Flink如何实现Job间的协同联系？

[徐涛]

大家好，
    我这边想做一个实时数仓项目。但随着Flink间Job的数量越来越多，发现很多Job之间的代码存在大量的重复，且迫切需要一个类似于Batch的中间层解决方案来减少冗余，增加整体的清晰度和层次感。
    我这边能想到的解决方案是：采用Kafka作为Job之间的联系纽带，例如有两个Job
    Job_1:   从原始kafka topic TOPIC_ORIG获取数据, 进行一定的业务逻辑处理后，写到另一个kafka topic, TOPIC_JOB_1_SINK 。注意
               ① 需要实现一个retract kafka sink  
               ② 没有使用kafka exactly-once sink
               ③ TOPIC_JOB_1_SINK 中的每条记录应该有一个 unique key.  
               ④ 每个Key相同的记录应该被发往相同的kafka partition.
    Job_2:    从TOPIC_JOB_1_SINK读取数据, 接着做幂等(先对唯一Key做group by取最新), 然后运行Job_2的逻辑 , 最后把数据写道最终Sink中(例如es, hbase, mysql)。 之所以要对unique key做一轮幂等处理，因为Job_1可能会失败重试，TOPIC_JOB_1_SINK中可能会有一些重试脏数据。


从整体上看，结构大概如下图所示：
Job_1Job_2
-------------------------------------------------------------------------------------                         -----------------------------------------------------------------------------------------------------------------------------------------------------------
|      TOPIC_ORIG -> Logic_Job_1 -> TOPIC_JOB_1_SINK      |           ——>     |     TOPIC_JOB_1_SINK -> GROUP_BY_UNIQUE_KEY_GET_LATEST -> Logic_Job_2 -> FINAL_JOB_2_SINK    |
-------------------------------------------------------------------------------------                         -----------------------------------------------------------------------------------------------------------------------------------------------------------


即：每个Job往下游发送的数据整体有唯一Key；每个下游需要对上游发来的数据做幂等处理。
但是，可能存在的问题有：
1. 因为每个变化都要发一个message，Kafka中的消息数可能很大。
2. 下游做幂等的时候，因为要对每个Key做Group by，因此消耗的资源也很大。
3. 如果上游逻辑更改，重新跑数据，那么可能会存在最开始的那天数据不完整，导致污染下游数据
4. 如果上游逻辑更改，重新跑数据，但是某条数据这个时候已经不应该出现了，下游的数据得不到更新


请问大家是如何管理Flink Job之间的依赖或者说血缘关系的？有没有比较好的方案？
谢谢大家！


谢谢
徐涛

[Hequn Cheng]

Hi 徐涛，

最后四个问题，3和4和业务逻辑关系大些，我大致说下1和2的想法，

1. 因为每个变化都要发一个message，Kafka中的消息数可能很大。
这个问题，可以借助一些攒批的策略来减少数据量，比如在自定义的sink里加些cache，每1000条刷一次，刷的时候对这1000条按key去重。需要注意的是，攒批需要结合checkpoint一起来考虑，防止丢数据，可以参考下JDBCOutputFormat的实现（做checkpoint的时候需要flush）。此外，blink里面aggregate也有miniBatch的逻辑，也会减少输出的数据量（不过，flink里面还没有miniBatch）。

2. 下游做幂等的时候，因为要对每个Key做Group by，因此消耗的资源也很大。
这个是的，目前应该没有很好的办法。后期，如果支持了RetractSource，下游job可以不用再做groupBy+last。只需要上游job用RetractSink输出存一份数据到Kafka。

一些其他问题:
> ① 需要实现一个retract kafka sink
这里应该是需要实现一个upsert kafka sink，目前flink还没法输入retract message。

Best，Hequn

On Wed, Jun 19, 2019 at 1:18 PM 徐涛 <[hidden email]> wrote:

> 大家好，
>
> 我这边想做一个实时数仓项目。但随着Flink间Job的数量越来越多，发现很多Job之间的代码存在大量的重复，且迫切需要一个类似于Batch的中间层解决方案来减少冗余，增加整体的清晰度和层次感。
>     我这边能想到的解决方案是：采用Kafka作为Job之间的联系纽带，例如有两个Job
>     Job_1:   从原始kafka topic TOPIC_ORIG获取数据, 进行一定的业务逻辑处理后，写到另一个kafka topic,
> TOPIC_JOB_1_SINK 。注意
>                ① 需要实现一个retract kafka sink
>                ② 没有使用kafka exactly-once sink
>                ③ TOPIC_JOB_1_SINK 中的每条记录应该有一个 unique key.
>                ④ 每个Key相同的记录应该被发往相同的kafka partition.
>     Job_2:    从TOPIC_JOB_1_SINK读取数据, 接着做幂等(先对唯一Key做group by取最新),
> 然后运行Job_2的逻辑 , 最后把数据写道最终Sink中(例如es, hbase, mysql)。 之所以要对unique
> key做一轮幂等处理，因为Job_1可能会失败重试，TOPIC_JOB_1_SINK中可能会有一些重试脏数据。
>
>
> 从整体上看，结构大概如下图所示：
> Job_1Job_2
> -------------------------------------------------------------------------------------
>
>  -----------------------------------------------------------------------------------------------------------------------------------------------------------
> |      TOPIC_ORIG -> Logic_Job_1 -> TOPIC_JOB_1_SINK      |           ——>
>    |     TOPIC_JOB_1_SINK -> GROUP_BY_UNIQUE_KEY_GET_LATEST -> Logic_Job_2
> -> FINAL_JOB_2_SINK    |
> -------------------------------------------------------------------------------------
>
>  -----------------------------------------------------------------------------------------------------------------------------------------------------------
>
>
> 即：每个Job往下游发送的数据整体有唯一Key；每个下游需要对上游发来的数据做幂等处理。
> 但是，可能存在的问题有：
> 1. 因为每个变化都要发一个message，Kafka中的消息数可能很大。
> 2. 下游做幂等的时候，因为要对每个Key做Group by，因此消耗的资源也很大。
> 3. 如果上游逻辑更改，重新跑数据，那么可能会存在最开始的那天数据不完整，导致污染下游数据
> 4. 如果上游逻辑更改，重新跑数据，但是某条数据这个时候已经不应该出现了，下游的数据得不到更新
>
>
> 请问大家是如何管理Flink Job之间的依赖或者说血缘关系的？有没有比较好的方案？
> 谢谢大家！
>
>
> 谢谢
> 徐涛

[徐涛]

Hi 军长，
    谢谢您的回复。
    对于问题“如果上游逻辑更改，重新跑数据，那么可能会存在最开始的那天数据不完整，导致污染下游数据”。我觉得这个问题对于想拿Flink做一些规模稍大的系统（或者说基于Kappa架构的设计）可能都会遇到相同的问题。如果对于跑批的场景，因为上游重跑可以覆盖中间结果，下游可以拿到更新后的数据并进行计算；但是流式计算Job的中间结果落盘于Kafka，而且下游的Job已经累积了一些状态，这个时候上游的计算逻辑如果发生了更改，如果还是写到同一个Kafka topic，那么很难保证下游数据的正确性；如果写到不同的Kafka topic，那么下游的实时任务可能都需要重启，这样操作的负担会很重。 不知道一般对于实时数仓来说是怎样解决这样的问题的？


谢谢！
徐涛






在 2019-06-21 21:21:34，"Hequn Cheng" <[hidden email]> 写道：

>Hi 徐涛，
>
>最后四个问题，3和4和业务逻辑关系大些，我大致说下1和2的想法，
>
>1. 因为每个变化都要发一个message，Kafka中的消息数可能很大。
>这个问题，可以借助一些攒批的策略来减少数据量，比如在自定义的sink里加些cache，每1000条刷一次，刷的时候对这1000条按key去重。需要注意的是，攒批需要结合checkpoint一起来考虑，防止丢数据，可以参考下JDBCOutputFormat的实现（做checkpoint的时候需要flush）。此外，blink里面aggregate也有miniBatch的逻辑，也会减少输出的数据量（不过，flink里面还没有miniBatch）。
>
>2. 下游做幂等的时候，因为要对每个Key做Group by，因此消耗的资源也很大。
>这个是的，目前应该没有很好的办法。后期，如果支持了RetractSource，下游job可以不用再做groupBy+last。只需要上游job用RetractSink输出存一份数据到Kafka。
>
>一些其他问题:
>> ① 需要实现一个retract kafka sink
>这里应该是需要实现一个upsert kafka sink，目前flink还没法输入retract message。
>
>Best，Hequn
>
>On Wed, Jun 19, 2019 at 1:18 PM 徐涛 <[hidden email]> wrote:
>
>> 大家好，
>>
>> 我这边想做一个实时数仓项目。但随着Flink间Job的数量越来越多，发现很多Job之间的代码存在大量的重复，且迫切需要一个类似于Batch的中间层解决方案来减少冗余，增加整体的清晰度和层次感。
>>     我这边能想到的解决方案是：采用Kafka作为Job之间的联系纽带，例如有两个Job
>>     Job_1:   从原始kafka topic TOPIC_ORIG获取数据, 进行一定的业务逻辑处理后，写到另一个kafka topic,
>> TOPIC_JOB_1_SINK 。注意
>>                ① 需要实现一个retract kafka sink
>>                ② 没有使用kafka exactly-once sink
>>                ③ TOPIC_JOB_1_SINK 中的每条记录应该有一个 unique key.
>>                ④ 每个Key相同的记录应该被发往相同的kafka partition.
>>     Job_2:    从TOPIC_JOB_1_SINK读取数据, 接着做幂等(先对唯一Key做group by取最新),
>> 然后运行Job_2的逻辑 , 最后把数据写道最终Sink中(例如es, hbase, mysql)。 之所以要对unique
>> key做一轮幂等处理，因为Job_1可能会失败重试，TOPIC_JOB_1_SINK中可能会有一些重试脏数据。
>>
>>
>> 从整体上看，结构大概如下图所示：
>> Job_1Job_2
>> -------------------------------------------------------------------------------------
>>
>>  -----------------------------------------------------------------------------------------------------------------------------------------------------------
>> |      TOPIC_ORIG -> Logic_Job_1 -> TOPIC_JOB_1_SINK      |           ——>
>>    |     TOPIC_JOB_1_SINK -> GROUP_BY_UNIQUE_KEY_GET_LATEST -> Logic_Job_2
>> -> FINAL_JOB_2_SINK    |
>> -------------------------------------------------------------------------------------
>>
>>  -----------------------------------------------------------------------------------------------------------------------------------------------------------
>>
>>
>> 即：每个Job往下游发送的数据整体有唯一Key；每个下游需要对上游发来的数据做幂等处理。
>> 但是，可能存在的问题有：
>> 1. 因为每个变化都要发一个message，Kafka中的消息数可能很大。
>> 2. 下游做幂等的时候，因为要对每个Key做Group by，因此消耗的资源也很大。
>> 3. 如果上游逻辑更改，重新跑数据，那么可能会存在最开始的那天数据不完整，导致污染下游数据
>> 4. 如果上游逻辑更改，重新跑数据，但是某条数据这个时候已经不应该出现了，下游的数据得不到更新
>>
>>
>> 请问大家是如何管理Flink Job之间的依赖或者说血缘关系的？有没有比较好的方案？
>> 谢谢大家！
>>
>>
>> 谢谢
>> 徐涛

[Hequn Cheng]

Hi 徐涛，

我理解你应该是想上下游匹配起来，而且新的上游产出不能给老下游了。

有一个办法是，把上下游的job同时重启，这样不用新写到其他topic，而且保证结果符合预期。
具体的操作流程是：停止上游->停止下游->启动下游（从topic当前时间点消费数据）->启动上游开始追数据。
如果下游job能及时消费上游的产出，当上游job追上当前进度时，下游job输出也是最新的。

Best, Hequn

On Wed, Jun 26, 2019 at 5:40 PM 徐涛 <[hidden email]> wrote:

> Hi 军长，
>     谢谢您的回复。
>     对于问题“如果上游逻辑更改，重新跑数据，那么可能会存在最开始的那天数据不完整，导致污染下游数据”。我觉得这个问题对于想拿Flink做一些规模稍大的系统（或者说基于Kappa架构的设计）可能都会遇到相同的问题。如果对于跑批的场景，因为上游重跑可以覆盖中间结果，下游可以拿到更新后的数据并进行计算；但是流式计算Job的中间结果落盘于Kafka，而且下游的Job已经累积了一些状态，这个时候上游的计算逻辑如果发生了更改，如果还是写到同一个Kafka
> topic，那么很难保证下游数据的正确性；如果写到不同的Kafka topic，那么下游的实时任务可能都需要重启，这样操作的负担会很重。
> 不知道一般对于实时数仓来说是怎样解决这样的问题的？
>
> 谢谢！
> 徐涛
>
>
>
>
> 在 2019-06-21 21:21:34，"Hequn Cheng" <[hidden email]> 写道：
> >Hi 徐涛，
> >
> >最后四个问题，3和4和业务逻辑关系大些，我大致说下1和2的想法，
> >
> >1. 因为每个变化都要发一个message，Kafka中的消息数可能很大。
> >这个问题，可以借助一些攒批的策略来减少数据量，比如在自定义的sink里加些cache，每1000条刷一次，刷的时候对这1000条按key去重。需要注意的是，攒批需要结合checkpoint一起来考虑，防止丢数据，可以参考下JDBCOutputFormat的实现（做checkpoint的时候需要flush）。此外，blink里面aggregate也有miniBatch的逻辑，也会减少输出的数据量（不过，flink里面还没有miniBatch）。
> >
> >2. 下游做幂等的时候，因为要对每个Key做Group by，因此消耗的资源也很大。
> >这个是的，目前应该没有很好的办法。后期，如果支持了RetractSource，下游job可以不用再做groupBy+last。只需要上游job用RetractSink输出存一份数据到Kafka。
> >
> >一些其他问题:
> >> ① 需要实现一个retract kafka sink
> >这里应该是需要实现一个upsert kafka sink，目前flink还没法输入retract message。
> >
> >Best，Hequn
> >
> >On Wed, Jun 19, 2019 at 1:18 PM 徐涛 <[hidden email]> wrote:
> >
> >> 大家好，
> >>
> >> 我这边想做一个实时数仓项目。但随着Flink间Job的数量越来越多，发现很多Job之间的代码存在大量的重复，且迫切需要一个类似于Batch的中间层解决方案来减少冗余，增加整体的清晰度和层次感。
> >>     我这边能想到的解决方案是：采用Kafka作为Job之间的联系纽带，例如有两个Job
> >>     Job_1:   从原始kafka topic TOPIC_ORIG获取数据, 进行一定的业务逻辑处理后，写到另一个kafka topic,
> >> TOPIC_JOB_1_SINK 。注意
> >>                ① 需要实现一个retract kafka sink
> >>                ② 没有使用kafka exactly-once sink
> >>                ③ TOPIC_JOB_1_SINK 中的每条记录应该有一个 unique key.
> >>                ④ 每个Key相同的记录应该被发往相同的kafka partition.
> >>     Job_2:    从TOPIC_JOB_1_SINK读取数据, 接着做幂等(先对唯一Key做group by取最新),
> >> 然后运行Job_2的逻辑 , 最后把数据写道最终Sink中(例如es, hbase, mysql)。 之所以要对unique
> >> key做一轮幂等处理，因为Job_1可能会失败重试，TOPIC_JOB_1_SINK中可能会有一些重试脏数据。
> >>
> >>
> >> 从整体上看，结构大概如下图所示：
> >> Job_1Job_2
> >> -------------------------------------------------------------------------------------
> >>
> >>  -----------------------------------------------------------------------------------------------------------------------------------------------------------
> >> |      TOPIC_ORIG -> Logic_Job_1 -> TOPIC_JOB_1_SINK      |           ——>
> >>    |     TOPIC_JOB_1_SINK -> GROUP_BY_UNIQUE_KEY_GET_LATEST -> Logic_Job_2
> >> -> FINAL_JOB_2_SINK    |
> >> -------------------------------------------------------------------------------------
> >>
> >>  -----------------------------------------------------------------------------------------------------------------------------------------------------------
> >>
> >>
> >> 即：每个Job往下游发送的数据整体有唯一Key；每个下游需要对上游发来的数据做幂等处理。
> >> 但是，可能存在的问题有：
> >> 1. 因为每个变化都要发一个message，Kafka中的消息数可能很大。
> >> 2. 下游做幂等的时候，因为要对每个Key做Group by，因此消耗的资源也很大。
> >> 3. 如果上游逻辑更改，重新跑数据，那么可能会存在最开始的那天数据不完整，导致污染下游数据
> >> 4. 如果上游逻辑更改，重新跑数据，但是某条数据这个时候已经不应该出现了，下游的数据得不到更新
> >>
> >>
> >> 请问大家是如何管理Flink Job之间的依赖或者说血缘关系的？有没有比较好的方案？
> >> 谢谢大家！
> >>
> >>
> >> 谢谢
> >> 徐涛
>
>
>
>
>

[徐涛]

Hi 军长，
      是的，我的意思正是这样。我的希望是以Kafka作为串联多个Flink Job运行的媒介，但是又觉得Kafka这种介质对于错误处理不够友好。
      如果是对于跑批的Hive表，那么上游跑完以后，下游能看到的数据就是上游覆盖后的数据，整个系统非常的干净。代码也不用修改。
      但对于流式应用来说，如果上游更新逻辑后重跑，Kafka中的旧有数据不会被清空，那么会导致下游重跑后不知道怎么去从Kafka中精确筛选出上游新逻辑产生的数据进行消费。
      您推荐的方法很新颖，即关闭时上游先关，下游后关；启动时下游先启动，上游后启动，而下游的Job使用Kafka latest取上游数据，这样对于简单的场景确实可以解决问题，非常感谢！


      同时对于复杂场景，使用这种模式我也进行了思考。如果对于如下类型的拓扑结构
      job1   --->    job2  --->   job3
                          /\
                           |
      job5   --->   job4
      如果job1进行了逻辑修改，是否应该这样的步骤：
      1. 关闭job1, job2, job3
      2. 启动job3,  使用latest拉取job2产生的Kafka topic结果
      3. 启动job2，使用latest拉取job1产生的Kafka topic结果；使用earliest拉取job4产生的Kafka topic结果
      4. 启动job1
这里的问题在于---job5,job4没有更改，因此不需要重跑，所以在启动job2时需要对job1和job4产生的topic采用不同的模式来追数据，一个是latest一个是earliest。
当然不一定要用earliest和latest，我这里只是举了个例子，但是想说明的是，某个job如果有多个上游的时候，可能需要采用不同的Kafka模式来追数据。


另外不知道在阿里是采用什么模式解决流式任务使用Kafka作为依赖媒介这种场景的呢？也是采用“关闭时上游先关，下游后关；启动时下游先启动，上游后启动”这种模式吗？




谢谢
徐涛

在 2019-06-28 10:01:35，"Hequn Cheng" <[hidden email]> 写道：

>Hi 徐涛，
>
>我理解你应该是想上下游匹配起来，而且新的上游产出不能给老下游了。
>
>有一个办法是，把上下游的job同时重启，这样不用新写到其他topic，而且保证结果符合预期。
>具体的操作流程是：停止上游->停止下游->启动下游（从topic当前时间点消费数据）->启动上游开始追数据。
>如果下游job能及时消费上游的产出，当上游job追上当前进度时，下游job输出也是最新的。
>
>Best, Hequn
>
>On Wed, Jun 26, 2019 at 5:40 PM 徐涛 <[hidden email]> wrote:
>
>> Hi 军长，
>>     谢谢您的回复。
>>     对于问题“如果上游逻辑更改，重新跑数据，那么可能会存在最开始的那天数据不完整，导致污染下游数据”。我觉得这个问题对于想拿Flink做一些规模稍大的系统（或者说基于Kappa架构的设计）可能都会遇到相同的问题。如果对于跑批的场景，因为上游重跑可以覆盖中间结果，下游可以拿到更新后的数据并进行计算；但是流式计算Job的中间结果落盘于Kafka，而且下游的Job已经累积了一些状态，这个时候上游的计算逻辑如果发生了更改，如果还是写到同一个Kafka
>> topic，那么很难保证下游数据的正确性；如果写到不同的Kafka topic，那么下游的实时任务可能都需要重启，这样操作的负担会很重。
>> 不知道一般对于实时数仓来说是怎样解决这样的问题的？
>>
>> 谢谢！
>> 徐涛
>>
>>
>>
>>
>> 在 2019-06-21 21:21:34，"Hequn Cheng" <[hidden email]> 写道：
>> >Hi 徐涛，
>> >
>> >最后四个问题，3和4和业务逻辑关系大些，我大致说下1和2的想法，
>> >
>> >1. 因为每个变化都要发一个message，Kafka中的消息数可能很大。
>> >这个问题，可以借助一些攒批的策略来减少数据量，比如在自定义的sink里加些cache，每1000条刷一次，刷的时候对这1000条按key去重。需要注意的是，攒批需要结合checkpoint一起来考虑，防止丢数据，可以参考下JDBCOutputFormat的实现（做checkpoint的时候需要flush）。此外，blink里面aggregate也有miniBatch的逻辑，也会减少输出的数据量（不过，flink里面还没有miniBatch）。
>> >
>> >2. 下游做幂等的时候，因为要对每个Key做Group by，因此消耗的资源也很大。
>> >这个是的，目前应该没有很好的办法。后期，如果支持了RetractSource，下游job可以不用再做groupBy+last。只需要上游job用RetractSink输出存一份数据到Kafka。
>> >
>> >一些其他问题:
>> >> ① 需要实现一个retract kafka sink
>> >这里应该是需要实现一个upsert kafka sink，目前flink还没法输入retract message。
>> >
>> >Best，Hequn
>> >
>> >On Wed, Jun 19, 2019 at 1:18 PM 徐涛 <[hidden email]> wrote:
>> >
>> >> 大家好，
>> >>
>> >> 我这边想做一个实时数仓项目。但随着Flink间Job的数量越来越多，发现很多Job之间的代码存在大量的重复，且迫切需要一个类似于Batch的中间层解决方案来减少冗余，增加整体的清晰度和层次感。
>> >>     我这边能想到的解决方案是：采用Kafka作为Job之间的联系纽带，例如有两个Job
>> >>     Job_1:   从原始kafka topic TOPIC_ORIG获取数据, 进行一定的业务逻辑处理后，写到另一个kafka topic,
>> >> TOPIC_JOB_1_SINK 。注意
>> >>                ① 需要实现一个retract kafka sink
>> >>                ② 没有使用kafka exactly-once sink
>> >>                ③ TOPIC_JOB_1_SINK 中的每条记录应该有一个 unique key.
>> >>                ④ 每个Key相同的记录应该被发往相同的kafka partition.
>> >>     Job_2:    从TOPIC_JOB_1_SINK读取数据, 接着做幂等(先对唯一Key做group by取最新),
>> >> 然后运行Job_2的逻辑 , 最后把数据写道最终Sink中(例如es, hbase, mysql)。 之所以要对unique
>> >> key做一轮幂等处理，因为Job_1可能会失败重试，TOPIC_JOB_1_SINK中可能会有一些重试脏数据。
>> >>
>> >>
>> >> 从整体上看，结构大概如下图所示：
>> >> Job_1Job_2
>> >> -------------------------------------------------------------------------------------
>> >>
>> >>  -----------------------------------------------------------------------------------------------------------------------------------------------------------
>> >> |      TOPIC_ORIG -> Logic_Job_1 -> TOPIC_JOB_1_SINK      |           ——>
>> >>    |     TOPIC_JOB_1_SINK -> GROUP_BY_UNIQUE_KEY_GET_LATEST -> Logic_Job_2
>> >> -> FINAL_JOB_2_SINK    |
>> >> -------------------------------------------------------------------------------------
>> >>
>> >>  -----------------------------------------------------------------------------------------------------------------------------------------------------------
>> >>
>> >>
>> >> 即：每个Job往下游发送的数据整体有唯一Key；每个下游需要对上游发来的数据做幂等处理。
>> >> 但是，可能存在的问题有：
>> >> 1. 因为每个变化都要发一个message，Kafka中的消息数可能很大。
>> >> 2. 下游做幂等的时候，因为要对每个Key做Group by，因此消耗的资源也很大。
>> >> 3. 如果上游逻辑更改，重新跑数据，那么可能会存在最开始的那天数据不完整，导致污染下游数据
>> >> 4. 如果上游逻辑更改，重新跑数据，但是某条数据这个时候已经不应该出现了，下游的数据得不到更新
>> >>
>> >>
>> >> 请问大家是如何管理Flink Job之间的依赖或者说血缘关系的？有没有比较好的方案？
>> >> 谢谢大家！
>> >>
>> >>
>> >> 谢谢
>> >> 徐涛
>>
>>
>>
>>
>>