Kafka分区数据Skew导致Watermark放赖怎么办？
发布时间：2022-08-02 12:01:30 所属栏目：云计算 来源：互联网
导读：抛出疑无路？ 有一种非常..非常...常见的痛苦是Kafka分区数据Skew，由于某一个分区数据缓慢导致整个作业无法事件驱动计算。From @孙金城的知识星球用户，如下： 图片 示例说明比如我们有一个Kafka的Topic，有2个分区，如下数据： 复制 S001,1, 2020-06-13 09
|
抛出疑无路？ 有一种非常..非常...常见的痛苦是Kafka分区数据Skew，由于某一个分区数据缓慢导致整个作业无法事件驱动计算。From @孙金城的知识星球用户，如下： 图片 示例说明比如我们有一个Kafka的Topic，有2个分区，如下数据： 复制 S001,1, 2020-06-13 09:58:00 S001,1, 2020-06-13 09:58:01 S001,2, 2020-06-13 09:58:02 S001,3, 2020-06-13 09:58:03 S001,4, 2020-06-13 09:58:04 S001,5, 2020-06-13 09:58:05 S001,6, 2020-06-13 09:58:06 S001,7, 2020-06-13 09:58:07 S001,8, 2020-06-13 09:58:08 S001,9, 2020-06-13 09:58:09 S001,10, 2020-06-13 09:58:10 S001,11, 2020-06-13 09:58:11 S001,12, 2020-06-13 09:58:12 S001,13, 2020-06-13 09:58:13 S001,14, 2020-06-13 09:58:14 S001,15, 2020-06-13 09:58:15 S001,16, 2020-06-13 09:58:16 S001,17, 2020-06-13 09:58:17 S001,18, 2020-06-13 09:58:18 S001,19, 2020-06-13 09:58:19 S001,20, 2020-06-13 09:58:20 S001,21, 2020-06-13 09:58:21 // 这条数据在第一个分区，其他数据在第二个分区。 S001,22, 2020-06-13 09:58:22 S001,23, 2020-06-13 09:58:23 S001,24, 2020-06-13 09:58:24 S001,25, 2020-06-13 09:58:25 S001,26, 2020-06-13 09:58:26 S001,27, 2020-06-13 09:58:27 S001,28, 2020-06-13 09:58:28 S001,29, 2020-06-13 09:58:29 S001,30, 2020-06-13 09:58:30 S001,31, 2020-06-13 09:58:31 S001,32, 2020-06-13 09:58:32 S001,33, 2020-06-13 09:58:33 S001,34, 2020-06-13 09:58:34 S001,35, 2020-06-13 09:58:35 S001,36, 2020-06-13 09:58:36 S001,37, 2020-06-13 09:58:37 S001,38, 2020-06-13 09:58:38 S001,39, 2020-06-13 09:58:39 1. 2. 3. 4. 5. 6. 7. 8. 9. 10. 11. 12. 13. 14. 15. 16. 17. 18. 19. 20. 21. 22. 23. 24. 25. 26. 27. 28. 29. 30. 31. 32. 33. 34. 35. 36. 37. 38. 39. 40. 我们利用自定义Partitioner的方式，让第21条数据到第一个分区，其他的在第二个分区。这时候，如果业务需求是一个5秒钟的窗口。 那么，目前Flink-1.10默认只能触发4个窗口计算，也就是从22条数据到39条数据都不会触发计算了。利用本篇提及的解决方案可以完成 7个窗口的触发（全部窗口）。 不考虑Idle情况，计算结果 如下： 图片 考虑Idle情况，计算结果 如下： 图片 再现又一村！ 【Flink 1.10 】这又是一个知道1秒钟，不知道坐地哭的情况。问题的本质是目前生成Watermark的机制是min(partition1, partition2,..,partitionN), 所以就出现了木桶效应，也就是用户描述的情况，怎么办呢？修改代码.... 还是那句话，看这个系列的朋友都是来看怎么快速解决问题的，所以咱们不啰嗦，直接看解决步骤： 仿照下面的代码开发一个`StreamSource`， 放到`org.apache.flink.streaming.api.operators`包下面，与你的业务代码一起打包： https://github.com/sunjincheng121/know_how_know_why/blob/master/QA/v110/discover-idle-sources/src/main/java/org/apache/flink/streaming/api/operators/StreamSource.java 图片 注意上面添加了一个配置`idleTimeout`的配置项，这个配置下默认`-1`，也就是不生效，那么只要你配置了这个数值，指定的时间不来数据Flink系统就认为这个Partition没数据了，那么计算Watermark的时候就不考虑他了，等他有数据再把他列入计算Watermark的范畴。 在写作业的时候配置`source.idle.timeout.ms`参数，如下： 图片 OK，上面两个步骤就解决了这个问题。如你遇到classloader问题，我说的是如果，那么把下面默认值进行修改。 图片 【说明】如上解决方案适用 Flink 1.10 及之前版本 DataStream 和SQL flink planner开发（我想以后也一样，因为flink planner 逐步被blink planner替代）。 对 Flink blink planner SQL (1.9+) 可以添加`table.exec.source.idle-timeout`。 对于Flink 1.11及之后的DataStrem可以利用`WatermarkStrategy`进行设置，最终参考1.11发布之后的文档。 前进一小步？ 如果是已经遇到这个问题的朋友，那么按照上面两步应该可以解决问题。如果你没有遇到这个问题，想自己体验一下，那么可以clone我的git： https://github.com/sunjincheng121/know_how_know_why/tree/master/QA/v110/discover-idle-sources 把这个项目拉到本地，按照README.md 体验一把： https://github.com/sunjincheng121/know_how_know_why/blob/master/QA/v110/discover-idle-sources/src/main/java/qa/README.md 图片 如果你上面操作还遇到了困难，那也不用着急，关注我《Apache Flink知其然，知其所以然》视频课程，里面会有视频演示（这个系列文章保持简单，只说How，不细说Why） Flink 的锅？... 关于这个问题社区也在不断的做努力，感兴趣的朋友可以参阅 FLIP-27&FLIP-126。当然对于flink planner（old）目前看只能用本篇提到的方案进行解决，这里也建议大家尽早升级到 blink planner。 （编辑：梅州站长网） 【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容! |
