前言
在实时计算作业中，往往需要动态改变一些配置，举几个栗子：
- 实时日志ETL服务，需要在日志的格式、字段发生变化时保证正常解析；
- 实时NLP服务，需要及时识别新添加的领域词与停用词；
- 实时风控服务，需要根据业务情况调整触发警告的规则。
那么问题来了：配置每次变化都得手动修改代码，再重启作业吗？答案显然是否定的，毕竟实时任务的终极目标就是7 x 24无间断运行。Spark Streaming和Flink的广播机制都能做到这点，本文分别来简单说明一下。
Spark Streaming的场合
https://jaceklaskowski.gitbooks.io/mastering-apache-spark/spark-broadcast.html
很久之前我在这里详细分析了Spark Core内部的广播机制。但广播变量（broadcast variable）的设计初衷是简单地作为只读缓存，在Driver与Executor间共享数据，Spark文档中的原话如下：
Broadcast variables allow the programmer to keep a read-only variable cached on each machine rather than shipping a copy of it with tasks. They can be used, for example, to give every node a copy of a large input dataset in an efficient manner.
也就是说原生并未支持广播变量的更新，所以我们得自己稍微hack一下。直接贴代码吧。
public class BroadcastStringPeriodicUpdater {
private static final int PERIOD = 60 * 1000;
private static volatile BroadcastStringPeriodicUpdater instance;
private Broadcast<String> broadcast;
private long lastUpdate = 0L;
private BroadcastStringPeriodicUpdater() {}
public static BroadcastStringPeriodicUpdater getInstance() {
if (instance == null) {
synchronized (BroadcastStringPeriodicUpdater.class) {
if (instance == null) {
instance = new BroadcastStringPeriodicUpdater();
}
}
}
return instance;
}
public String updateAndGet(SparkContext sc) {
long now = System.currentTimeMillis();
long offset = now - lastUpdate;
if (offset > PERIOD || broadcast == null) {
if (broadcast != null) {
broadcast.unpersist();
}
lastUpdate = now;
String value = fetchBroadcastValue();
broadcast = JavaSparkContext.fromSparkContext(sc).broadcast(value);
}
return broadcast.getValue();
}
private String fetchBroadcastValue() {
// 在这里获取新的广播变量值
}
}
这段代码将字符串型广播变量的更新包装成了一个单例类，更新周期是60秒。在Streaming主程序中，就可以这样使用了：
dStream.transform(rdd -> {
// 更新并获取广播变量的值
String broadcastValue = BroadcastStringPeriodicUpdater.getInstance().updateAndGet(rdd.context());
rdd.mapPartitions(records -> {
// ...
});
});
这种方法基本上解决了问题，但不是十全十美的，因为广播数据的更新始终是周期性的，并且周期不能太短（得考虑外部存储的压力），从根本上讲还是受Spark Streaming微批次的设计理念限制的。接下来看看Flink是怎样做的。
Flink的场合
Flink中也有与Spark类似的广播变量，用法也几乎相同。但是Flink在1.5版本引入了更加灵活的广播状态（broadcast state），可以视为operator state的一种特殊情况。它能够将一个流中的数据（通常是较少量的数据）广播到下游算子的所有并发实例中，实现真正的低延迟动态更新。
下图来自Data Artisans（被阿里收购了的Flink母公司）的PPT，其中流A是普通的数据流，流B就是含有配置信息的广播流（broadcast stream），也可以叫控制流（control stream）。流A的数据按照keyBy()算子的规则发往下游，而流B的数据会广播，最后再将这两个流的数据连接到一起进行处理。
https://www.slideshare.net/AljoschaKrettek/advanced-flink-training-design-patterns-for-streaming-applications
既然它的名字叫“广播状态”，那么就一定要有与它对应的状态描述符StateDescriptor。Flink直接使用了MapStateDescriptor作为广播的状态描述符，方便存储多种不同的广播数据。示例：
MapStateDescriptor<String, String> broadcastStateDesc = new MapStateDescriptor<>(
"broadcast-state-desc",
String.class, // 广播数据的key类型
String.class // 广播数据的value类型
);
接下来在控制流controlStream上调用broadcast()方法，将它转换成广播流BroadcastStream。controlStream的产生方法与正常数据流没什么不同，一般是从消息队列的某个特定topic读取。
BroadcastStream<String> broadcastStream = controlStream
.setParallelism(1)
.broadcast(broadcastStateDesc);
然后在DataStream上调用connect()方法，将它与广播流连接起来，生成BroadcastConnectedStream。
BroadcastConnectedStream<String, String> connectedStream = sourceStream.connect(broadcastStream);
最后就要调用process()方法对连接起来的流进行处理了。如果DataStream是一个普通的流，需要定义BroadcastProcessFunction，反之，如果该DataStream是一个KeyedStream，就需要定义KeyedBroadcastProcessFunction。并且与之前我们常见的ProcessFunction不同的是，它们都多了一个专门处理广播数据的方法processBroadcastElement()。类图如下所示。
下面给出一个说明性的代码示例。
connectedStream.process(new BroadcastProcessFunction<String, String, String>() {
private static final long serialVersionUID = 1L;
@Override
public void processElement(String value, ReadOnlyContext ctx, Collector<String> out) throws Exception {
ReadOnlyBroadcastState<String, String> state = ctx.getBroadcastState(broadcastStateDesc);
for (Entry<String, String> entry : state.immutableEntries()) {
String bKey = entry.getKey();
String bValue = entry.getValue();
// 根据广播数据进行原数据流的各种处理
}
out.collect(value);
}
@Override
public void processBroadcastElement(String value, Context ctx, Collector<String> out) throws Exception {
BroadcastState<String, String> state = ctx.getBroadcastState(broadcastStateDesc);
// 如果需要的话，对广播数据进行转换，最后写入状态
state.put("some_key", value);
}
});
可见，BroadcastProcessFunction的行为与CoFlatMapFunction、CoProcessFunction非常相像。其基本思路是processBroadcastElement()方法从广播流中获取数据，进行必要的转换之后将其以键值对形式写入BroadcastState。而processElement()方法从BroadcastState获取广播数据，再将其与原流中的数据结合处理。也就是说，BroadcastState起到了两个流之间的桥梁作用。
最后还有一点需要注意，processElement()方法获取的Context实例是ReadOnlyContext，且BroadcastState实例是ReadOnlyBroadcastState，说明只有在广播流一侧才能修改BroadcastState，而数据流一侧只能读取BroadcastState。这提供了非常重要的一致性保证：假如数据流一侧也能修改BroadcastState的话，不同的operator实例有可能产生截然不同的结果，对下游处理造成困扰。
The End
今天实在是很累，洗洗睡了，晚安吧各位。
网友评论