FlinkSQL开发经验分享 | 长亭百川云

这是2024年的第46篇文章

（本文阅读时间：15分钟）

最近做了几个实时数据开发需求，也不可避免地在使用Flink的过程中遇到了一些问题，比如数据倾斜导致的反压、interval join、开窗导致的水位线失效等问题，通过思考并解决这些问题，加深了我对Flink原理与机制的理解，因此将这些开发经验分享出来，希望可以帮助到有需要的同学。

下文会介绍3个case案例，每个case都会划分为背景、原因分析和解决方法三部分来进行介绍。

Case1: 数据倾斜

数据倾斜无论是在离线还是实时中都会遇到，其定义是：在并行进行数据处理的时候，按照某些key划分的数据显著多余其他部分，分布不均匀，导致大量数据集中分布到一台或者某几台计算节点上，使得该部分的处理速度远低于平均计算速度，成为整个数据集处理的瓶颈，从而影响整体计算性能。造成数据倾斜的原因有很多种，如group by时的key分布不均匀，空值过多、count distinct等，本文将只介绍group by + count distinct这种情况。

1.1 背景

对实时曝光流，实时统计近24小时创意的曝光UV和PV。且每分钟更新一次数据。通用的方法就是使用hop滑动窗口来进行统计，代码如下：

`select    H``select`    `HOP_START(`        `ts`        `,interval '1' minute`        `,interval '24' hour`    `) as window_start`    `,HOP_END(`        `ts`        `,interval '1' minute`        `,interval '24' hour`    `) as window_end`    `,creative_id`    `,count(distinct uid) as exp_uv  -- 计算曝光UV`    `,count(uid) as exp_pv   --计算曝光PV``from dwd_expos_detail``group by`    `hop(`        `ts`        `,interval '1' minute`        `,interval '24' hour`    `)  -- 滑动窗口开窗，窗口范围：近24小时，滑动间隔：每1分钟`    `,creative_idOP_START(        ts        ,interval '1' minute        ,interval '24' hour    ) as window_start    ,HOP_END(        ts        ,interval '1' minute        ,interval '24' hour    ) as window_end    ,creative_id    ,count(distinct uid) as exp_uv  -- 计算曝光UV    ,count(uid) as exp_pv   --计算曝光PVfrom dwd_expos_detailgroup by    hop(        ts        ,interval '1' minute        ,interval '24' hour    )  -- 滑动窗口开窗，窗口范围：近24小时，滑动间隔：每1分钟    ,creative_id`

1.2 问题及原因

问题发现

在上述flink程序运行的时候，该窗口聚合算子GlobalWindowAggregate出现长时间busy的情况，导致上游的算子出现反压，整个flink任务长时间延迟。

原因分析

一般面对反压的现象，首先要定位到出现拥堵的算子，在该case中，使用窗口聚合计算每个创意id对应的UV和PV时，出现了计算繁忙拥堵的情况。

针对这种情况，最常想到的就是以下两点原因：

数据量较大，但是设置的并发度过小（此任务中该算子的并发度设置为3）
单个slot的CPU和内存等计算资源不足

点击拥堵算子，并查看BackPressure，可以看到虽然并发度设置为3，但是出现拥堵的只有subtask0这一个并发子任务，因此基本上可以排出上述两种猜想，如果还是不放心，可以设置增加并行度至6，同时提高该算子上的slot的内存和CPU，结果如下：

可以看到依然只有subtask0处于计算拥堵的状态，现在可以完全确认是由于group by时的key上的数据分布不均匀导致的数据倾斜问题。

解决方法

开启PartialFinal解决count distinct中的热点问题
**实现：**flink中提供了针对count distinct的自动打散和两阶段聚合，即PartialFinal优化。实现方法：在作业运维中增加如下参数设置：

table.optimizer.distinct-agg.split.enabled: true

**限制：**这个参数适用于普通的GroupAggregate算子，对于WindowAggregate算子目前只适用于新的Window TVF（窗口表值函数），老的一套Tumble/Hop/Cumulate window是不支持的。

由于我们的代码中并没有使用到窗口表值函数，而是直接在group中使用了hop窗口，因此该方法不适用。

人工对不均匀的key进行打散并实现两阶段聚合

**思路：**增加按Distinct Key取模的打散层
实现：
第一阶段：对distinct的字段uid取hash值，并除以1024取模作为group by的key。此时的group by分组由于引入了user_id，因此分组变得均匀。

`select`        `HOP_START(`            `ts`            `,interval '1' minute`            `,interval '24' hour`        `) as window_start`        `,HOP_END(`            `ts`            `,interval '1' minute`            `,interval '24' hour`        `) as window_end`        `,creative_id`        `,count(distinct uid) as exp_uv`        `,count(uid) as exp_pv`    `from dwd_expos_detail`    `group by`        `hop(`            `ts`            `,interval '1' minute`            `,interval '24' hour`        `)`        `,creative_id`        `,MOD(HASH_CODE(uid), 1024)`

第二阶段：对上述结果，再根据creative_id字段进行分组，并将UV和PV的值求和

`select`    `window_start`    `,window_end`    `,creative_id`    `,sum(exp_uv) as exp_uv`    `,sum(exp_pv) as exp_pv``from (`    `select`        `HOP_START(`            `ts`            `,interval '1' minute`            `,interval '24' hour`        `) as window_start`        `,HOP_END(`            `ts`            `,interval '1' minute`            `,interval '24' hour`        `) as window_end`        `,creative_id`        `,count(distinct uid) as exp_uv`        `,count(uid) as exp_pv`    `from dwd_expos_detail`    `group by`        `hop(`            `ts`            `,interval '1' minute`            `,interval '24' hour`        `)`        `,creative_id`        `,MOD(HASH_CODE(uid), 1024)``)``group by`    `window_start`    `,window_end`    `,creative_id``;`

**效果：**在拓扑图中可以看到原窗口聚合算子被分为两个独立的聚合算子，同时每个subtask的繁忙程度也都接近，不再出现不均匀的情况。

Case2: 水位线失效

2.1 背景

需要先对两条实时流进行双流join，然后再对join后的结果使用hop滑动窗口，计算每个创意的汇总指标。

2.2 问题及原因

问题发现

开窗后长时间无数据产生。

原因分析

水位线对于窗口函数的实现起到了决定性的作用，它决定了窗口的触发时机，Window聚合目前支持Event Time和Processing Time两种时间属性定义窗口。最常用的就是在源表的event_time字段上定义水位线，系统会根据数据的Event Time生成的Watermark来进行关窗。

只有当Watermark大于关窗时间，才会触发窗口的结束，窗口结束才会输出结果。如果一直没有触发窗口结束的数据流入Flink，则该窗口就无法输出数据。

限制：数据经过GroupBy、双流JOIN或OVER窗口节点后，会导致Watermark属性丢失，无法再使用Event Time进行开窗。

由于我们在代码中首先使用了interval join来处理点击流和交易流，然后在对生成的数据进行开窗，导致水位线丢失，窗口函数无法被触发。

2.3 解决方法

思路1: 既然双流join之后的时间字段丢失了水位线属性，可以考虑再给join之后的结果再加上一个processing time的时间字段，然后使用该字段进行开窗。

缺点：该字段无法真正体现数据的时间属性，只是机器处理该条数据的时间戳，因此会导致窗口聚合时的结果不准确，不推荐使用。

思路2: 新建tt流

要开窗就必须有水位线，而水位线往往会在上述提及的聚合或者双流join加工中丢失，因此考虑新建一个flink任务专门用来进行双流join，过滤出符合条件的用户交易明细流，并写入到tt，然后再消费该tt，并对tt流中的event_time字段定义watermark水位线，并直接将数据用于hop滑动窗口。
实现：
步骤1：新建flink任务，通过interval join筛选出近六个小时内有过点击记录的用户交易明细，并sink到tt

`insert into sink_dwd_pop_pay_detail_ri``select`    `p1.uid`    `,p1.order_id`    `,p1.order_amount`    `,p1.ts`    `,p2.creative_id``from (`    `select`        `uid`        `,order_amount``        ,order_id`        `,ts`    `from dwd_trade_detail``) p1`    `join dwd_clk_uv_detail p2`        `on p2.ts between p1.ts - interval '6' hour and p1.ts`        `and p1.uid = p2.uid``;`

步骤2: 消费该加工后的交易流，并直接进行滑动窗口聚合

`select`    `HOP_START(`        `ts`        `,INTERVAL '1' minute`        `,INTERVAL '24' hour`    `) as window_start`    `,HOP_END(`        `ts`        `,INTERVAL '1' minute`        `,INTERVAL '24' hour`    `) as window_end`    `,creative_id`    `,sum(order_amount) as total_gmv`    `,count(distinct uid) as cnt_order_uv`    `,round(`        `sum(order_amount) / count(distinct uid) / 1.0`        `,2`    `) as gmv_per_uv``from source_dwd_pop_pay_detail_ri``GROUP BY`    `HOP(`        `ts`        `,INTERVAL '1' minute`        `,INTERVAL '24' hour`    `)`    `,creative_id``;`

Case3: group by失效

3.1 背景

**目的：**对于实时流，需要给素材打上是否通过的标签。

**打标逻辑：**如果素材id同时出现在lastValidPlanInfo和validPlanInfo的两个数组字段中，则认为该素材通过（is_filtered=0），如果素材id只出现在lastValidPlanInfo数组字段中，则认为该素材未通过（is_filtered= 1）。

**sink表类型：**odps/sls，不支持回撤和主键更新机制。

上述逻辑的实现sql如下：

`SELECT`    `` `user_id` ``    `,trace_id`    `` ,`timestamp` ``    `,material_id``    ,min(is_filtered)) as is_filtered   -- 最后group by聚合，每个素材得到唯一的标签`    `FROM (` `SELECT`     `` `user_id` ``     `,trace_id`     `` ,`timestamp` ``     `,material_id`     `,1 as is_filtered   -- lastValidPlanInfo字段中出现的素材都打上1的被过滤标签` `FROM dwd_log_parsing`     `,lateral table(string_split(lastValidPlanInfo, ';')) as t1(material_id)` `WHERE lastValidPlanInfo IS NOT NULL` `UNION ALL` `SELECT`     `` `user_id` ``     `,trace_id`     `` ,`timestamp` ``     `,material_id`     `,0 as is_filtered     -- validPlanInfo字段中出现的素材都打上0的被过滤标签` `FROM dwd_log_parsing`   `,lateral table(string_split(validPlanInfo, ';')) as t2(material_id)`      `WHERE validPlanInfo IS NOT NULL`    `)`    `GROUP BY`        `` `user_id` ``        `,trace_id`        `` ,`timestamp` ``        `,material_id`

3.2 问题及原因

问题发现

原始数据样例：根据下图可以发现1905和1906两个素材id出现在lastValidPlanInfo中，只有1906这个id出现在validPlanInfo字段中，说明1905被过滤掉了，1906通过了。

期望的计算结果应该是：

material_id

is_filtered

1905

1906

但是最终写入到odps的结果如下图，可以发现material_id为1906出现了两条结果，且不一致，所以我们不禁产生了一个疑问：是fink中的group by失效了吗？

原因分析

由于odps sink表不支持回撤和upsert主键更新机制，因此对于每一条源表的流数据，只要进入到operator算子并产生结果，就会直接将该条结果写入到odps。

union all和lateral table的使用都会把一条流数据拆分为多条流数据。上述代码中首先使用到了lateral table将lastValidPlanInfo和validPlanInfo数组字段中的material_id数字拆分为多条material_id，然后再使用union all+group by实现过滤打标功能，这些操作早已经将原tt流中的一条流数据拆分成了多条。

综合上述两点，

针对1906的素材id，由于lateral table的使用，使得其和1905成为了两条独立的流数据；
由于union all的使用，又将其拆分为is_filtered =1的一条流数据（union all的前半部分），和is_filtered=0的一条流数据（union all的后半部分）；
由于flink一次只能处理一条流数据，因此如果先处理了素材1906的is_filtered=1的流数据，经过group by和min(is_filtered)操作，将is_filtered= 1的结果先写入到odps，然后再处理is_filtered=1的流数据，经过group by和min(is_filtered)操作，状态更新is_filtered的最小值变更为0，又将该条结果写入到odps。
由于odps不支持回撤和主键更新，因此会存在两条素材1906的数据，且结果不一致。

3.3 解决方法

**思路：**既然lateral table和union all的使用，会把一条流数据变为多条，并引发了后续的多次写入的问题。因此我们考虑让这些衍生出的多条流数据可以一次性进入到group by中参与聚合计算，最终只输出1条结果。
**实现：**mini-batch微批处理



`table.exec.mini-batch.enabled: true``table.exec.mini-batch.allow-latency: 1s`

**概念：**mini-batch是缓存一定的数据后再触发处理，以减少对State的访问，从而提升吞吐并减少数据的输出量。微批处理通过增加延迟换取高吞吐，如果您有超低延迟的要求，不建议开启微批处理。通常对于聚合场景，微批处理可以显著地提升系统性能，建议开启。
**效果：**上述问题得到解决，odps表只输出每个用户的每次请求的每个素材id只有1条数据输出。

总结

FlinkSQL的开发是最方便高效的实时数据需求的实现途径，但是它和离线的ODPS SQL开发在底层的机制和原理上还是有很大的区别，根本的区别就在于流和批的处理。如果按照我们已经习惯的离线思维来写FlinkSQL，就可能会出现一些“离奇”的结果，但是遇到问题并不可怕，要始终相信根本不存在任何“离奇”，所有的问题都是可以追溯到原因的，而在这个探索的过程中，也可以学习到许多知识，所以让我们遇到更多的问题，积累更多的经验，熟练地应用Flink。

参考链接

[01] 窗口

https://help.aliyun.com/zh/flink/developer-reference/overview-4?spm=a2c4g.11186623.0.i33

[02] 高性能优化：

https://help.aliyun.com/zh/flink/user-guide/optimize-flink-sql

欢迎留言一起参与讨论~