已经到达的分区，继续到达的数据会被缓存

而barrier尚未到达的分区，数据会被正常处理

下游广播处理

//barrier往下游广播,但是下游必须等待多个上游的barrier全部到齐之后才会触发状态备份
//由于延迟原因,如图,<蓝色三角barrier2>为蓝色数流的barrier,但是在其在达到Sum even之后,(蓝色圆圈4)会先于<橙色三角barrier2>到达,因为SumEven中的barrier没有全部到齐,所以为防止(蓝色圆圈4)参与数据计算,算法会先让其进入缓存,等到barrier全部到齐备份之后再进行计算.(保证Sum even(8),Sum odd(8),备份成功)

向下游转发检查点 barrier 后，任务继续正常的数据处理
Sink 任务向 JobManager 确认状态保存到 checkpoint 完毕

当所有任务都确认已成功将状态保存到检查点时，检查点就真正完成了
```
//如何 sink处理完毕后将barrier发送给JobManager表示一个检查点保存成功
```
4.保存点(SavePoints)(实战–0x2)

Flink 还提供了可以自定义的镜像保存功能，就是保存点（savepoints）

原则上，创建保存点使用的算法与检查点完全相同，因此保存点可以认为就是具有一些额外元数据的检查点

Flink不会自动创建保存点，因此用户（或者外部调度程序）必须明确地触发创建操作

保存点是一个强大的功能。

除了故障恢复外，保存点可以用于：有计划的手动备份，更新应用程序，版本迁移，暂停和重启应用，等等

SavePoint手动存盘

5.如何使用SavePoints

参考:

https://ci.apache.org/projects/flink/flink-docs-release-1.12/zh/ops/state/savepoints.html

0x1 Flink的状态一致性

1.状态一致性概念

有状态的流处理，内部每个算子任务都可以有自己的状态

对于流处理器内部来说，所谓的状态一致性，其实就是我们所说的计算结果要保证准确。

一条数据不应该丢失，也不应该重复计算

在遇到故障时可以恢复状态，恢复以后的重新计算，结果应该也是完全正确的。

2.状态一致性分类

2.1 AT-MOST-ONCE（最多一次）

当任务故障时，最简单的做法是什么都不干，既不恢复丢失的状态，也不重播丢失的数据。At-most-once 语义的含义是最多处理一次事件。

2.2 AT-LEAST-ONCE（至少一次）

在大多数的真实应用场景，我们希望不丢失事件。这种类型的保障称为 at-least-once，意思是所有的事件都得到了处理，而一些事件还可能被处理多次。

2.3 EXACTLY-ONCE（精确一次）

恰好处理一次是最严格的保证，也是最难实现的。恰好处理一次语义不仅仅意味着没有事件丢失，还意味着针对每一个数据，内部状态仅仅更新一次。

3.一致性检查点(CheckPoint)

Flink 使用了一种轻量级快照机制 —— 检查点（checkpoint）来保证 exactly-once 语义

有状态流应用的一致检查点，其实就是：所有任务的状态，在某个时间点的一份拷贝（一份快照）。而这个时间点，应该是所有任务都恰好处理完一个相同的输入数据的时候。

//前文提及:检查点的拷贝使用特殊算法进行

应用状态的一致检查点，是 Flink 故障恢复机制的==核心==

4.端对端(end-to-end)状态的一致性

目前我们看到的一致性保证都是由流处理器实现的，也就是说都是在 Flink 流处理器内部保证的；

而在真实应用中，流处理应用除了流处理器以外还包含了数据源（例如 Kafka）和输出到持久化系统

端到端的一致性保证，意味着结果的正确性贯穿了整个流处理应用的始终；

每一个组件都保证了它自己的一致性

整个端到端的一致性级别取决于所有组件中一致性最弱的组件

5.端到端 exactly-once

Flink内部保证:checkpoint

source 端: 可重设数据的读取位置

sink 端 —— 从故障恢复时，数据不会重复写入外部系统,幂等写入,事务写入

5.1幂等写入

所谓幂等操作，是说一个操作，可以重复执行很多次，但只导致一次结果更改，也就是说，后面再重复执行就不起作用了

求n次导数依然是不变的
$$
(e^x)^n=e^x
$$
幂等性写入

5.2事务写入（Transactional Writes）

事务（Transaction）

应用程序中一系列严密的操作，所有操作必须成功完成，否则在每个操作中所作的所有更改都会被撤消

具有原子性：一个事务中的一系列的操作要么全部成功，要么一个都不做

实现思想：构建的事务对应着 checkpoint，等到 checkpoint 真正完成的时候，才把所有对应的结果写入 sink 系统中

实现方式 ==预写日志== ==两阶段提交==

5.2.1 预写日志（Write-Ahead-Log，WAL）

把结果数据先当成状态保存，然后在收到 checkpoint 完成的通知时，一次性写入 sink 系统

简单易于实现，由于数据提前在状态后端中做了缓存，所以无论什么 sink 系统，都能用这种方式一批搞定

DataStream API 提供了一个模板类：GenericWriteAheadSink，来实现这种事务性 sink

**缺点:**降低效率,变成批处理,降低实时性,外部系统没有事务控制,写到一半事务出错

5.2.2 两阶段提交（Two-Phase-Commit，2PC）

对于每个 checkpoint，sink 任务会启动一个事务，并将接下来所有接收的数据添加到事务里

然后将这些数据写入外部 sink 系统，但不提交它们 —— 这时只是“预提交”

当它收到 checkpoint 完成的通知时，它才正式提交事务，实现结果的真正写入

这种方式真正实现了 exactly-once，它需要一个提供事务支持的外部 sink 系统。Flink 提供了 TwoPhaseCommitSinkFunction 接口。

要求

外部 sink 系统必须提供事务支持，或者 sink 任务必须能够模拟外部系统上的事务

在 checkpoint 的间隔期间里，必须能够开启一个事务并接受数据写入

在收到 checkpoint 完成的通知之前，事务必须是“等待提交”的状态。在故障恢复的情况下，这可能需要一些时间。如果这个时候sink系统关闭事务（例如超时了），那么未提交的数据就会丢失

sink 任务必须能够在进程失败后恢复事务

提交事务必须是幂等操作

6.Flink+Kafka 端到端状态一致性的保证

内部 —— 利用 checkpoint 机制，把状态存盘，发生故障的时候可以恢复，保证内部的状态一致性

source —— kafka consumer 作为 source，可以将偏移量保存下来，如果后续任务出现了故障，恢复的时候可以由连接器重置偏移量，重新消费数据，保证一致性

sink —— kafka producer 作为sink，采用两阶段提交 sink，需要实现一个 TwoPhaseCommitSinkFunction

7.Exactly-once 两阶段提交

JobManager 协调各个 TaskManager 进行 checkpoint 存储

checkpoint保存在 StateBackend中，默认StateBackend是内存级的，也可以改为文件级的进行持久化保存

两步提交1

当 checkpoint 启动时，JobManager 会将检查点分界线（barrier）注入数据流

barrier会在算子间传递下去

两步提交2

每个算子会对当前的状态做个快照，保存到状态后端

checkpoint 机制可以保证内部的状态一致性

两步提交4

每个内部的 transform 任务遇到 barrier 时，都会把状态存到 checkpoint 里

sink 任务首先把数据写入外部 kafka，这些数据都属于预提交的事务；遇到 barrier 时，把状态保存到状态后端，并开启新的预提交事务

两步提交5

当所有算子任务的快照完成，也就是这次的 checkpoint 完成时，JobManager 会向所有任务发通知，确认这次 checkpoint 完成

sink 任务收到确认通知，正式提交之前的事务，kafka 中未确认数据改为“已确认”

两步消费5

1.//第一条数据来了之后，开启一个 kafka 的事务（transaction），正常写入 kafka 分区日志但标记为未提交，这就是“预提交”
2.//jobmanager 触发 checkpoint 操作，barrier 从 source 开始向下传递，遇到 barrier 的算子将状态存入状态后端，并通知 jobmanager
3.//sink 连接器收到 barrier，保存当前状态，存入 checkpoint，通知 jobmanager，并开启下一阶段的事务，用于提交下个检查点的数据
4.//jobmanager 收到所有任务的通知，发出确认信息，表示 checkpoint 完成
5.//sink 任务收到 jobmanager 的确认信息，正式提交这段时间的数据
6.//外部kafka关闭事务，提交的数据可以正常消费了。

两阶段提交的网络超时配置问题讨论:

事务的超时时间

checkpoint超时时间

需要将checkpoint的超时时间小于为事务的超时时间

即使checkpoint挂了,事务回滚

8.源码寻找kafka sink的两阶段提交

//API
sensorDS.addSink(
    new FlinkKafkaProducer011<String>
    ("test",
     new SimpleStringSchema(),
     properties));

//source
public class FlinkKafkaProducer011<IN>
		extends TwoPhaseCommitSinkFunction<> 
    //继承两阶段提交

//source
public final void notifyCheckpointComplete(long checkpointId) throws Exception {}
//there is exactly one transaction from the latest checkpoint that was triggered and completed. That should be the common case.
//Simply commit that transaction in that case.
//checkPoint完成时调用提交第二步

0x2 Flink的SavePoints实操

首先查看配置文件

[user@hadoop]$ cd /opt/moudle/flink/conf/fink-conf.yaml

#==============================================================================
# Fault tolerance and checkpointing
#==============================================================================

# The backend that will be used to store operator state checkpoints if
# checkpointing is enabled.
# 支持的文件系统 rockdb可以是一个本地文件系统或者HDFS路径(k-v),基于磁盘
# 效率很高 管理对外内存 使用闪存
# Supported backends are 'jobmanager', 'filesystem', 'rocksdb', or the
# <class-name-of-factory>.
#
# state.backend: filesystem

# Directory for checkpoints filesystem, when using any of the default bundled
# state backends.
# checkPoint会保存我们的状态,假如我们的任务挂掉,会自己重启,手动kill,checkpoint会自己删掉
# 自己重启会从这里进行读取
# state.checkpoints.dir: hdfs://namenode-host:port/flink-checkpoints

# Default target directory for savepoints, optional.
# 设置用于手动恢复的savePoint地址
# state.savepoints.dir: hdfs://namenode-host:port/flink-checkpoints

# Flag to enable/disable incremental checkpoints for backends that
# support incremental checkpoints (like the RocksDB state backend). 
#
# state.backend.incremental: false

# The failover strategy, i.e., how the job computation recovers from task failures.
# Only restart tasks that may have been affected by the task failure, which typically includes
# downstream tasks and potentially upstream tasks if their produced data is no longer available for consumption.

jobmanager.execution.failover-strategy: region

bin/flink svaepoint jobid hdfs://........
//保存检查点

1.State与CK的配置

package com.ecust.checkpoint;

import org.apache.flink.api.common.restartstrategy.RestartStrategies;
import org.apache.flink.api.common.time.Time;
import org.apache.flink.contrib.streaming.state.RocksDBStateBackend;
import org.apache.flink.runtime.state.filesystem.FsStateBackend;
import org.apache.flink.runtime.state.memory.MemoryStateBackend;
import org.apache.flink.streaming.api.CheckpointingMode;
import org.apache.flink.streaming.api.environment.StreamExecutionEnvironment;

import java.io.IOException;

/**
 * @author JueQian
 * @create 01-19 9:07
 */
public class Flink03_State_Set {
    public static void main(String[] args) throws IOException {
        //0x0 获取执行环境
        StreamExecutionEnvironment env = StreamExecutionEnvironment.getExecutionEnvironment();

        //0x1 设置状态后端
        env.setStateBackend(new MemoryStateBackend());
        env.setStateBackend(new FsStateBackend("hdfs://hadoop102:8020/flink/flinkCk"));
        env.setStateBackend(new RocksDBStateBackend("hdfs://hadoop102:8020/flink/flinkCK"));

        //0x2 设置CK
        env.enableCheckpointing(10000L);
            //设置ck模式
        env.getCheckpointConfig().setCheckpointingMode(CheckpointingMode.EXACTLY_ONCE);
            //两次ck时间间隔
        env.getCheckpointConfig().setCheckpointInterval(500L);
            //设置ck超时时间
        env.getCheckpointConfig().setCheckpointTimeout(1000L);
            //设置同时最多有多少个CK任务
        env.getCheckpointConfig().setMaxConcurrentCheckpoints(2);
            //设置两个任务的最小间隔时间 头跟尾
        env.getCheckpointConfig().setMinPauseBetweenCheckpoints(1000L);
            //ck重试次数
        env.getCheckpointConfig().setTolerableCheckpointFailureNumber(3);
            //设置是够倾向于使用checkPoint回复
        env.getCheckpointConfig().setPreferCheckpointForRecovery(false);

        //0x3 重启策略 固定延迟 重启三次. 5秒重启一次
        env.setRestartStrategy(RestartStrategies.fixedDelayRestart(3, Time.seconds(5)));
            //失败率重启策略 每隔50秒内重启3次, 每次与每次之间的间隔3秒
        env.setRestartStrategy(RestartStrategies.failureRateRestart(3, Time.minutes(50),Time.seconds(3)));
    }
}

2.测试案例

计算wordcount

package com.ecust.checkpoint;

import org.apache.commons.collections.map.Flat3Map;
import org.apache.flink.api.java.tuple.Tuple2;
import org.apache.flink.runtime.state.filesystem.FsStateBackend;
import org.apache.flink.streaming.api.datastream.DataStreamSource;
import org.apache.flink.streaming.api.datastream.SingleOutputStreamOperator;
import org.apache.flink.streaming.api.environment.CheckpointConfig;
import org.apache.flink.streaming.api.environment.StreamExecutionEnvironment;
import org.apache.flink.streaming.api.functions.ProcessFunction;
import org.apache.flink.util.Collector;

/**
 * @author JueQian
 * @create 01-19 9:26
 */
public class Flink04_State_CheckPoint_Test {
    public static void main(String[] args) throws Exception {
        //0x0 获取执行环境
        StreamExecutionEnvironment env = StreamExecutionEnvironment.getExecutionEnvironment();
        env.setParallelism(1);

        env.setStateBackend(new FsStateBackend("hdfs://hadoop102:8020/flink/ck"));
        env.enableCheckpointing(5000L);

        //设置不自动删除CK
       env.getCheckpointConfig().enableExternalizedCheckpoints(CheckpointConfig.ExternalizedCheckpointCleanup.RETAIN_ON_CANCELLATION);

        //0x1 读取端口数据
        DataStreamSource<String> socketTextStream = env.socketTextStream("hadoop102", 9999);

        //0x2 处理数据
        SingleOutputStreamOperator<Tuple2<String, Integer>> process = socketTextStream.process(new MyProcessMap());
        SingleOutputStreamOperator<Tuple2<String, Integer>> result = process.keyBy(0).sum(1);

        //0x3 打印数据
        result.print();

        //0x4 执行环境
        env.execute();
    }

    public static class MyProcessMap extends ProcessFunction<String, Tuple2<String,Integer>>{
        @Override
        public void processElement(String value, Context ctx, Collector<Tuple2<String,Integer>> out) throws Exception {
            String[] fields = value.split(",");
            for (String field : fields) {
                out.collect(new Tuple2<>(field,1));
            }
        }
    }
}

3.打包,并上传到集群

1.将外部module依赖排除

2.打包上传flink/jars

4.测试提交任务

bin/flink run \
-m yarn-cluster \
-yqu hive \
-c com.ecust.checkpoint.Flink04_State_CheckPoint_Test \
jars/flink-state-cktest.jar

5.将程序中添加UID

package com.ecust.checkpoint;

import org.apache.commons.collections.map.Flat3Map;
import org.apache.flink.api.java.tuple.Tuple2;
import org.apache.flink.runtime.state.filesystem.FsStateBackend;
import org.apache.flink.streaming.api.datastream.DataStreamSource;
import org.apache.flink.streaming.api.datastream.SingleOutputStreamOperator;
import org.apache.flink.streaming.api.environment.CheckpointConfig;
import org.apache.flink.streaming.api.environment.StreamExecutionEnvironment;
import org.apache.flink.streaming.api.functions.ProcessFunction;
import org.apache.flink.util.Collector;

/**
 * @author JueQian
 * @create 01-19 9:26
 */
public class Flink04_State_CheckPoint_Test {
    public static void main(String[] args) throws Exception {
        //0x0 获取执行环境
        StreamExecutionEnvironment env = StreamExecutionEnvironment.getExecutionEnvironment();
        env.setParallelism(1);

        env.setStateBackend(new FsStateBackend("hdfs://hadoop102:8020/flink/ck"));
        env.enableCheckpointing(5000L);

        //设置不自动删除CK
    env.getCheckpointConfig().enableExternalizedCheckpoints(CheckpointConfig.ExternalizedCheckpointCleanup.RETAIN_ON_CANCELLATION);

        //0x1 读取端口数据
        SingleOutputStreamOperator<String> source = env.socketTextStream("hadoop102", 9999).uid("source-1");

        //0x2 处理数据
        SingleOutputStreamOperator<Tuple2<String, Integer>> process = source.process(new MyProcessMap()).uid("process-2");
        SingleOutputStreamOperator<Tuple2<String, Integer>> result = process.keyBy(0).sum(1).uid("sum-3");

        //0x3 打印数据
        result.print();

        //0x4 执行环境
        env.execute();
    }

    public static class MyProcessMap extends ProcessFunction<String, Tuple2<String,Integer>>{
        @Override
        public void processElement(String value, Context ctx, Collector<Tuple2<String,Integer>> out) throws Exception {
            String[] fields = value.split(",");
            for (String field : fields) {
                out.collect(new Tuple2<>(field,1));
            }
        }
    }
}

6.提交UID程序

bin/flink run \
-m yarn-cluster \
-c com.ecust.checkpoint.Flink04_State_CheckPoint_Test \
jars/flink-state-uidtest.jar

7.触发savepoint

bin/flink savepoint 1b5e52b1918314b1de6027821a9010ac hdfs://hadoop102:8020/savepoint/ -yid application_1610958550227_0004
# jobid 地址 appid

8.使用savepoint重启任务

bin/flink run -s hdfs://hadoop102:8020/savepoint/savepoint-1b5e52-ae6ffd50e8b6 \
-m yarn-cluster \
-yqu hive \
-c com.ecust.checkpoint.Flink04_State_CheckPoint_Test \
./jars/flink-state-uidtest.jar

9.修改代码准备升级

package com.ecust.checkpoint;

import org.apache.commons.collections.map.Flat3Map;
import org.apache.flink.api.common.functions.MapFunction;
import org.apache.flink.api.java.tuple.Tuple2;
import org.apache.flink.runtime.state.filesystem.FsStateBackend;
import org.apache.flink.streaming.api.datastream.DataStreamSource;
import org.apache.flink.streaming.api.datastream.SingleOutputStreamOperator;
import org.apache.flink.streaming.api.environment.CheckpointConfig;
import org.apache.flink.streaming.api.environment.StreamExecutionEnvironment;
import org.apache.flink.streaming.api.functions.ProcessFunction;
import org.apache.flink.util.Collector;

/**
 * @author JueQian
 * @create 01-19 9:26
 */
public class Flink04_State_CheckPoint_Test {
    public static void main(String[] args) throws Exception {
        //0x0 获取执行环境
        StreamExecutionEnvironment env = StreamExecutionEnvironment.getExecutionEnvironment();
        env.setParallelism(1);

        env.setStateBackend(new FsStateBackend("hdfs://hadoop102:8020/flink/ck"));
        env.enableCheckpointing(5000L);

        //设置不自动删除CK
        env.getCheckpointConfig().enableExternalizedCheckpoints(CheckpointConfig.ExternalizedCheckpointCleanup.RETAIN_ON_CANCELLATION);

        //0x1 读取端口数据
        SingleOutputStreamOperator<String> source = env.socketTextStream("hadoop102", 9999).uid("source-1");

        //0x2 处理数据
        SingleOutputStreamOperator<Tuple2<String, Integer>> process = source.process(new MyProcessMap()).uid("process-2");
        SingleOutputStreamOperator<Tuple2<String, Integer>> result0 = process.keyBy(0).sum(1).uid("sum-3");

        //0x2 update 升级处理数据
        SingleOutputStreamOperator<String> result = (SingleOutputStreamOperator<String>) result0.map(new MapFunction<Tuple2<String, Integer>, String>() {
            @Override
            public String map(Tuple2<String, Integer> stringIntegerTuple2) throws Exception {
                return stringIntegerTuple2.f0 + "总数为:" + stringIntegerTuple2.f1;
            }
        }).uid("mapper-4");

        //0x3 打印数据
        result.print();

        //0x4 执行环境
        env.execute();
    }

    public static class MyProcessMap extends ProcessFunction<String, Tuple2<String,Integer>>{
        @Override
        public void processElement(String value, Context ctx, Collector<Tuple2<String,Integer>> out) throws Exception {
            String[] fields = value.split(",");
            for (String field : fields) {
                out.collect(new Tuple2<>(field,1));
            }
        }
    }
}

打包上传

10.从savepoint启动并切换jar包

bin/flink run -s hdfs://hadoop102:8020/savepoint/savepoint-1b5e52-ae6ffd50e8b6 \
-m yarn-cluster \
-c com.ecust.checkpoint.Flink04_State_CheckPoint_Test \
./jars/flink-state-update.jar

0x3 Flink的CheckPoint实操

由于我们已经在程序设置好了

注意

bin/flink run -s hdfs://hadoop102:8020/flink/ck/3f3bafadf4fe7dc6ca1dcf9768d71233/chk-346 \
-m yarn-cluster \
-yqu hive \
-c com.ecust.checkpoint.Flink04_State_CheckPoint_Test \
./jars/flink-state-update.jar

Jinxin Li

http://fourgold.github.io/2021/01/12/13Flink06_%E5%AE%B9%E9%94%99%E4%B8%8E%E6%A3%80%E6%9F%A5%E7%82%B9%E7%AE%97%E6%B3%95/

本博客所有文章除特別声明外，均采用 CC BY 4.0 许可协议。转载请注明来源 Jinxin Li !

无标签

hive01

2021-01-18 Jinxin Li

Hadoop下的存储格式LZO

2021-01-04 spark

lzo

Flink06_容错与检查点算法

0x0 Flink的容错机制

1.一致性检查点(checkpoint)

2.从检查点恢复状态

2.1从检查点恢复具体流程

3.Flink检查点算法

3.1术语解释

检查点分界线（Checkpoint Barrier)

3.2检查点算法工作流程

4.保存点(SavePoints)(实战–0x2)

5.如何使用SavePoints

0x1 Flink的状态一致性

1.状态一致性概念

2.状态一致性分类

2.1 AT-MOST-ONCE（最多一次）

2.2 AT-LEAST-ONCE（至少一次）

2.3 EXACTLY-ONCE（精确一次）

3.一致性检查点(CheckPoint)

4.端对端(end-to-end)状态的一致性

5.端到端 exactly-once

5.1幂等写入

5.2事务写入（Transactional Writes）

5.2.1 预写日志（Write-Ahead-Log，WAL）

5.2.2 两阶段提交（Two-Phase-Commit，2PC）

6.Flink+Kafka 端到端状态一致性的保证

7.Exactly-once 两阶段提交

8.源码寻找kafka sink的两阶段提交

0x2 Flink的SavePoints实操

1.State与CK的配置

2.测试案例

3.打包,并上传到集群

4.测试提交任务

5.将程序中添加UID

6.提交UID程序

7.触发savepoint

8.使用savepoint重启任务

9.修改代码准备升级

10.从savepoint启动并切换jar包

0x3 Flink的CheckPoint实操

你的赏识是我前进的动力