Flink任务如何跑起来之 1.DataStream和Transformation
1. 滥觞
在使用Flink完成业务功能之余，有必要了解下我们的任务是如何跑起来的。知其然，知其所以然。
既然重点是学习应用程序如何跑起来，那么应用程序的内容不重要，越简单越好。
WordCount示例作为学习数据引擎时hello word程序，再合适不过。接下来便以任务执行顺序为线索开启对源码逐步学习。
public class WordCount {
public static void main(String[] args) throws Exception {
// 初始化执行环境
Configuration configuration = new Configuration();
configuration.setString("rest.port", "9091");
StreamExecutionEnvironment env = StreamExecutionEnvironment.createLocalEnvironmentWithWebUI(configuration);
env.setParallelism(1);
// 业务逻辑转换
DataStream<String> text = env.fromCollection(Arrays.asList("zhangsan", "lisi", "wangwu", "zhangsan")).name("zl-source");
DataStream<Tuple2<String, Integer>> counts = text.map(row -> Tuple2.of(row, 1))
.returns(Types.TUPLE(Types.STRING, Types.INT))
.keyBy(value -> value.f0)
.sum(1)
.name("counter");
counts.print().name("print-sink");
// 执行应用程序
env.execute("WordCount");
}
}
为了使示例代码足够纯粹（直接复制粘贴后即可跑起来的那种），因此在示例中直接使用List数据作为Source。
最后，计划将自己学习的过程以系列文档的形式作为记录。同时作为自己学习过程的记录，可能存在错误或片面理解，欢迎一起讨论。
2. 头疼的“角色”
在学习源码或查阅资料的同时，以下单词（但不限于）一定会频繁出现，它们或者直接对应flink源码中的接口、类名，或者是一些概念名称。初次看到难免让人抓狂。现在先对这些单词混个脸熟。
Client
JobManager/JobMaster
TaskManager/TaskExecutor
Transformation
StreamOperator
StreamGraph
JobGraph
ExecutionGraph
Task
StreamTask
……
3. 宏观视角
当任务开始执行后，便可以在WebUI上查看其对应的物理执行拓扑，即Task DAG。从我们编写的应用程序代码到Task DAG势必经历了复杂的解析转换操作，这个过程大体如下所示。
我们编写的应用程序代码首先会转化为Transformation，该实例将作为Flink世界中的起点，开启了之后一系列“旅程”。
4. env.execute()方法做了什么？
在使用DataStream API编写应用程序时，无论业务逻辑如何如何的复杂，但整体结构大致由三部分构成，即
// 1.初始化执行环境
StreamExecutionEnvironment env = ;
// 2.业务逻辑转换，即一系列的DataStream转化
DataStream source = ;
// 3.env.execute()
env.execute();
既然最后必须执行 env.execute()方法，那么首先了解下execute都执行了那些操作。
基于1.16版本的源码，并只保留了源码中的关键逻辑。
// 方法1
public JobExecutionResult execute(String jobName) throws Exception {
final List<Transformation<?>> originalTransformations = new ArrayList<>(transformations);
// 生成StreamGraph，最终调用方法4，通过StreamGraphGenerator生成StreamGraph
StreamGraph streamGraph = getStreamGraph();
// ...
try {
// 调用方法2
return execute(streamGraph);
} catch (Throwable t) {
// ...
}
}
// 方法2
public JobExecutionResult execute(StreamGraph streamGraph) throws Exception {
// 调用方法3，通过StreamGraph最终得到JobClient
final JobClient jobClient = executeAsync(streamGraph);
try {
final JobExecutionResult jobExecutionResult;
// ...
jobListeners.forEach(
jobListener -> jobListener.onJobExecuted(jobExecutionResult, null));
return jobExecutionResult;
} catch (Throwable t) {
// ...
}
}
// 方法3
public JobClient executeAsync(StreamGraph streamGraph) throws Exception {
// 根据启动环境，得到对应环境的Executor实现
// 如miniCluster环境则对应LocalExecutor
final PipelineExecutor executor = getPipelineExecutor();
// 在具体的executor.execute方法中，将StreamGraph先转化成JobGraph，在将JobGraph提交到JobManager中
CompletableFuture<JobClient> jobClientFuture =
executor.execute(streamGraph, configuration, userClassloader);
try {
JobClient jobClient = jobClientFuture.get();
jobListeners.forEach(jobListener -> jobListener.onJobSubmitted(jobClient, null));
collectIterators.forEach(iterator -> iterator.setJobClient(jobClient));
collectIterators.clear();
return jobClient;
} catch (ExecutionException executionException) {
// ...
}
}
// 方法4
private StreamGraph getStreamGraph(List<Transformation<?>> transformations) {
synchronizeClusterDatasetStatus();
// 根据Transformation生成StreamGraph
return getStreamGraphGenerator(transformations).generate();
}
通过上述源码调用链可以，完成从DataStream API->Transformation->StreamGraph->JobGraph的转化。最后将JobGraph提交到了JobManager中并，执行后续操作。
从上述方法4getStreamGraph(List<Transformation<?>> transformations)可知，StreamGraph由Transformation演变而来，此处不禁会产生一个新的疑问，Transformation又从何而来？
WordCount示例代码中并没有与Transformation直接相关的代码。通过查看getSreamGraph方法的完成调用链可知其入参直接来自是StreamExecutionEnvironment类中的transformations成员属性值。在应用程序第一步便生成了StreamExecutionEnvironment的实例，接下来通过env得到DataStream并进行了一系列的转化操作，而在最后的execute方法中便已直接使用transformations属性值了，那么该属性中一定是前面2个过程中实际赋值的。
protected final List<Transformation<?>> transformations = new ArrayList<>();
5. Transformation何时生成？
从StreamExecutionEnvironment的源码中可知，transformations属性只有addOperator方法会执行集合的add操作，其余地方均为集合的get操作。
然而addOperator方法有诸多调用方，且均为其他类中的调用，继续往上查看调用方有些困难，因此这里暂时记下addOperator方法唯一对transformations集合中执行add操作的结论。
// 该方法不适合用户使用。创建operator的api方法必须调用此方法
@Internal
public void addOperator(Transformation<?> transformation) {
Preconditions.checkNotNull(transformation, "transformation must not be null.");
this.transformations.add(transformation);
}
通过查看StreamExecutionEnvironment实例的创建过程，可以发现在创建过程中并无transformations的add操作，因此是在DataStream转换操作中对transformations执行了add操作。
5.1. DataStream
在Flink中使用DataStream表示数据流。其仅用于表达业务转化逻辑，实际上并没有真正的存储数据。
DataSteam是顶层封装类，其子类如下
DataStream类中只有两个成员属性，分别是StreamExecutionEnvironment和Transformation，并在构造方法中对其进行初始化。因此实例化DataStream的同时除执行环境外，还必须传入Transformation的实例。
public class DataStream<T> {
protected final StreamExecutionEnvironment environment;
protected final Transformation<T> transformation;
public DataStream(StreamExecutionEnvironment environment, Transformation<T> transformation) {
this.environment =
Preconditions.checkNotNull(environment, "Execution Environment must not be null.");
this.transformation =
Preconditions.checkNotNull(
transformation, "Stream Transformation must not be null.");
}
// ...
}
回到WordCount示例代码中，从集合到DataStream的过程，封装示意如下。
注意，Transformation中并不是直接持有了AbstractUdfStreamOperator的引用，而是对应的工厂。
源码中关键步骤如下
// 步骤1，从List到Function
public <OUT> DataStreamSource<OUT> fromCollection(
Collection<OUT> data, TypeInformation<OUT> typeInfo) {
// ...
// 创建SourceFunction实例，SourceFunction是Function的实现
SourceFunction<OUT> function = new FromElementsFunction<>(data);
return addSource(function, "Collection Source", typeInfo, Boundedness.BOUNDED)
.setParallelism(1);
}
// 步骤2，从Function到StreamOperator
private <OUT> DataStreamSource<OUT> addSource(
final SourceFunction<OUT> function,
final String sourceName,
@Nullable final TypeInformation<OUT> typeInfo,
final Boundedness boundedness) {
// ...
// 创建StreamSource实例，StreamSource是AbstractUdfStreamOperator的子类，Flink中算子的表示
final StreamSource<OUT, ?> sourceOperator = new StreamSource<>(function);
return new DataStreamSource<>(
this, resolvedTypeInfo, sourceOperator, isParallel, sourceName, boundedness);
}
// 步骤3，从StreamOperator到Transformation，再到DataStream
public DataStreamSource(
StreamExecutionEnvironment environment,
TypeInformation<T> outTypeInfo,
StreamSource<T, ?> operator,
boolean isParallel,
String sourceName,
Boundedness boundedness) {
super(
environment,
// 创建Transformation实例,Transformation是PhysicalTransformation的子类
new LegacySourceTransformation<>(
sourceName,
// 将StreamSource封装到Transformation中
operator,
outTypeInfo,
environment.getParallelism(),
boundedness));
// ...
}
继续查看DataStream的map操作可以可以发现，核心流程和上述由集合创建DataStream的过程基本一致：
- 首先创建Function实例
- 其次由Function实例创建AbstractUdfStreamOperator实例
- 然后将AbstractUdfStreamOperator实例封装到Transformation实例中
- 最后由Transformation和StreamExecutionEnvironment实例创建DataStream实例
不同之处在于，map操作最后将得到的PhysicalTransformation实例添加到StreamExecutionEnvironment实例中的transformations集合中去了。这点差异其实和Transformation实例表示的含义有关，放在文章末尾解释。
protected <R> SingleOutputStreamOperator<R> doTransform(
String operatorName,
TypeInformation<R> outTypeInfo,
StreamOperatorFactory<R> operatorFactory) {
// ...
OneInputTransformation<T, R> resultTransform =
new OneInputTransformation<>(
this.transformation,
operatorName,
operatorFactory,
outTypeInfo,
environment.getParallelism());
SingleOutputStreamOperator<R> returnStream =
new SingleOutputStreamOperator(environment, resultTransform);
// 区别：添加Transformation到StreamExecutionEnvironment中
getExecutionEnvironment().addOperator(resultTransform);
return returnStream;
}
但并不是全部的DataStream转化操作都需要经历上述将Function实例封装成AbstractUdfStreamOperator实例，然后将AbstractUdfStreamOperator实例封装到PhysicalTransformation实例的过程。如示例代码中的keyBy和sum操作。其中keyBy并未直接涉及Function，而sum操作直接将得到的SumAggregator函数实例封装到了ReduceTransformation实例中，然后由ReduceTransformation实例得到DataStream实例。
5.2. Transformation
DataStream面向开发者，而Transformation面向flink内核。
每个DataStream实例中都包含一个Transformation实例，表示当前Datastream从上游的DataStream使用该Transformation而来。而所有DataStream中Transformation又都添加到了StreamExecutionEnvironment实例中的transformations集合中去，用于接下来的StreamGraph实例的生成。
Transformation中记录了上游的数据来源，但其并关心数据的物理来源、序列化、转发等问题。
Transformatio是顶层抽象类，有众多的子类，涵盖了DataStream的所有转换，其直接子类如下，可以分为两大类
- PhysicalTransformation，将会转换成后续graph中节点信息
- 非PhysicalTransformation，将会转换成后续graph中的边信息
Transformation中属性如下所示，其中Optional<SlotSharingGroup>表示共享槽位信息，只有开启了允许共享槽位后，该属性才会被设置值。
其构造方法如下，除name外还需要输出类型和并行度两个参数。
public Transformation(String name, TypeInformation<T> outputType, int parallelism) {
this.id = getNewNodeId();
this.name = Preconditions.checkNotNull(name);
this.outputType = outputType;
this.parallelism = parallelism;
this.slotSharingGroup = Optional.empty();
}
PhysicalTransformation仅在其父类的基础上增加了设置ChainingStrategy的方法，用于表示生成算子链的策略。
@Internal
public abstract class PhysicalTransformation<T> extends Transformation<T> {
PhysicalTransformation(String name, TypeInformation<T> outputType, int parallelism) {
super(name, outputType, parallelism);
}
/** Sets the chaining strategy of this {@code Transformation}. */
public abstract void setChainingStrategy(ChainingStrategy strategy);
}
PhysicalTransformation中有众多的实现子类，全部子类继承关系如下。
其中以下几个子类出场频率相对更高一些，其他子类只有我们的业务逻辑比较复杂时才会用到。
LegacySourceTransformation表示Source的TransformationLegacySinkTransformation表示Sink的TransformationSourceTransformationSinkTransformationOneInputTransformation表示单个输入流的Transformation，如常见的map、flatMap、fliter等TwoInputTransformation表示两个输入流的Transformation，如concat
疑问：为什么Source和Sink都各自分别有两个Transformation子类？
通过名称也可以看出一些端倪，新老两种实现。
在1.14版本之前，分别通过env.addSource(SourceFunction)和DataStream.addSink(SinkFunction)方法生成source和sink
从1.14版本开始新增了env.fromSource(Source)和DataStream.sinkTo(Sink)的方式生成source和sink。
新旧方法中入参类型不同，因此导致了两种不同的Transformation实现，从各自的实现类中也可以体现这一点，如下所示。
public class LegacySourceTransformation<T> extends PhysicalTransformation<T>
implements WithBoundedness {
// sourceFunction的引用
private final StreamOperatorFactory<T> operatorFactory;
// ...
}
public class SourceTransformation<OUT, SplitT extends SourceSplit, EnumChkT>
extends PhysicalTransformation<OUT> implements WithBoundedness {
// source的引用
private final Source<OUT, SplitT, EnumChkT> source;
// ...
}
public class LegacySinkTransformation<T> extends PhysicalTransformation<T> {
private final Transformation<T> input;
// sinkFunction的引用
private final StreamOperatorFactory<Object> operatorFactory;
// ...
}
public class SinkTransformation<InputT, OutputT> extends PhysicalTransformation<OutputT> {
private final DataStream<InputT> inputStream;
// sink的引用
private final Sink<InputT> sink;
private final Transformation<InputT> input;
// ...
}
Source作为整个数据流的头部，不存在上游，因此其Transformation实现中没有上游Transformation的引用，除此之外其余的Transformation子类中，均持有一个表示上游Transformation的引用，如上述sink中的input属性。
最后解释下，前面提到的为什么没有将表示Source的DataStream中的Transformation加入到env中表示Transformation的集合中，而接下来的转化中，将对应的Transformation加入到了env中。因为Source作为数据源的头部，不会存在上游，而Source作为其他DataSteam的上游，一定会加入到其Transformation的input中，因此没必要单独将Source的transformation加入到env中。
