树莓派3 WordPress/seo推广百度百科

By 大数据技术与架构

场景描述：Spark的RDD有分区的概念，Flink的DataStream同样也有，只不过没有RDD那么显式而已。Flink通过流分区器StreamPartitioner来控制DataStream中的元素往下游的流向。

Spark的RDD有分区的概念，Flink的DataStream同样也有，只不过没有RDD那么显式而已。Flink通过流分区器StreamPartitioner来控制DataStream中的元素往下游的流向，以StreamPartitioner抽象类为中心的类图如下所示。

在Flink的Web UI界面中，各算子之间的分区器类型会在箭头上标注出来，如下所示。

StreamPartitioner继承自ChannelSelector接口。这里的Channel概念与Netty不同，只是Flink对于数据写入目的地的简单抽象，我们可以直接认为它就是下游算子的并发实例（即物理分区）。所有StreamPartitioner的子类都要实现selectChannel()方法，用来选择分区号。下面分别来看看Flink提供的8种StreamPartitioner的源码。

GlobalPartitioner

    // dataStream.global()@Overridepublic int selectChannel(SerializationDelegate<StreamRecord<T>> record) {return 0;}

GlobalPartitioner只会将数据输出到下游算子的第一个实例，简单暴力。

ShufflePartitioner

    private Random random = new Random();// dataStream.shuffle()@Overridepublic int selectChannel(SerializationDelegate<StreamRecord<T>> record) {return random.nextInt(numberOfChannels);}

ShufflePartitioner会将数据随机输出到下游算子的并发实例。由于java.util.Random生成的随机数符合均匀分布，故能够近似保证平均。

RebalancePartitioner

    private int nextChannelToSendTo;@Overridepublic void setup(int numberOfChannels) {super.setup(numberOfChannels);nextChannelToSendTo = ThreadLocalRandom.current().nextInt(numberOfChannels);}// dataStream.rebalance()@Overridepublic int selectChannel(SerializationDelegate<StreamRecord<T>> record) {nextChannelToSendTo = (nextChannelToSendTo + 1) % numberOfChannels;return nextChannelToSendTo;}

RebalancePartitioner会先随机选择一个下游算子的实例，然后用轮询（round-robin）的方式从该实例开始循环输出。该方式能保证完全的下游负载均衡，所以常用来处理有倾斜的原数据流。

KeyGroupStreamPartitioner

    private final KeySelector<T, K> keySelector;private int maxParallelism;// dataStream.keyBy()@Overridepublic int selectChannel(SerializationDelegate<StreamRecord<T>> record) {K key;try {key = keySelector.getKey(record.getInstance().getValue());} catch (Exception e) {throw new RuntimeException("Could not extract key from " + record.getInstance().getValue(), e);}return KeyGroupRangeAssignment.assignKeyToParallelOperator(key, maxParallelism, numberOfChannels);}public static int assignKeyToParallelOperator(Object key, int maxParallelism, int parallelism) {return computeOperatorIndexForKeyGroup(maxParallelism, parallelism, assignToKeyGroup(key, maxParallelism));}public static int assignToKeyGroup(Object key, int maxParallelism) {return computeKeyGroupForKeyHash(key.hashCode(), maxParallelism);}public static int computeKeyGroupForKeyHash(int keyHash, int maxParallelism) {return MathUtils.murmurHash(keyHash) % maxParallelism;}public static int computeOperatorIndexForKeyGroup(int maxParallelism, int parallelism, int keyGroupId) {return keyGroupId * parallelism / maxParallelism;}

这就是keyBy()算子底层所采用的StreamPartitioner，可见是先在key值的基础上经过了两重哈希得到key对应的哈希值，第一重是Java自带的hashCode()，第二重则是MurmurHash。然后将哈希值乘以算子并行度，并除以最大并行度，得到最终的分区ID。

BroadcastPartitioner

    // dataStream.broadcast()@Overridepublic int selectChannel(SerializationDelegate<StreamRecord<T>> record) {throw new UnsupportedOperationException("Broadcast partitioner does not support select channels.");}@Overridepublic boolean isBroadcast() {return true;}

BroadcastPartitioner是广播流专用的分区器。由于广播流发挥作用必须靠DataStream.connect()方法与正常的数据流连接起来，所以实际上不需要BroadcastPartitioner来选择分区（广播数据总会投递给下游算子的所有并发），selectChannel()方法也就不必实现了。细节请参见Flink中BroadcastStream相关的源码，这里就不再列举了。

RescalePartitioner

    private int nextChannelToSendTo = -1;// dataStream.rescale()@Overridepublic int selectChannel(SerializationDelegate<StreamRecord<T>> record) {if (++nextChannelToSendTo >= numberOfChannels) {nextChannelToSendTo = 0;}return nextChannelToSendTo;}

这个看起来也太简单了，并且与RebalancePartitioner的逻辑是相同的？实际上并不是。我们看看StreamingJobGraphGenerator类，它负责把Flink执行计划中的StreamGraph（逻辑执行计划）转换为JobGraph（优化的逻辑执行计划）。其connect()方法中有如下代码。

        if (partitioner instanceof ForwardPartitioner || partitioner instanceof RescalePartitioner) {jobEdge = downStreamVertex.connectNewDataSetAsInput(headVertex,DistributionPattern.POINTWISE,resultPartitionType);} else {jobEdge = downStreamVertex.connectNewDataSetAsInput(headVertex,DistributionPattern.ALL_TO_ALL,resultPartitionType);

粗略地讲，如果分区逻辑是RescalePartitioner或ForwardPartitioner（下面会说），那么采用POINTWISE模式来连接上下游的顶点，对于其他分区逻辑，都用ALL_TO_ALL模式来连接。看下面两张图会比较容易理解。

也就是说，POINTWISE模式的RescalePartitioner在中间结果传送给下游节点时，会根据并行度的比值来轮询分配给下游算子实例的子集，对TaskManager来说本地性会比较好。而ALL_TO_ALL模式的RebalancePartitioner是真正的全局轮询分配，更加均衡，但是就会不可避免地在节点之间交换数据，如果数据量大的话，造成的网络流量会很可观。

ForwardPartitioner

   // dataStream.forward()@Overridepublic int selectChannel(SerializationDelegate<StreamRecord<T>> record) {return 0;}

与GlobalPartitioner的实现相同。但通过上面对POINTWISE和ALL_TO_ALL连接模式的讲解，我们能够知道，它会将数据输出到本地运行的下游算子的第一个实例，而非全局。在上下游算子的并行度相同的情况下，默认就会采用ForwardPartitioner。反之，若上下游算子的并行度不同，默认会采用前述的RebalancePartitioner。

CustomPartitionerWrapper

    Partitioner<K> partitioner;KeySelector<T, K> keySelector;// dataStream.partitionCustom()@Overridepublic int selectChannel(SerializationDelegate<StreamRecord<T>> record) {K key;try {key = keySelector.getKey(record.getInstance().getValue());} catch (Exception e) {throw new RuntimeException("Could not extract key from " + record.getInstance(), e);}return partitioner.partition(key, numberOfChannels);}

这就是自定义的分区逻辑了，我们可以通过继承Partitioner接口自己实现，并传入partitionCustom()方法。举个简单的栗子，以key的长度做分区：

    sourceStream.partitionCustom(new Partitioner<String>() {@Overridepublic int partition(String key, int numPartitions) {return key.length() % numPartitions;}}, 0);

欢迎点赞+收藏+转发朋友圈素质三连

文章不错？点个【在看】吧！ ????