[源码解析] GroupReduce，GroupCombine 和 Flink SQL group by
[源码解析] GroupReduce，GroupCombine和Flink SQL group by
0x00 摘要
本文从源码和实例入手，为大家解析 Flink 中 GroupReduce 和 GroupCombine 的用途。也涉及到了 Flink SQL group by 的内部实现。
0x01 缘由
在前文[源码解析] Flink的Groupby和reduce究竟做了什么中，我们剖析了Group和reduce都做了些什么，也对combine有了一些了解。但是总感觉意犹未尽，因为在Flink还提出了若干新算子，比如GroupReduce和GroupCombine。这几个算子不搞定，总觉得如鲠在喉，但没有找到一个良好的例子来进行剖析说明。
本文是笔者在探究Flink SQL UDF问题的一个副产品。起初是为了调试一段sql代码，结果发现Flink本身给出了一个GroupReduce和GroupCombine使用的完美例子。于是就拿出来和大家共享，一起分析看看究竟如何使用这两个算子。
请注意：这个例子是Flink SQL，所以本文中将涉及Flink SQL goup by内部实现的知识。
0x02 概念
Flink官方对于这两个算子的使用说明如下：
2.1 GroupReduce
GroupReduce算子应用在一个已经分组了的DataSet上，其会对每个分组都调用到用户定义的group-reduce函数。它与Reduce的区别在于用户定义的函数会立即获得整个组。
Flink将在组的所有元素上使用Iterable调用用户自定义函数，并且可以返回任意数量的结果元素。
2.2 GroupCombine
GroupCombine转换是可组合GroupReduceFunction中组合步骤的通用形式。它在某种意义上被概括为允许将输入类型 I 组合到任意输出类型O。与此相对的是，GroupReduce中的组合步骤仅允许从输入类型 I 到输出类型 I 的组合。这是因为GroupReduceFunction的 "reduce步骤" 期望自己的输入类型为 I。
在一些应用中，我们期望在执行附加变换（例如，减小数据大小）之前将DataSet组合成中间格式。这可以通过CombineGroup转换能以非常低的成本实现。
注意：分组数据集上的GroupCombine在内存中使用贪婪策略执行，该策略可能不会一次处理所有数据，而是以多个步骤处理。它也可以在各个分区上执行，而无需像GroupReduce转换那样进行数据交换。这可能会导致输出的是部分结果，所以GroupCombine是不能替代GroupReduce操作的，尽管它们的操作内容可能看起来都一样。
2.3 例子
是不是有点晕？还是直接让代码来说话吧。以下官方示例演示了如何将CombineGroup和GroupReduce转换用于WordCount实现。即通过combine操作先对单词数目进行初步排序，然后通过reduceGroup对combine产生的结果进行最终排序。因为combine进行了初步排序，所以在算子之间传输的数据量就少多了。
DataSet<String> input = [..] // The words received as input
// 这里通过combine操作先对单词数目进行初步排序，其优势在于用户定义的combine函数只调用一次，因为runtime已经把输入数据一次性都提供给了自定义函数。
DataSet<Tuple2<String, Integer>> combinedWords = input
.groupBy(0) // group identical words
.combineGroup(new GroupCombineFunction<String, Tuple2<String, Integer>() {
public void combine(Iterable<String> words, Collector<Tuple2<String, Integer>>) { // combine
String key = null;
int count = 0;
for (String word : words) {
key = word;
count++;
}
// emit tuple with word and count
out.collect(new Tuple2(key, count));
}
});
// 这里对combine的结果进行第二次排序，其优势在于用户定义的reduce函数只调用一次，因为runtime已经把输入数据一次性都提供给了自定义函数。
DataSet<Tuple2<String, Integer>> output = combinedWords
.groupBy(0) // group by words again
.reduceGroup(new GroupReduceFunction() { // group reduce with full data exchange
public void reduce(Iterable<Tuple2<String, Integer>>, Collector<Tuple2<String, Integer>>) {
String key = null;
int count = 0;
for (Tuple2<String, Integer> word : words) {
key = word;
count++;
}
// emit tuple with word and count
out.collect(new Tuple2(key, count));
}
});
看到这里，有的兄弟已经明白了，这和mapPartition很类似啊，都是runtime做了大量工作。为了让大家这两个算子的使用情形有深刻的认识，我们再通过一个sql的例子，向大家展示Flink内部是怎么应用这两个算子的，也能看出来他们的强大之处。
0x03 代码
下面代码主要参考自 flink 使用问题汇总。我们可以看到这里通过groupby进行了聚合操作。其中collect方法，类似于mysql的group_concat。
public class UdfExample {
public static class MapToString extends ScalarFunction {
public String eval(Map<String, Integer> map) {
if(map==null || map.size()==0) {
return "";
}
StringBuffer sb=new StringBuffer();
for(Map.Entry<String, Integer> entity : map.entrySet()) {
sb.append(entity.getKey()+",");
}
String result=sb.toString();
return result.substring(0, result.length()-1);
}
}
public static void main(String[] args) throws Exception {
MemSourceBatchOp src = new MemSourceBatchOp(new Object[][]{
new Object[]{"1", "a", 1L},
new Object[]{"2", "b33", 2L},
new Object[]{"2", "CCC", 2L},
new Object[]{"2", "xyz", 2L},
new Object[]{"1", "u", 1L}
}, new String[]{"f0", "f1", "f2"});
BatchTableEnvironment environment = MLEnvironmentFactory.getDefault().getBatchTableEnvironment();
Table table = environment.fromDataSet(src.getDataSet());
environment.registerTable("myTable", table);
BatchOperator.registerFunction("MapToString", new MapToString());
BatchOperator.sqlQuery("select f0, mapToString(collect(f1)) as type from myTable group by f0").print();
}
}
程序输出是
f0|type
--|----
1|a,u
2|CCC,b33,xyz
0x04 Flink SQL内部翻译
这个SQL语句的重点是group by。这个是程序猿经常使用的操作。但是大家有没有想过这个group by在真实运行起来时候是怎么操作的呢？针对大数据环境有没有做了什么优化呢？其实，Flink正是使用了GroupReduce和GroupCombine来实现并且优化了group by的功能。优化之处在于：
- GroupReduce和GroupCombine的函数调用次数要远低于正常的reduce算子，如果reduce操作中涉及到频繁创建额外的对象或者外部资源操作，则会相当省时间。
- 因为combine进行了初步排序，所以在算子之间传输的数据量就少多了。
SQL生成Flink的过程十分错综复杂，所以我们只能找最关键处。其是在 DataSetAggregate.translateToPlan 完成的。我们可以看到，对于SQL语句 “select f0, mapToString(collect(f1)) as type from myTable group by f0”，Flink系统把它翻译成如下阶段，即
- pre-aggregation ：排序 + combine；
- final aggregation ：排序 + reduce；
从之前的文章我们可以知道，groupBy这个其实不是一个算子，它只是排序过程中的一个辅助步骤而已，所以我们重点还是要看combineGroup和reduceGroup。这恰恰是我们想要的完美例子。
input ----> (groupBy + combineGroup) ----> (groupBy + reduceGroup) ----> output
SQL生成的Scala代码如下，其中 combineGroup在后续中将生成GroupCombineOperator，reduceGroup将生成GroupReduceOperator。
override def translateToPlan(
tableEnv: BatchTableEnvImpl,
queryConfig: BatchQueryConfig): DataSet[Row] = {
if (grouping.length > 0) {
// grouped aggregation
......
if (preAgg.isDefined) { // 我们的例子是在这里
inputDS
// pre-aggregation
.groupBy(grouping: _*)
.combineGroup(preAgg.get) // 将生成GroupCombineOperator算子
.returns(preAggType.get)
.name(aggOpName)
// final aggregation
.groupBy(grouping.indices: _*) //将生成GroupReduceOperator算子。
.reduceGroup(finalAgg.right.get)
.returns(rowTypeInfo)
.name(aggOpName)
} else {
......
}
}
else {
......
}
}
}
// 程序变量打印如下
this = {DataSetAggregate@5207} "Aggregate(groupBy: (f0), select: (f0, COLLECT(f1) AS $f1))"
cluster = {RelOptCluster@5220}
0x05 JobGraph
LocalExecutor.execute中会生成JobGraph。JobGraph是提交给 JobManager 的数据结构，是唯一被Flink的数据流引擎所识别的表述作业的数据结构，也正是这一共同的抽象体现了流处理和批处理在运行时的统一。
在生成JobGraph时候，系统得到如下JobVertex。
jobGraph = {JobGraph@5652} "JobGraph(jobId: 6aae8b5e5ad32f588136bef26f8b65f6)"
taskVertices = {LinkedHashMap@5655} size = 4
{JobVertexID@5677} "c625209bb7fb9a098807551840aeaa99" -> {InputOutputFormatVertex@5678} "CHAIN DataSource (at initializeDataSource(MemSourceBatchOp.java:98) (org.apache.flink.api.java.io.CollectionInputFormat)) -> FlatMap (select: (f0, f1)) (org.apache.flink.runtime.operators.DataSourceTask)"
{JobVertexID@5679} "b56ace4acd7a2f69ea110a9f262ff80a" -> {JobVertex@5680} "CHAIN GroupReduce (groupBy: (f0), select: (f0, COLLECT(f1) AS $f1)) -> FlatMap (select: (f0, mapToString($f1) AS type)) -> Map (Map at linkFrom(MapBatchOp.java:35)) (org.apache.flink.runtime.operators.BatchTask)"
{JobVertexID@5681} "3f5e2a0f700421d80ce85e02a6d9db73" -> {InputOutputFormatVertex@5682} "DataSink (collect()) (org.apache.flink.runtime.operators.DataSinkTask)"
{JobVertexID@5683} "ad29dc5b2e0a39ad2cd1d164b6f859f7" -> {JobVertex@5684} "GroupCombine (groupBy: (f0), select: (f0, COLLECT(f1) AS $f1)) (org.apache.flink.runtime.operators.BatchTask)"
我们可以看到，在JobGraph中就生成了对应的两个算子。其中这里的FlatMap就是用户的UDF函数MapToString的映射生成。
GroupCombine (groupBy: (f0), select: (f0, COLLECT(f1) AS $f1))
CHAIN GroupReduce (groupBy: (f0), select: (f0, COLLECT(f1) AS $f1)) -> FlatMap (select: (f0, mapToString($f1) AS type)) -> Map
0x06 Runtime
最后，让我们看看runtime会如何处理这两个算子。
6.1 ChainedFlatMapDriver
首先，Flink会在ChainedFlatMapDriver.collect中对record进行处理，这是从Table中提取数据所必须经历的，与后续的group by关系不大。
@Override
public void collect(IT record) {
try {
this.numRecordsIn.inc();
this.mapper.flatMap(record, this.outputCollector);
} catch (Exception ex) {
throw new ExceptionInChainedStubException(this.taskName, ex);
}
}
// 这里能够看出来，我们获取了第一列记录
record = {Row@9317} "1,a,1"
fields = {Object[3]@9330}
this.taskName = "FlatMap (select: (f0, f1))"
// 程序堆栈打印如下
collect:80, ChainedFlatMapDriver (org.apache.flink.runtime.operators.chaining)
collect:35, CountingCollector (org.apache.flink.runtime.operators.util.metrics)
invoke:196, DataSourceTask (org.apache.flink.runtime.operators)
doRun:707, Task (org.apache.flink.runtime.taskmanager)
run:532, Task (org.apache.flink.runtime.taskmanager)
run:748, Thread (java.lang)
6.2 GroupReduceCombineDriver
其次，GroupReduceCombineDriver.run()中会进行combine操作。
- 会通过
this.sorter.write(value)把数据写到排序缓冲区。 - 会通过
sortAndCombineAndRetryWrite(value)进行实际的排序，合并。
因为是系统实现，所以Combine的用户自定义函数就是由Table API提供的，比如org.apache.flink.table.functions.aggfunctions.CollectAccumulator.accumulate 。
@Override
public void run() throws Exception {
final MutableObjectIterator<IN> in = this.taskContext.getInput(0);
final TypeSerializer<IN> serializer = this.serializer;
if (objectReuseEnabled) {
.....
}
else {
IN value;
while (running && (value = in.next()) != null) {
// try writing to the sorter first
if (this.sorter.write(value)) {
continue;
}
// do the actual sorting, combining, and data writing
sortAndCombineAndRetryWrite(value);
}
}
// sort, combine, and send the final batch
if (running) {
sortAndCombine();
}
}
// 程序变量如下
value = {Row@9494} "1,a"
fields = {Object[2]@9503}
sortAndCombine是具体排序/合并的过程。
- 排序是通过
org.apache.flink.runtime.operators.sort.QuickSort完成的。 - 合并是通过
org.apache.flink.table.functions.aggfunctions.CollectAccumulator.accumulate完成的。 - 给下游是由
org.apache.flink.table.runtime.aggregate.DataSetPreAggFunction.combine调用out.collect(output)完成的。
private void sortAndCombine() throws Exception {
final InMemorySorter<IN> sorter = this.sorter;
// 这里进行实际的排序
this.sortAlgo.sort(sorter);
final GroupCombineFunction<IN, OUT> combiner = this.combiner;
final Collector<OUT> output = this.output;
// iterate over key groups
if (objectReuseEnabled) {
......
} else {
final NonReusingKeyGroupedIterator<IN> keyIter =
new NonReusingKeyGroupedIterator<IN>(sorter.getIterator(), this.groupingComparator);
// 这里是归并操作
while (this.running && keyIter.nextKey()) {
// combiner.combiner 是用户定义操作，runtime把某key对应的数据一次性传给它
combiner.combine(keyIter.getValues(), output);
}
}
}
具体调用栈如下：
accumulate:57, CollectAggFunction (org.apache.flink.table.functions.aggfunctions)
accumulate:-1, DataSetAggregatePrepareMapHelper$5
combine:71, DataSetPreAggFunction (org.apache.flink.table.runtime.aggregate)
sortAndCombine:213, GroupReduceCombineDriver (org.apache.flink.runtime.operators)
run:188, GroupReduceCombineDriver (org.apache.flink.runtime.operators)
run:504, BatchTask (org.apache.flink.runtime.operators)
invoke:369, BatchTask (org.apache.flink.runtime.operators)
doRun:707, Task (org.apache.flink.runtime.taskmanager)
run:532, Task (org.apache.flink.runtime.taskmanager)
run:748, Thread (java.lang)
6.3 GroupReduceDriver & ChainedFlatMapDriver
这两个放在一起，是因为他们组成了Operator Chain。
GroupReduceDriver.run中完成了reduce。具体reduce 操作是在 org.apache.flink.table.runtime.aggregate.DataSetFinalAggFunction.reduce 完成的，然后在其中直接发送给下游 out.collect(output)。
@Override
public void run() throws Exception {
// cache references on the stack
final GroupReduceFunction<IT, OT> stub = this.taskContext.getStub();
if (objectReuseEnabled) {
......
}
else {
final NonReusingKeyGroupedIterator<IT> iter = new NonReusingKeyGroupedIterator<IT>(this.input, this.comparator);
// run stub implementation
while (this.running && iter.nextKey()) {
// stub.reduce 是用户定义操作，runtime把某key对应的数据一次性传给它
stub.reduce(iter.getValues(), output);
}
}
}
从前文我们可以，这里已经配置成了Operator Chain，所以out.collect(output)会调用到CountingCollector。CountingCollector的成员变量collector已经配置成了ChainedFlatMapDriver。
public void collect(OUT record) {
this.numRecordsOut.inc();
this.collector.collect(record);
}
this.collector = {ChainedFlatMapDriver@9643}
mapper = {FlatMapRunner@9610}
config = {TaskConfig@9655}
taskName = "FlatMap (select: (f0, mapToString($f1) AS type))"
于是程序就调用到了 ChainedFlatMapDriver.collect。
public void collect(IT record) {
try {
this.numRecordsIn.inc();
this.mapper.flatMap(record, this.outputCollector);
} catch (Exception ex) {
throw new ExceptionInChainedStubException(this.taskName, ex);
}
}
最终调用栈如如下：
eval:21, UdfExample$MapToString (com.alibaba.alink)
flatMap:-1, DataSetCalcRule$14
flatMap:52, FlatMapRunner (org.apache.flink.table.runtime)
flatMap:31, FlatMapRunner (org.apache.flink.table.runtime)
collect:80, ChainedFlatMapDriver (org.apache.flink.runtime.operators.chaining)
collect:35, CountingCollector (org.apache.flink.runtime.operators.util.metrics)
reduce:80, DataSetFinalAggFunction (org.apache.flink.table.runtime.aggregate)
run:131, GroupReduceDriver (org.apache.flink.runtime.operators)
run:504, BatchTask (org.apache.flink.runtime.operators)
invoke:369, BatchTask (org.apache.flink.runtime.operators)
doRun:707, Task (org.apache.flink.runtime.taskmanager)
run:532, Task (org.apache.flink.runtime.taskmanager)
run:748, Thread (java.lang)
0x07 总结
由此我们可以看到：
- GroupReduce，GroupCombine和mapPartition十分类似，都是从系统层面对算子进行优化，把循环操作放到用户自定义函数来处理。
- 对于group by这个SQL语句，Flink将其翻译成 GroupReduce + GroupCombine，采用两阶段优化的方式来完成了对大数据下的处理。
