本文首先进行 Flink Kafka Consumer 原理分析，结合 SourceFunction 和 Kafka Client API 详解源码。
1.Flink Kafka Consumer 原理
本文基于 flink-1.11 分析 Kafka Consumer 原理。
FlinkKafkaConsumer 主要是继承基类 RichParallelSourceFunction，不但可以执行 run(...) 方法读取数据，而且拥有状态、metric 和多并发等功能。
1.1 RichParallelSourceFunction 分析
RichParallelSourceFunction 与父类的继承关系，如下图所示。一方面，RichParallelSourceFunction 间接实现接口 SourceFunction，可以执行 run(...) 方法读取数据；另一方面，RichParallelSourceFunction 间接实现接口 RichFunction，拥有状态、metric 和多并发等功能。因此，RichParallelSourceFunction 是有状态的和多并发的 Source 基类。
① ParallelSourceFunction 是接口 SourceFunction 的子类。共同点是 Source 的基类，需要实现 run() 读取数据。不同点是前者提供多并发的能力，后者的并发度只能为 1；
② AbstractRichFunction 是接口 RichFunction 的实现类，可以提供 open() 方法获取 RuntimeContext，而 RuntimeContext 拥有 metric、subtasks 信息、accumulator、state 等功能；
RichParallelSourceFunction继承图.jpg
1.2 Flink Kafka Consumer 流程分析
如下图所示，Flink Kafka Consumer 流程主要分为 ①主线程循环获取缓存数据，发送到下游；②消费线程循环消费 Kafka 数据，保存到缓存。
Handover.next：Handover 类的 next 属性，即 ConsumerRecords 类型的缓存数据。Handover 的主要作用是协调主线程和消费线程，有序地消费 Kafka 和发送数据到下游算子。
Flink Kafka Consumer流程图.JPG
（1）主线程
主线程获取缓存的 Handover.next 对象即 ConsumerRecords，发送到下游算子。首先创建 KafkaFetcher，同时内部创建消费线程 KafkaConsumerThread。然后，调用 KafkaFetcher.runFetchLoop() 方法，启动消费线程、循环获取缓存数据；最后，根据分区往下游发送数据。
（2）消费线程
消费线程 KafkaConsumerThread 主要循环消费 Kafka 数据，保存到缓存。首先，主线程启动消费线程。接着，KafkaConsumer 从 Kafka Broker 循环 poll 数据，同时保持到缓存中。
2.Flink Kafka Consumer 源码详解
问题1：如何使用 FlinkKafkaConsumer ？如何直接使用 KafkaClient API ？
/**
* 示例1: Flink DataStream API 使用 FlinkKafkaConsumer
**/
StreamExecutionEnvironment env = StreamExecutionEnvironment.getExecutionEnvironment();
//SimpleStringSchema为数据字段解析类
env.addSource(new FlinkKafkaConsumer<>("eventTopic", new SimpleStringSchema(), properties)
/**
* 示例2: KafkaClient API 直接使用 KafkaConsumer
**/
KafkaConsumer<String, String> consumer = new KafkaConsumer<>(properties);
consumer.poll(Duration.ofMillis(100));
问题2：FlinkKafkaConsumer 内部是如何使用 KafkaClient API ？
① 初始化
执行 env.addSource 的时候会创建 StreamSource 算子对象；StreamSource 构造函数中将 function 即 FlinkKafkaConsumer 对象传给父类 AbstractUdfStreamOperator 的 userFunction 变量；
StreamExecutionEnvironment源码：
public <OUT> DataStreamSource<OUT> addSource(SourceFunction<OUT> function, String sourceName, TypeInformation<OUT> typeInfo) {
// 省略...
// function 即 FlinkKafkaConsumer
final StreamSource<OUT, ?> sourceOperator = new StreamSource<>(function);
// 省略...
}
AbstractUdfStreamOperator源码：
// userFunction 即 FlinkKafkaConsumer
public AbstractUdfStreamOperator(F userFunction) {
this.userFunction = requireNonNull(userFunction);
checkUdfCheckpointingPreconditions();
}
② Task 启动和运行
Task 实现 Java多线程接口 Runnable。Task 启动后，函数调用链如下 Task.run() -> Task.doRun() -> StreamTask.invoke() -> StreamTask.runMailboxLoop() -> MailboxProcessor.runMailboxLoop() -> MailboxProcessor.runMailboxStep() -> SourceStreamTask .processInput()。processInput() 方法里面启动线程 sourceThread.start()。上述的关键源码，如下所示。
StreamTask 源码如下：
@Override
public final void invoke() throws Exception {
// 省略...
// 调用 MailboxProcessor.runMailboxLoop()
runMailboxLoop();
// 省略...
}
MailboxProcessor 源码如下：
public void runMailboxLoop() throws Exception {
// 省略...
// 循环执行 runMailboxStep
while (runMailboxStep(localMailbox, defaultActionContext)) {
}
}
private boolean runMailboxStep(TaskMailbox localMailbox, MailboxController defaultActionContext) throws Exception {
if (processMail(localMailbox)) {
// 执行 mailboxDefaultAction.runDefaultAction，即执行 SourceStreamTask .processInput()
mailboxDefaultAction.runDefaultAction(defaultActionContext); // lock is acquired inside default action as needed
return true;
}
return false;
}
SourceStreamTask 源码如下：
@Override
protected void processInput(MailboxDefaultAction.Controller controller) throws Exception {
// 由于目前没有输入，TaskMailbox 先暂停 loop 主线程
controller.suspendDefaultAction();
sourceThread.setTaskDescription(getName());
sourceThread.start();
// 省略...
}
private class LegacySourceFunctionThread extends Thread {
// 省略...
@Override
public void run() {
try {
// 执行 source function 的 run() 方法
mainOperator.run(lock, getStreamStatusMaintainer(), operatorChain);
completionFuture.complete(null);
} catch (Throwable t) {
completionFuture.completeExceptionally(t);
}
}
// 省略...
}
③ 消费 Kafka
FlinkKafkaConsumerBase 间接实现了 SourceFunction 接口，主要实现 run() 方法。然后，在 run() 方法创建了一个 KafkaFetcher 对象，并主要调用 KafkaFetcher.runFetchLoop()。最终，运行消费线程 KafkaConsumerThread，并 while 循环地 poll Kafka 数据。上述的关键源码，如下所示。
FlinkKafkaConsumerBase 源码如下：
@Override
public void run(SourceContext<T> sourceContext) throws Exception {
// 省略...
// 创建 KafkaFetcher 对象
this.kafkaFetcher = createFetcher(
sourceContext,
subscribedPartitionsToStartOffsets,
watermarkStrategy,
(StreamingRuntimeContext) getRuntimeContext(),
offsetCommitMode,
getRuntimeContext().getMetricGroup().addGroup(KAFKA_CONSUMER_METRICS_GROUP),
useMetrics);
// 省略...
// kafkaFetcher 执行 runFetchLoop()，即循环消费数据
kafkaFetcher.runFetchLoop();
// 省略...
}
KafkaFetcher 源码如下：
@Override
public void runFetchLoop() throws Exception {
try {
// 启动消费线程 KafkaConsumerThread
consumerThread.start();
while (running) {
// 获取协调者 Handover 的 next 缓存值
final ConsumerRecords<byte[], byte[]> records = handover.pollNext();
// 从partition 获取 数据
for (KafkaTopicPartitionState<T, TopicPartition> partition : subscribedPartitionStates()) {
List<ConsumerRecord<byte[], byte[]>> partitionRecords =
records.records(partition.getKafkaPartitionHandle());
// 向下游发送数据
partitionConsumerRecordsHandler(partitionRecords, partition);
}
}
}
finally {
consumerThread.shutdown();
}
KafkaConsumerThread 源码如下，run() 方法中创建 KafkaClient API 的 KafkaConsumer，并使用 KafkaConsumer.poll（） 消费数据。
@Override
public void run() {
// 省略...
// 从主线程获取的 handover 赋值给本地变量...
final Handover handover = this.handover;
// 省略...
try {
// 创建 KafkaConsumer
this.consumer = getConsumer(kafkaProperties);
}
catch (Throwable t) {
handover.reportError(t);
return;
}
// 省略...
ConsumerRecords<byte[], byte[]> records = null;
// while 循环消费 Kafka
while (running) {
// 省略...
if (records == null) {
try {
// KafkaConsumer poll 数据，即使用 KafkaClient API 的 KafkaConsumer 消费数据
records = consumer.poll(pollTimeout);
}
catch (WakeupException we) {
continue;
}
}
try {
// 把 Kafka 的数据保存在 Handover 的缓存中
handover.produce(records);
records = null;
}
// 省略...
}
}
问题3：Handover 是如何协调消费线程和主线程，使得前者可以及时消费和保存数据，而后者也可以及时获取数据 ？
Handover 的关键方法是 produce() 保存缓存数据 next、pollNext() 获取缓存数据 next，主要作用是在消费线程和主线程下，保证同一个缓存数据 next ，在同一时间内是不能既更新（写），也输出（读），即保证原子性操作 next。
Handover 源码如下：
/**
* consumer 线程把 Kafka 数据保存到 next
**/
public void produce(final ConsumerRecords<byte[], byte[]> element)
throws InterruptedException, WakeupException, ClosedException {
checkNotNull(element);
synchronized (lock) {
// 循环判断 next 是否为 null
while (next != null && !wakeupProducer) {
// lock 会释放当前的锁，该 consumer 线程进入 waiting 状态
lock.wait();
}
// 省略...
else if (error == null) {
// 写 next
next = element;
// 唤醒 lock（使得处于 waiting 状态的 main 线程能够继续执行）
lock.notifyAll();
}
// 省略...
}
}
/**
* main 线程读取 next
**/
public ConsumerRecords<byte[], byte[]> pollNext() throws Exception {
synchronized (lock) {
// 循环判断 next 是否为 null
while (next == null && error == null) {
// lock 会释放当前的锁，该 main 线程进入 waiting 状态
lock.wait();
}
// 读取 next
ConsumerRecords<byte[], byte[]> n = next;
if (n != null) {
next = null;
// 唤醒 lock（使得处于 waiting 状态的 consumer 线程能够继续执行）
lock.notifyAll();
return n;
}
// 省略...
}
}
Java 多线程的等待/通知机制：Object 的 wait()、notify/notifyAll()
① 当线程执行 wait() 方法的时候，会释放当前的锁，然后让出CPU，进入等待状态。
② 当线程执行 notify/notifyAll() 方法的时候，会唤醒一个或多个正处于等待状态的线程，然后继续往下执行，直到执行完synchronized 代码块的代码或是中途遇到 wait() ，再次释放锁。
网友评论