京東:Flink SQL 優化實戰
簡介:本文著重從 shuffle、join 方式的選擇、物件重用、UDF 重用等方面介紹了京東在 Flink SQL 任務方面做的優化措施。
本文作者為京東演算法服務部的張穎和段學浩,並由 Apache Hive PMC,阿里巴巴技術專家李銳幫忙校對。主要內容為:
- 背景
- Flink SQL 的優化
- 總結
一、背景
目前,京東搜尋推薦的資料處理流程如上圖所示。可以看到實時和離線是分開的,離線資料處理大部分用的是 Hive / Spark,實時資料處理則大部分用 Flink / Storm。
這就造成了以下現象:在一個業務引擎裡,使用者需要維護兩套環境、兩套程式碼,許多共性不能複用,資料的質量和一致性很難得到保障。且因為流批底層資料模型不一致,導致需要做大量的拼湊邏輯;甚至為了資料一致性,需要做大量的同比、環比、二次加工等資料對比,效率極差,並且非常容易出錯。
而支援批流一體的 Flink SQL 可以很大程度上解決這個痛點,因此我們決定引入 Flink 來解決這種問題。
在大多數作業,特別是 Flink 作業中,執行效率的優化一直是 Flink 任務優化的關鍵,在京東每天資料增量 PB 級情況下,作業的優化顯得尤為重要。
寫過一些 SQL 作業的同學肯定都知道,對於 Flink SQL 作業,在一些情況下會造成同一個 UDF 被反覆呼叫的情況,這對一些消耗資源的任務非常不友好;此外,影響執行效率大致可以從 shuffle、join、failover 策略等方面考慮;另外,Flink 任務除錯的過程也非常複雜,對於一些線上機器隔離的公司來說尤甚。
為此,我們實現了內嵌式的 Derby 來作為 Hive 的元資料儲存資料庫 (allowEmbedded);在任務恢復方面,批式作業沒有 checkpoint 機制來實現failover,但是 Flink 特有的 region 策略可以使批式作業快速恢復;此外,本文還介紹了物件重用等相關優化措施。
二、 Flink SQL 的優化
1. UDF 重用
在 Flink SQL 任務裡會出現以下這種情況:如果相同的 UDF 既出現在 LogicalProject 中,又出現在 Where 條件中,那麼 UDF 會進行多次呼叫 (見https://issues.apache.org/jira/browse/FLINK-20887)。但是如果該 UDF 非常耗 CPU 或者記憶體,這種多餘的計算會非常影響效能,為此我們希望能把 UDF 的結果快取起來下次直接使用。在設計的時候需要考慮:(非常重要:請一定保證 LogicalProject 和 where 條件的 subtask chain 到一起)
- 一個 taskmanager 裡面可能會有多個 subtask,所以這個 cache 要麼是 thread (THREAD LOCAL) 級別要麼是 tm 級別;
- 為了防止出現一些情況導致清理 cache 的邏輯走不到,一定要在 close 方法裡將 cache 清掉;
- 為了防止記憶體無限增大,選取的 cache 最好可以主動控制 size;至於 “超時時間”,建議可以配置一下,但是最好不要小於 UDF 先後呼叫的時間;
- 上文有提到過,一個 tm 裡面可能會有多個 subtask,相當於 tm 裡面是個多執行緒的環境。首先我們的 cache 需要是執行緒安全的,然後可根據業務判斷需不需要鎖。
根據以上考慮,我們用 guava cache 將 UDF 的結果快取起來,之後呼叫的時候直接去cache 裡面拿資料,最大可能降低任務的消耗。下面是一個簡單的使用(同時設定了最大使用 size、超時時間,但是沒有寫鎖):
public class RandomFunction extends ScalarFunction {
private static Cache<String, Integer> cache = CacheBuilder.newBuilder()
.maximumSize(2)
.expireAfterWrite(3, TimeUnit.SECONDS)
.build();
public int eval(String pvid) {
profileLog.error("RandomFunction invoked:" + atomicInteger.incrementAndGet());
Integer result = cache.getIfPresent(pvid);
if (null == result) {
int tmp = (int)(Math.random() * 1000);
cache.put("pvid", tmp);
return tmp;
}
return result;
}
@Override
public void close() throws Exception {
super.close();
cache.cleanUp();
}
}
2. 單元測試
大家可能會好奇為什麼會把單元測試也放到優化裡面,大家都知道 Flink 任務除錯過程非常複雜,對於一些線上機器隔離的公司來說尤甚。京東的本地環境是沒有辦法訪問任務伺服器的,因此在初始階段除錯任務,我們耗費了很多時間用來上傳 jar 包、檢視日誌等行為。
為了降低任務的除錯時間、增加程式碼開發人員的開發效率,實現了內嵌式的 Derby 來作為 Hive 的元資料儲存資料庫 (allowEmbedded),這算是一種優化開發時間的方法。具體思路如下:
首先建立 Hive Conf:
public static HiveConf createHiveConf() {
ClassLoader classLoader = new HiveOperatorTest().getClass().getClassLoader();
HiveConf.setHiveSiteLocation(classLoader.getResource(HIVE_SITE_XML));
try {
TEMPORARY_FOLDER.create();
String warehouseDir = TEMPORARY_FOLDER.newFolder().getAbsolutePath() + "/metastore_db";
String warehouseUri = String.format(HIVE_WAREHOUSE_URI_FORMAT, warehouseDir);
HiveConf hiveConf = new HiveConf();
hiveConf.setVar(
HiveConf.ConfVars.METASTOREWAREHOUSE,
TEMPORARY_FOLDER.newFolder("hive_warehouse").getAbsolutePath());
hiveConf.setVar(HiveConf.ConfVars.METASTORECONNECTURLKEY, warehouseUri);
hiveConf.set("datanucleus.connectionPoolingType", "None");
hiveConf.set("hive.metastore.schema.verification", "false");
hiveConf.set("datanucleus.schema.autoCreateTables", "true");
return hiveConf;
} catch (IOException e) {
throw new CatalogException("Failed to create test HiveConf to HiveCatalog.", e);
}
}
接下來建立 Hive Catalog:(利用反射的方式呼叫 embedded 的介面)
public static void createCatalog() throws Exception{
Class clazz = HiveCatalog.class;
Constructor c1 = clazz.getDeclaredConstructor(new Class[]{String.class, String.class, HiveConf.class, String.class, boolean.class});
c1.setAccessible(true);
hiveCatalog = (HiveCatalog)c1.newInstance(new Object[]{"test-catalog", null, createHiveConf(), "2.3.4", true});
hiveCatalog.open();
}
建立 tableEnvironment:(同官網)
EnvironmentSettings settings = EnvironmentSettings.newInstance().useBlinkPlanner().inBatchMode().build();
TableEnvironment tableEnv = TableEnvironment.create(settings);
TableConfig tableConfig = tableEnv.getConfig();
Configuration configuration = new Configuration();
configuration.setInteger("table.exec.resource.default-parallelism", 1);
tableEnv.registerCatalog(hiveCatalog.getName(), hiveCatalog);
tableEnv.useCatalog(hiveCatalog.getName());
最後關閉 Hive Catalog:
public static void closeCatalog() {
if (hiveCatalog != null) {
hiveCatalog.close();
}
}
此外,對於單元測試,構建合適的資料集也是一個非常大的功能,我們實現了 CollectionTableFactory,允許自己構建合適的資料集,使用方法如下:
CollectionTableFactory.reset();
CollectionTableFactory.initData(Arrays.asList(Row.of("this is a test"), Row.of("zhangying480"), Row.of("just for test"), Row.of("a test case")));
StringBuilder sbFilesSource = new StringBuilder();
sbFilesSource.append("CREATE temporary TABLE db1.`search_realtime_table_dump_p13`(" + " `pvid` string) with ('connector.type'='COLLECTION','is-bounded' = 'true')");
tableEnv.executeSql(sbFilesSource.toString());
3. join 方式的選擇
傳統的離線 Batch SQL (面向有界資料集的 SQL) 有三種基礎的實現方式,分別是 Nested-loop Join、Sort-Merge Join 和 Hash Join。
效率 | 空間 | 備註 | |
---|---|---|---|
Nested-loop Join | 差 | 佔用大 | |
Sort-Merge Join | 有sort merge開銷 | 佔用小 | 有序資料集的一種優化措施 |
Hash Join | 高 | 佔用大 | 適合大小表 |
- Nested-loop Join 最為簡單直接,將兩個資料集載入到記憶體,並用內嵌遍歷的方式來逐個比較兩個資料集內的元素是否符合 Join 條件。Nested-loop Join 的時間效率以及空間效率都是最低的,可以使用:table.exec.disabled-operators:NestedLoopJoin 來禁用。
以下兩張圖片是禁用前和禁用後的效果 (如果你的禁用沒有生效,先看一下是不是 Equi-Join):
- Sort-Merge Join 分為 Sort 和 Merge 兩個階段:首先將兩個資料集進行分別排序,然後再對兩個有序資料集分別進行遍歷和匹配,類似於歸併排序的合併。(Sort-Merge Join 要求對兩個資料集進行排序,但是如果兩個輸入是有序的資料集,則可以作為一種優化方案)。
-
Hash Join 同樣分為兩個階段:首先將一個數據集轉換為 Hash Table,然後遍歷另外一個數據集元素並與 Hash Table 內的元素進行匹配。
- 第一階段和第一個資料集分別稱為 build 階段和 build table;
- 第二個階段和第二個資料集分別稱為 probe 階段和 probe table。
Hash Join 效率較高但是對空間要求較大,通常是作為 Join 其中一個表為適合放入記憶體的小表的情況下的優化方案 (並不是不允許溢寫磁碟)。
注意:Sort-Merge Join 和 Hash Join 只適用於 Equi-Join ( Join 條件均使用等於作為比較運算元)。
Flink 在 join 之上又做了一些細分,具體包括:
特點 | 使用 | |
---|---|---|
Repartition-Repartition strategy | 對資料集分別進行分割槽和shuffle,如果資料集大的時候效率極差 | 兩個資料集相差不大 |
Broadcast-Forward strategy | 將小表的資料全部發送到大表資料的機器上 | 兩個資料集有較大的差距 |
- Repartition-Repartition strategy:Join 的兩個資料集分別對它們的 key 使用相同的分割槽函式進行分割槽,並經過網路傳送資料;
- Broadcast-Forward strategy:大的資料集不做處理,另一個比較小的資料集全部複製到叢集中一部分資料的機器上。
眾所周知,batch 的 shuffle 非常耗時間。
- 如果兩個資料集有較大差距,建議採用 Broadcast-Forward strategy;
- 如果兩個資料集差不多,建議採用 Repartition-Repartition strategy。
可以通過:table.optimizer.join.broadcast-threshold 來設定採用 broadcast 的 table 大小,如果設定為 “-1”,表示禁用 broadcast。
下圖為禁用前後的效果:
4. multiple input
在 Flink SQL 任務裡,降低 shuffle 可以有效的提高 SQL 任務的吞吐量,在實際的業務場景中經常遇到這樣的情況:上游產出的資料已經滿足了資料分佈要求 (如連續多個 join 運算元,其中 key 是相同的),此時 Flink 的 forward shuffle 是冗餘的 shuffle,我們希望將這些運算元 chain 到一起。Flink 1.12 引入了 mutiple input 的特性,可以消除大部分沒必要的 forward shuffle,把 source 的運算元 chain 到一起。
table.optimizer.multiple-input-enabled:true
下圖為開了 multiple input 和沒有開的拓撲圖 ( operator chain 功能已經開啟):
5. 物件重用
上下游 operator 之間會經過序列化 / 反序列化 / 複製階段來進行資料傳輸,這種行為非常影響 Flink SQL 程式的效能,可以通過啟用物件重用來提高效能。但是這在 DataStream 裡面非常危險,因為可能會發生以下情況:在下一個運算元中修改物件意外影響了上面運算元的物件。
但是 Flink 的 Table / SQL API 中是非常安全的,可以通過如下方式來啟用:
StreamExecutionEnvironment env = StreamExecutionEnvironment.getExecutionEnvironment();
env.getConfig().enableObjectReuse();
或者是通過設定:pipeline-object-reuse:true
為什麼啟用了物件重用會有這麼大的效能提升?在 Blink planner 中,同一任務的兩個運算元之間的資料交換最終將呼叫 BinaryString#copy,檢視實現程式碼,可以發現 BinaryString#copy 需要複製底層 MemorySegment 的位元組,通過啟用物件重用來避免複製,可以有效提升效率。
下圖為沒有開啟物件重用時相應的火焰圖:
6. SQL 任務的 failover 策略
batch 任務模式下 checkpoint 以及其相關的特性全部都不可用,因此針對實時任務的基於 checkpoint 的 failover 策略是不能應用在批任務上面的,但是 batch 任務允許 Task 之間通過 Blocking Shuffle 進行通訊,當一個 Task 因為任務未知的原因失敗之後,由於 Blocking Shuffle 中儲存了這個 Task 所需要的全部資料,所以只需要重啟這個 Task 以及通過 Pipeline Shuffle 與其相連的全部下游任務即可:
jobmanager.execution.failover-strategy:region (已經 finish 的 operator 可直接恢復)
table.exec.shuffle-mode:ALL_EDGES_BLOCKING (shuffle 策略)。
7. shuffle
Flink 裡的 shuffle 分為 pipeline shuffle 和 blocking shuffle。
- pipeline shuffle 效能好,但是對資源的要求高,而且容錯比較差 (會將該 operator 分到前面的一個 region 裡面,對於 batch 任務來說,如果這個運算元出問題,將從上一個 region 恢復);
-
blocking shuffle 就是傳統的 batch shuffle,會將資料落盤,這種 shuffle 的容錯好,但是會產生大量的磁碟、網路 io (如果為了省心的話,建議用 blocking suffle)。blocking shuffle 又分為 hash shuffle 和 sort shuffle,
- 如果你的磁碟是 ssd 並且併發不太大的話,可以選擇使用 hash shuffle,這種 shuffle 方式產生的檔案多、隨機讀多,對磁碟 io 影響較大;
- 如果你是 sata 並且併發比較大,可以選擇用 sort-merge shuffle,這種 shuffle 產生的資料少,順序讀,不會產生大量的磁碟 io,不過開銷會更大一些 (sort merge)。
相應的控制引數:
table.exec.shuffle-mode,該引數有多個引數,預設是 ALL_EDGES_BLOCKING,表示所有的邊都會用 blocking shuffle,不過大家可以試一下 POINTWISE_EDGES_PIPELINED,表示 forward 和 rescale edges 會自動開始 pipeline 模式。
taskmanager.network.sort-shuffle.min-parallelism ,將這個引數設定為小於你的並行度,就可以開啟 sort-merge shuffle;這個引數的設定需要考慮一些其他的情況,具體的可以按照官網設定。
三、總結
本文著重從 shuffle、join 方式的選擇、物件重用、UDF 重用等方面介紹了京東在 Flink SQL 任務方面做的優化措施。另外,感謝京東實時計算研發部付海濤等全部同事的支援與幫助。
原文連結
本文為阿里雲原創內容,未經允許不得轉載。