Flink与Spark Streaming在与kafka结合的区别！

本文主要是想聊聊flink与kafka结合。当然，单纯的介绍flink与kafka的结合呢，比较单调，也没有可对比性，所以的准备顺便帮大家简单回顾一下Spark Streaming与kafka的结合。

看懂本文的前提是首先要熟悉kafka，然后了解spark Streaming的运行原理及与kafka结合的两种形式，然后了解flink实时流的原理及与kafka结合的方式。

kafka

kafka作为一个消息队列，在企业中主要用于缓存数据，当然，也有人用kafka做存储系统，比如存最近七天的数据。kafka的基本概念请参考：kafka入门介绍

更多kafka的文章请关注浪尖公众号，阅读。

首先，我们先看下图，这是一张生产消息到kafka，从kafka消费消息的结构图。

当然， 这张图很简单，拿这张图的目的是从中可以得到的跟本节文章有关的消息，有以下两个：

1，kafka中的消息不是kafka主动去拉去的，而必须有生产者往kafka写消息。

2，kafka是不会主动往消费者发布消息的，而必须有消费者主动从kafka拉取消息。

spark Streaming结合kafka

Spark Streaming现在在企业中流处理也是用的比较广泛，但是大家都知道其不是真正的实时处理，而是微批处理。

在spark 1.3以前，SPark Streaming与kafka的结合是基于Receiver方式，顾名思义，我们要启动1+个Receiver去从kafka里面拉去数据，拉去的数据会每隔200ms生成一个block，然后在job生成的时候，取出该job处理时间范围内所有的block，生成blockrdd，然后进入Spark core处理。

自Spark1.3以后，增加了direct Stream API，这种呢，主要特点是去掉了Receiver，在生成job，去取rdd的时候，计算每个partition要取数据的offset范围，然后生成一个kafkardd，该rdd特点是与kafka的分区是一一对应的。

有上面的特点可以看出，Spark Streaming是要生成rdd，然后进行处理的，rdd数据集我们可以理解为静态的，然每个批次，都会生成一个rdd，该过程就体现了批处理的特性，由于数据集时间段小，数据小，所以又称微批处理，那么就说明不是真正的实时处理。

flink结合kafka

大家都知道flink是真正的实时处理，他是基于事件触发的机制进行处理，而不是像spark Streaming每隔若干时间段，生成微批数据，然后进行处理。那么这个时候就有了个疑问，在前面kafka小节中，我们说到了kafka是不会主动往消费者里面吐数据的，需要消费者主动去拉去数据来处理。那么flink是如何做到基于事件实时处理kafka的数据呢？在这里浪尖带着大家看一下源码，flink1.5.0为例。

1，flink与kafka结合的demo。

val 
env=StreamExecutionEnvironment.getExecutionEnvironment
env.getConfig.disableSysoutLogging
env.getConfig.setRestartStrategy(RestartStrategies.fixedDelayRestart(4, 10000))
// create 
a checkpoint every 5 seconds
env.enableCheckpointing(5000)
// make 
parameters available in the web 
interface
env.getConfig.setGlobalJobParameters(params)

// create a Kafka streaming source consumer for Kafka 
0.10.x
val 
kafkaConsumer=new 
FlinkKafkaConsumer010(
?params.getRequired("input-topic"),
?new SimpleStringSchema,
?params.getProperties)

val 
messageStream=env
?.addSource(kafkaConsumer)
?.map(in=> prefix + 
in)

// create a Kafka producer for Kafka 
0.10.x
val 
kafkaProducer=new 
FlinkKafkaProducer010(
?params.getRequired("output-topic"),
?new SimpleStringSchema,
?params.getProperties)

// write data into 
Kafka
messageStream.addSink(kafkaProducer)

env.execute("Kafka 0.10 Example")

 

从上面的demo可以看出，数据源的入口就是FlinkKafkaConsumer010，当然这里面只是简单的构建了一个对象，并进行了一些配置的初始化，真正source的启动是在其run方法中run方法的调用过程在这里不讲解，后面会出教程讲解。

首先看一下类的继承关系

public class FlinkKafkaConsumer010<T> extends FlinkKafkaConsumer09<T>
public class FlinkKafkaConsumer09<T> extends FlinkKafkaConsumerBase<T>

其中，run方法就在FlinkKafkaConsumerBase里，当然其中open方法里面对kafka相关内容进行里初始化。

从输入到计算到输出完整的计算链条的调用过程，后面浪尖会出文章介绍。在这里只关心flink如何从主动消费数据，然后变成事件处理机制的过程。

由于其FlinkKafkaConsumerBase的run比较长，我这里只看重要的部分，首先是会创建Kafka09Fetcher。

 

KAFKA_CONSUMER_METRICS_GROUP),
? ? 
?useMetrics);

 

 

 

接着下面有段神器，

final AtomicReference<Exception> discoveryLoopErrorRef=new AtomicReference<>();
this.discoveryLoopThread =new Thread(new Runnable() {
? @Override
? public void run() {
? ? ?try {
? ? ? ? // --------------------- partition discovery loop ---------------------

? ? ? ? List<KafkaTopicPartition> discoveredPartitions;

? ? ? ? // throughout the loop, we always eagerly check if we are still running before
? ? ? ? // performing the next operation, so that we can escape the loop as soon as possible

? ? ? ? while (running) {
? ? ? ? ? ?if (LOG.isDebugEnabled()) {
? ? ? ? ? ? ? LOG.debug("Consumer subtask {} is trying to discover new partitions ...", getRuntimeContext().getIndexOfThisSubtask());
? ? ? ? ? ?}

? ? ? ? ? ?try {
? ? ? ? ? ? ? discoveredPartitions=partitionDiscoverer.discoverPartitions();
? ? ? ? ? ?} catch (AbstractPartitionDiscoverer.WakeupException | AbstractPartitionDiscoverer.ClosedException e) {
? ? ? ? ? ? ? // the partition discoverer may have been closed or woken up before or during the discovery;
? ? ? ? ? ? ? // this would only happen if the consumer was canceled; simply escape the loop
? ? ? ? ? ? ? break;
? ? ? ? ? ?}

? ? ? ? ? ?// no need to add the discovered partitions if we were closed during the meantime
? ? ? ? ? ?if (running && !discoveredPartitions.isEmpty()) {
? ? ? ? ? ? ? kafkaFetcher.addDiscoveredPartitions(discoveredPartitions);
? ? ? ? ? ?}

? ? ? ? ? ?// do not waste any time sleeping if we're not running anymore
? ? ? ? ? ?if (running && discoveryIntervalMillis !=0) {
? ? ? ? ? ? ? try {
? ? ? ? ? ? ? ? ?Thread.sleep(discoveryIntervalMillis);
? ? ? ? ? ? ? } catch (InterruptedException iex) {
? ? ? ? ? ? ? ? ?// may be interrupted if the consumer was canceled midway; simply escape the loop
? ? ? ? ? ? ? ? ?break;
? ? ? ? ? ? ? }
? ? ? ? ? ?}
? ? ? ? }
? ? ?} catch (Exception e) {
? ? ? ? discoveryLoopErrorRef.set(e);
? ? ?} finally {
? ? ? ? // calling cancel will also let the fetcher loop escape
? ? ? ? // (if not running, cancel() was already called)
? ? ? ? if (running) {
? ? ? ? ? ?cancel();
? ? ? ? }
? ? ?}
? }
}, "Kafka Partition Discovery for " + getRuntimeContext().getTaskNameWithSubtasks());

它定义了一个线程池对象，去动态发现kafka新增的topic（支持正则形式指定消费的topic），或者动态发现kafka新增的分区。

 

接着肯定是启动动态发现分区或者topic线程，并且

kafkaFetcher.runFetchLoop();

// 
--------------------------------------------------------------------

// make sure that 
the partition discoverer is properly closed
partitionDiscoverer.close();
discoveryLoopThread.join();

 

 

接着，我们进入

// kick off the actual Kafka consumer
consumerThread.start();

这个线程是在构建kafka09Fetcher的时候创建的

LOG,
? ? 
?handover,
? ? 
?kafkaProperties,
? ? ?unassignedPartitionsQueue,
? ? 
?createCallBridge(),
? ? ?getFetcherName() + " for " + taskNameWithSubtasks,
? ? 
?pollTimeout,
? ? ?useMetrics,
? ? 
?consumerMetricGroup,
? ? ?subtaskMetricGroup);

 

KafkaConsumerThread 继承自Thread，然后在其run方法里，首先看到的是

// this is the means to talk to FlinkKafkaConsumer's main thread
final Handover handover=this.handover;

这个handover的作用呢暂且不提，接着分析run方法里面内容

1，获取消费者

try {
? this.consumer =getConsumer(kafkaProperties);
}

2，检测分区并且会重分配新增的分区

? }
? 
else {
? ? ?// if no assigned partitions block until we get at least 
one
? ? ?// instead of hot spinning this 
loop. We rely on a fact that
? ? ?// 
unassignedPartitionsQueue will be closed on a shutdown, so
? ? ?// we don't block indefinitely
? ? ?newPartitions=unassignedPartitionsQueue.getBatchBlocking();
? }
? 
if (newPartitions !=null) {
? ? 
?reassignPartitions(newPartitions);
? }

 

3，消费数据

? }
? 
catch (WakeupException we) {
? ? ?continue;
? 
}
}

 

4，通过handover将数据发出去

? records=null;
}

 

 

由于kafkaFetcher的runFetchLoop方法的分析，我们在这里继续

1，拉取handover.producer生产的数据

byte[], 
byte[]> records=handover.pollNext();

 

2，数据格式整理，并将数据整理好后，逐个Record发送，将循环主动批量拉取kafka数据，转化为事件触发。

 

// get the records for each topic partition
for (KafkaTopicPartitionState<TopicPartition> partition : subscribedPartitionStates()) {

? List<ConsumerRecord<byte[], byte[]>> partitionRecords=
? ? ? ? records.records(partition.getKafkaPartitionHandle());

? for (ConsumerRecord<byte[], byte[]> record : partitionRecords) {
? ? ?final T value=deserializer.deserialize(
? ? ? ? ? ?record.key(), record.value(),
? ? ? ? ? ?record.topic(), record.partition(), record.offset());

? ? ?if (deserializer.isEndOfStream(value)) {
? ? ? ? // end of stream signaled
? ? ? ? running =false;
? ? ? ? break;
? ? ?}

? ? ?// emit the actual record. this also updates offset state atomically
? ? ?// and deals with timestamps and watermark generation
? ? ?emitRecord(value, partition, record.offset(), record);
? }
}

 

肯定会注意到这行代码emitRecord(value, partition, record.offset(), record);，英语美文从这里开始flink变成事件触发的流引擎。

handover-枢纽

handover是在构建kafkaFetcher的时候构建的

this.handover =new Handover();

handover是一个工具，将一组数据或者异常从生产者线程传输到消费者线程。它高效的扮演了一个阻塞队列的特性。该类运行于flink kafka consumer，用来在kafkaConsumer 类和主线程之间转移数据和异常。

handover有两个重要方法，分别是：

1，producer

producer是将kafkaConusmer获取的数据发送出去，在KafkaConsumerThread中调用。代码如上

2，pollnext

从handover里面拉去下一条数据，会阻塞的，行为很像是从一个阻塞队列里面拉去数据。

综述

kafkaConsumer批量拉去数据，flink将其经过整理之后变成，逐个Record发送的事件触发式的流处理。这就是flink与kafka结合事件触发时流处理的基本思路。

重要的事情再说一遍：Flink支持动态发现新增topic或者新增partition哦。具体实现思路，前面有代码为证，后面会对比spark Streaming的这块（不支持动态发现新增kafka topic或者partition），来详细讲解。

推荐阅读：

Flink on yarn初步讲解

Flink并行度