个推基于Flink SQL建设实时数仓实践

个推基于Flink SQL建设实时数仓实践

作为一家数据智能企业，个推在服务垂直行业客户的过程中，会涉及到很多数据实时计算和分析的场景，比如在服务开发者时，需要对App消息推送的下发数、到达数、打开率等后效数据进行实时统计；在服务政府单位时，需要对区域内实时人口进行统计和画像分析。为了更好地支撑大数据业务发展，个推也建设了自己的实时数仓。相比Storm、Spark等实时处理框架，Flink不仅具有高吞吐、低延迟等特性，同时还支持精确一次语义（exactly once）、状态存储等特性，拥有很好的容错机制，且使用门槛低、易上手、开发难度小。因此，个推主要基于Flink SQL来解决大部分的实时作业需求。

目前个推主要使用3种方式进行Flink作业：Zeppelin模式、Jar模式和SQL模式。相比另外两种模式，使用SQL模式进行Flink作业，虽然更为简单、通用性也更强，但是在性能调优方面，却存在较大难度。本文将个推Flink SQL使用和调优经验进行了总结，旨在帮助大家在基于Flink SQL进行实时计算作业时少走弯路、提升效率。

个推Flink SQL使用现状

在SQL模式下，个推通过jar+SQL文件+配置参数的方式使用Flink。其中jar是基于Flink封装的执行SQL文件的执行jar，提交命令示例如下：

/opt/flink/bin/flink run -m yarn-cluster -ynm KafkaSourceHbaseSinkCaseTestSql 
-c ${mainClassName} 
${jarPath} 
--flink.parallelism 40 
--mode stream 
--sql.file.path ${sqlFile}

SQL文件内容示例如下：

create table kafka_table(
  ts  bigint,
  username string,
  num bigint
) with (
  'connector' = 'kafka',
  'topic' = 'test',
  'properties.bootstrap.servers' = '',
  'properties.group.id' = 'test-consumer001',
  'scan.startup.mode' = 'latest-offset',
  'format' = 'csv'
)

create table sink_table(
  ts  bigint,
  username string,
  num bigint
) with (
  'connector' = 'kafka',
  'topic' = 'test2',
  'properties.bootstrap.servers' = '',
  'format' = 'json'
)

insert into sink_table select * from kafka_table

在将原有的Spark Streaming实时计算任务改造成SQL的过程中，我们发现了许多原生Flink SQL无法支持的需求，比如：

写hbase指定时间戳：原生Flink SQL写hbase的时间戳无法由数据时间指定。

写hbase支持数据字段指定qualifier：原生Flink SQL注册hbase表时就需要指定qualifier，无法使用数据字段的值作为qualifier。

中间表注册：目前注册表只能调用table api实现。

kafka source数据预截断：由于业务原因，部分数据源写入kafka的数据默认增加指定前缀，解析前需要预截断。

kafka schema不匹配：由于业务原因，上游写入csv格式数据前会追加字段，导致和schema不匹配，数据无法解析。

针对以上大部分场景，我们均结合业务特色需求，对Flink SQL进行了拓展适配。本文从中间表注册入手，分享Flink SQL正确使用姿势。

Flink中SQL的处理流程

为了帮助大家更好地理解中间表注册问题，我们先整体梳理下Flink中SQL的执行逻辑，如下图：

整个流程可以大致拆解为以下几个步骤：

1、SqlParser解析阶段(SQL -> SqlNode)

Flink的Calcite使用JavaCC，根据Parser.jj生成SqlParser(实际类名为SqlParserImpl)。SqlParser负责将SQL解析为AST语法树，数据类型为SqlNode。

2、Validator验证阶段

第一阶段后生成的AST树中，对字段、函数等并没有进行验证。第二阶段会进行校验，校验内容包括表名、字段名、函数名、数据类型等。

3、逻辑计划(SqlNode -> RelNode/RexNode)

经过语法校验的AST树经过SqlToRelConverter.convertQuery调用，将SQL转换为RelNode，即生成逻辑计划LogicalPlan。需要注意的是，Flink为了统一“table api”和“sql执行”两种方式，会在这个阶段将RelNode封装成Operation。

4、优化器(RelNode -> LogicalNode -> ExecNode)

优化器的作用是将关系代数表达式(RelNode)转换为执行计划，用于执行引擎执行。优化器会使用过滤条件的下压、列裁剪等常见的优化规则进行优化，以生成更高效的执行计划。

Flink主要使用Calcite的优化器，采用HepPlanner和VolcanoPlanner这两种优化方式进行优化。

HepPlanner: 是基于规则优化（RBO）的实现，它是一个启发式的优化器，按照规则进行匹配，直到达到次数限制（match 次数限制）或者遍历一遍后不再出现rule match的情况才算完成。

VolcanoPlanner: 是基于成本优化（CBO）的实现，它会一直迭代rules，直到找到cost最小的plan。

需要注意的是，在调用规则优化前，Flink会有一个内部的CommonSubGraphbasedOptimizer优化器用于提取多个执行计划的共用逻辑。CommonSubGraphbasedOptimizer是Flink对于多流场景（常见为多个insert）的优化器，主要作用是提取共用的逻辑，生成有向无环图，避免对共用逻辑进行重复计算。

根据运行环境不同（批和流式），CommonSubGraphbasedOptimizer优化器有BatchCommonSubGraphbasedOptimizer和 StreamCommonSubGraphbasedOptimizer两种实现方式。从执行结果来看，CommonSubGraphbasedOptimizer优化类似于 Spark表的物化，最终目的都是避免数据重复计算。

源码中RelNodeBlock类注释很形象地描述了优化效果：

* {{{-
*  val sourceTable = tEnv.scan("test_table").select('a, 'b, 'c)
*  val leftTable = sourceTable.filter('a > 0).select('a as 'a1, 'b as 'b1)
*  val rightTable = sourceTable.filter('c.isNotNull).select('b as 'b2, 'c as 'c2)
*  val joinTable = leftTable.join(rightTable, 'a1 === 'b2)
*  joinTable.where('a1 >= 70).select('a1, 'b1).writeToSink(sink1)
*  joinTable.where('a1 < 70 ).select('a1, 'c2).writeToSink(sink2)
* }}}
*
* the RelNode DAG is:
*
* {{{-
* Sink(sink1)     Sink(sink2)
*    |               |
* Project(a1,b1)  Project(a1,c2)
*    |               |
* Filter(a1>=70)  Filter(a1<70)
*                 /
*        Join(a1=b2)
*       /           
* Project(a1,b1)  Project(b2,c2)
*      |             |
* Filter(a>0)     Filter(c is not null)
*                 /
*      Project(a,b,c)
*          |
*       TableScan
* }}}
* This [[RelNode]] DAG will be decomposed into three [[RelNodeBlock]]s, the break-point
* is the [[RelNode]](`Join(a1=b2)`) which data outputs to multiple [[LegacySink]]s.
* 
Notes: Although `Project(a,b,c)` has two parents (outputs),
* they eventually merged at `Join(a1=b2)`. So `Project(a,b,c)` is not a break-point.
* 
the first [[RelNodeBlock]] includes TableScan, Project(a,b,c), Filter(a>0),
* Filter(c is not null), Project(a1,b1), Project(b2,c2) and Join(a1=b2)
* 
the second one includes Filter(a1>=70), Project(a1,b1) and Sink(sink1)
* 
the third one includes Filter(a1<70), Project(a1,c2) and Sink(sink2)
* 
And the first [[RelNodeBlock]] is the child of another two.
*
* The [[RelNodeBlock]] plan is:
* {{{-
* RelNodeBlock2  RelNodeBlock3
*                    /
*        RelNodeBlock1
* }}}

 可以看到，在这段注释中，sink1和sink2这两个sink流有一段逻辑是共用的，即Join(a1=b2)。那么，优化器在优化阶段会将这段逻辑切分成3个block，其中共用的逻辑为单独的RelNodeBlock1，优化器将把这部分共用逻辑提取出来，避免重复计算。

中间表注册语法扩展 问题描述

值得注意的是，原生的Flink SQL只能通过调用table api来提取共用逻辑。在非table api的场景下，比如，数据经过计算后将根据字段条件被写入不同的kafka topic，SQL示例如下：

create table source_table(
  data string,
  topic string,
) with (
 'connector' = 'kafka',
 'topic' = 'topic',
 'properties.bootstrap.servers' = '',
 'format' = 'csv'
)

create table sink_table1(
  data string,
) with (
 'connector' = 'kafka',
 'topic' = 'topic2',
 'properties.bootstrap.servers' = '',
 'format' = 'csv'
)

create table sink_table2(
  data string,
) with (
 'connector' = 'kafka',
 'topic' = 'topic2',
 'properties.bootstrap.servers' = '',
 'format' = 'csv'
)

insert into sink_table1 select * from (select SBSTR(data, 0, 6) data,topic from source_table) where topic='topic1'

insert into sink_table2 select * from (select SBSTR(data, 0, 6) data,topic from source_table) where topic='topic2'

如果使用 StreamTableEnviroment.executeSql()去分别执行这两条insert sql，最终会异步生成两个任务，因此需要使用Flink提供的statementset先缓存多条insert sql，最后调用执行，在一个任务中完成多条数据流的处理。

可以发现，在这两条insert sql中存在复用逻辑，即select SBSTR(data, 0, 6) data、topic from source_table。预期的结果是Flink能够识别到这段共用逻辑并复用，但是实际情况并非预期中的，如下图：

 

问题分析

分析出现该问题的原因是：Flink在解析阶段将select SBSTR(data, 0, 6) data、topic from source_table解析成SqlNode(SqlSelect)并生成相应的RelNode。由于即便是相同逻辑的SQL，其解析为RelNode的摘要也是不同的。而Flink正是通过摘要来寻找复用的RelNode。因此，Flink也就不能识别到这段逻辑是可以共用的。

判断逻辑共用的源码如下：

  private def reuseRelNodes(relNodes: Seq[RelNode], tableConfig: TableConfig): Seq[RelNode] = {
    val findOpBlockWithDigest = tableConfig.getConfiguration.getBoolean(
      RelNodeBlockPlanBuilder.TABLE_OPTIMIZER_REUSE_OPTIMIZE_BLOCK_WITH_DIGEST_ENABLED)
    if (!findOpBlockWithDigest) {
      return relNodes
    }

    // reuse sub-plan with same digest in input RelNode trees.
    val context = new SubplanReuseContext(true, relNodes: _*)
    val reuseShuttle = new SubplanReuseShuttle(context)
    relNodes.map(_.accept(reuseShuttle))
  }

解决思路

那么如何解决呢？首先想到的思路就是将这段共用逻辑注册成表，这样Flink就能知道这段逻辑是共用的。

目前有“注册视图”（create view as query）和“注册表”（registerTable）两种方式能够将共用逻辑注册成表。在Flink中，当执行‘create view as query' 创建视图或者调用registerTable注册表时，底层都会在catalog中创建临时表，区别在于create view创建表的实现类为CatalogViewImpl，而registerTable创建表的实现类为QueryOperationCatalogView。

前者CatalogViewImpl的查询逻辑使用字符串表示，而后者 QueryOperationCatalogView的查询逻辑已经被解析为QueryOperation。也就是说，执行创建视图的语句时，最终创建的临时表仅仅是缓存了查询部分的SQL语句，当其他命令使用这个临时表时还需要重新解析临时表中的查询语句，而重新解析带来的问题就是创建新的RelNode，产生不同的摘要，这样Flink仍然不能够识别到这段共用逻辑并复用。

相反，regiterTable这样的方式就不需要对临时表中的查询语句进行重新解析。因此可以采用regiterTable将共用逻辑注册成表。示例代码如下：

// 创建视图
StreamTableEnvironment.executeSql("create view as select SBSTR(data, 0, 6) data,topic from source_table);

// 注册表
Table table = StreamTableEnvironment.executeSql("select SBSTR(data, 0, 6) data,topic from source_table");

StreamTableEnvironment.registerTable("tmp", table);

但是，为了SQL化，就需要有语法去支持中间表注册，以屏蔽底层的api调用，实现用户无感知。新语法预期如下：

REGISTER TABLE TABLE_NAME AS SELECt_QUERY

// 示例
register table tmp as select SBSTR(data, 0, 6) data,topic from source_table

实现语法支持

如何实现新的语法，来支持中间表注册呢？目前有2种解决方案：

方案1：框架先使用正则匹配判断SQL类型，之后提取出临时表名和查询逻辑，比如上面的SQL经过正则匹配提取组之后可以得到表名为tmp，查询逻辑为'select SBSTR(data, 0, 6) data,topic from source_table'，之后框架去调用table api进行注册。

方案2：修改flink-table模块源码扩展语法，实现对register table语法的支持。

从实现难度上来说，方案1的改动少，难度也较小，而方案2虽然改动较大，但是通用性更好。下面主要围绕方案2的实现展开。

register table语法扩展大致分为以下3个步骤：

Step1 SQL解析与校验

即修改Java CC相关文件，使得 SqlParser可以识别新的语法并解析为AST。

✦1.1 增加关键字“REGISTER”

首先需要让解析器识别新的关键字“REGISTER”，因此修改Parser.tdd，在keywords和nonReservedKeywords中分别增加“REGISTER”关键字。

✦1.2 创建SqlNode (SqlRegisterTable)

由于SqlParser解析SQL生成的AST数据类型为SqlNode，因此需要增加相应的SqlNode。在org.apache.flink.sql.parser.ddl下创建SqlRegisterTable：

package org.apache.flink.sql.parser.ddl;

import org.apache.calcite.sql.*;
import org.apache.calcite.sql.parser.SqlParserPos;
import javax.annotation.Nonnull;

import java.util.Collections;
import java.util.List;

public class SqlRegisterTable extends SqlCall {
public static final SqlSpecialOperator OPERATOR = new SqlSpecialOperator("REGISTER TABLE", SqlKind.OTHER_DDL);

private SqlIdentifier tableName;
private SqlNode query;
     // 部分代码省略
 }

修改Parser.tdd，在imports增加org.apache.flink.sql.parser.ddl.SqlRegisterTable，即刚才新建的 SqlRegisterTable的全类名路径。

1.3 增加语法解析模版

除了关键字和SqlNode，还需要相应的语法模版，让解析器能够把SQL解析为SqlRegisterTable。

修改parserImpls.ftl，增加语法解析模版：

SqlRegisterTable SqlRegisterTable() :
  {
    SqlIdentifier tableName = null;
    SqlNode query = null;
    SqlParserPos pos;
    }
  {
      { pos = getPos();}
    tableName = CompoundIdentifier()
    
    query = OrderedQueryOrExpr(ExprContext.ACCEPT_QUERY)
    {
        return new SqlRegisterTable(pos, tableName, query);
        }
  }

Step2：SqlNode转为Operation

根据calcite在Flink中的执行流程，Flink会将SqlNode封装为Operation，因此需要创建相应的RegisterTableOperation，并修改相关的转换逻辑。

✦2.1 新建 RegisterTableOperation

package org.apache.flink.table.operations.ddl;

import org.apache.flink.table.catalog.ObjectIdentifier;
import org.apache.flink.table.operations.Operation;
import org.apache.flink.table.operations.QueryOperation;

public class RegisterTableOperation implements Operation{
  private final ObjectIdentifier tableIdentifier;
  private final QueryOperation query;

    // 省略部分代码
}

✦2.2 增加解析逻辑

生成RegisterTableOperation之后，还需要让Flink能将 SqlNode转换成对应的Operation，因此我们要修改 SqlToOperationConverter.convert内部代码，增加解析逻辑，代码如下：

private Operation convertRegisterTable(SqlRegisterTable sqlRegisterTable) {
    UnresolvedIdentifier unresolvedIdentifier = UnresolvedIdentifier.of(sqlRegisterTable.fullTableName());
    ObjectIdentifier identifier = catalogManager.qualifyIdentifier(unresolvedIdentifier);
    PlannerQueryOperation operation = toQueryOperation(flinkPlanner, validateQuery);

    return new RegisterTableOperation(identifier, operation);
  }

Step3 Operation执行

即底层调用RegisterTable实现注册。由于流处理底层使用TableEnvironmentImpl进行相关SQL *** 作，比如常见的 executeSql(String statement) *** 作 ：

@Override
  public TableResult executeSql(String statement) {
    List operations = parser.parse(statement);

    if (operations.size() != 1) {
      throw new TableException(UNSUPPORTED_QUERY_IN_EXECUTE_SQL_MSG);
    }

    return executeOperation(operations.get(0));
  }

因此在executeOperation()方法中，需要识别 RegisterTableOperation进行额外 *** 作，因此增加operation执行逻辑如下：

通过以上三步，完成源码修改，然后将flink-parser打包替换当前依赖，即可实现对register table语法的扩展。

Flink的SQL执行基于calcite，语法拓展的实现简要概括分为语法解析、转换、优化和执行4个阶段，其中会涉及到Java CC、Planner等知识，有兴趣的同学可以查阅相关内容做深入了解。

 

总结

本文围绕中间表注册入手，对个推基于Flink SQL建设实时数仓的实践进行了总结和分享。

后续，我们还将持续梳理在实时业务场景下的Flink SQL应用实践，沉淀包括SQL稳定性、SQL资源配置等在内的通用解决方案；同时还将展开批流一体的探索，通过统一开发标准，来提升大数据作业的整体效率。

我们还将陆续面向行业总结和输出这些实践经验，更多精彩内容，请持续关注个推技术实践公众号（微信号：getuitech）。