vlambda博客
学习文章列表

Flink整合ElasticSearch详细指南及踩坑记录

点击上方 蓝色字体 ,选择“设为星标”
回复" 面试" 获取更多惊喜
Hi,我是王知无,一个大数据领域的原创作者。 
放心关注我,获取更多行业的一手消息。

一、ElasticSearchSink介绍

在使用Flink进行数据的处理的时候,一个必要步骤就是需要将计算的结果进行存储或导出,Flink中这个过程称为Sink,官方我们提供了常用的几种Sink Connector,例如:

Apache Kafka
Elasticsearch
Elasticsearch 2x
Hadoop FileSystem

这篇就选取其中一个常用的ElasticsearchSink来进行介绍,并讲解一下生产环境中使用时的一些注意点,以及其内部实现机制。

二、使用方式

1. 添加pom依赖

<dependency>
  <groupId>org.apache.flink</groupId>
  <artifactId>flink-connector-elasticsearch2_2.10</artifactId>
  <version>1.3.1</version>
</dependency>

根据自己所用的filnk版本以及es版本对上面的版本号进行调整

2. 实现对应代码

DataStream<String> input = ...;

Map<String, String> config = new HashMap<>();
config.put("cluster.name""my-cluster-name");
//该配置表示批量写入ES时的记录条数
config.put("bulk.flush.max.actions""1");

List<InetSocketAddress> transportAddresses = new ArrayList<>();
transportAddresses.add(new InetSocketAddress(InetAddress.getByName("127.0.0.1"), 9300));
transportAddresses.add(new InetSocketAddress(InetAddress.getByName("10.2.3.1"), 9300));

input.addSink(new ElasticsearchSink<>(config, transportAddresses, new ElasticsearchSinkFunction<String>() {
    public IndexRequest createIndexRequest(String element) {
        Map<String, String> json = new HashMap<>();
        //将需要写入ES的字段依次添加到Map当中
        json.put("data", element);

        return Requests.indexRequest()
                .index("my-index")
                .type("my-type")
                .source(json);
    }

    @Override
    public void process(String element, RuntimeContext ctx, RequestIndexer indexer) {
        indexer.add(createIndexRequest(element));
    }
}));

扩展配置

经过上面的代码已经实现了一个基础版的EsSink,但是上述代码当ES集群出现波动的时候,由于不具备重试机制则有可能出现丢数据的情况。生产环境中为了实现数据完整性,我们需要添加一些失败重试配置,来实现写入失败情况下的容错处理,常用的失败重试配置有:

//1、用来表示是否开启重试机制
config.put("bulk.flush.backoff.enable""true");
//2、重试策略,又可以分为以下两种类型
    //a、指数型,表示多次重试之间的时间间隔按照指数方式进行增长。eg:2 -> 4 -> 8 ...
    config.put("bulk.flush.backoff.type""EXPONENTIAL");
    //b、常数型,表示多次重试之间的时间间隔为固定常数。eg:2 -> 2 -> 2 ...
    config.put("bulk.flush.backoff.type""CONSTANT");
//3、进行重试的时间间隔。对于指数型则表示起始的基数
config.put("bulk.flush.backoff.delay""2");
//4、失败重试的次数
config.put("bulk.flush.backoff.retries""3");

其他的一些配置:

bulk.flush.max.actions: 批量写入时的最大写入条数 bulk.flush.max.size.mb: 批量写入时的最大数据量 bulk.flush.interval.ms: 批量写入的时间间隔,配置后则会按照该时间间隔严格执行,无视上面的两个批量写入配置

三、失败处理器

写入ES的时候很多时候由于ES集群队列满了,或者节点挂掉,经常会导致写入操作执行失败。考虑到这样的失败写入场景,EsSink为用户提供了失败处理器机制,创建Sink对象的时候,同时可以传入一个失败处理器,一旦出现写入失败的情况则会回调所传入的处理器用于错误恢复。具体的用法为:

DataStream<String> input = ...;

input.addSink(new ElasticsearchSink<>(
    config, transportAddresses,
    new ElasticsearchSinkFunction<String>() {...},
    new ActionRequestFailureHandler() {
        @Override
        void onFailure(ActionRequest action,
                Throwable failure,
                int restStatusCode,
                RequestIndexer indexer) throw Throwable {

            if (ExceptionUtils.containsThrowable(failure, EsRejectedExecutionException.class)) {
                // 将失败请求继续加入队列,后续进行重试写入
                indexer.add(action);
            } else if (ExceptionUtils.containsThrowable(failure, ElasticsearchParseException.class)) {
                // 添加自定义的处理逻辑
            } else {
                throw failure;
            }
        }
}));

如果仅仅只是想做失败重试,也可以直接使用官方提供的默认的RetryRejectedExecutionFailureHandler,该处理器会对EsRejectedExecutionException导致到失败写入做重试处理。

四、其他注意点

1. EsSink代码块不能使用try-catch-Exception来捕捉

之前在使用EsSink的时候,为了防止某次写入失败造成程序中断,对ElasticsearchSinkFunction的 process() 方法使用try-catch-exception语句块进行了捕捉,但实际运行的时候发现程序跑着跑着还是被一个 EsRejectedException 异常中断掉了。让人奇怪的是明明对异常进行了捕捉,为什么这个异常还是能够抛出来,下来通过查看源码发现,如果在初始化EsSink对象的时候没有传入 ActionRequestFailureHandler 则会使用默认的 ActionRequestFailureHandler ,这个处理器的源码如下:

public class NoOpFailureHandler implements ActionRequestFailureHandler {

    private static final long serialVersionUID = 737941343410827885L;

    @Override
    public void onFailure(ActionRequest action, Throwable failure, int restStatusCode, RequestIndexer indexer) throws Throwable {
        // 这里抛出的是一个throwable
        throw failure;
    }

可以看到,在发生异常的时候,默认的处理器会将异常包装成一个 Throw 对象抛出,这就是直接使用 try-Exception 无法捕捉到的原因。

解决方法:

  • 实现自己的失败处理器消化掉异常
  • 使用 throw 来捕捉异常

该问题一定要重点注意,负责会导致实时任务终止掉!

2. 失败重试机制依赖于checkpoint

如果想要使用EsSink的失败重试机制,则需要通过 env.enableCheckpoint() 方法来开启Flink任务对checkpoint的支持,如果没有开启checkpoint机制的话,则失败重试策略是无法生效的。这个是通过跟踪 ElasticsearchSinkBase 类源码的时候发现的,核心的代码如下:

@Override
    public void initializeState(FunctionInitializationContext context) throws Exception {
        // no initialization needed
    }   

@Override
    public void snapshotState(FunctionSnapshotContext context) throws Exception {
        checkErrorAndRethrow();
        //如果没有开启checkPoint机制,则该变量为false,也就导致下面的flush重试代码不会执行到
        if (flushOnCheckpoint) {
            do {
                //失败重试的时机是发生在程序在打checkpoint的时候
                bulkProcessor.flush();
                checkErrorAndRethrow();
            } while (numPendingRequests.get() != 0);
        }
    }

3. 总结

可以通过第二点贴出的源码发现,虽然EsSink实现了 CheckpointedFunction 接口,并且重写了checkPoint的相关方法,但其并没有墨守成规的利用checkpoint定义的那样利用State机制用于故障恢复。而是利用了checkpoint的空壳,定时执行的框架来实现了自己的一套失败重试机制。这一点很值得我们借鉴,很多知识点要学会活学活用,他山之石可以攻玉。

如果这个文章对你有帮助,不要忘记  「在看」 「点赞」 「收藏」  三连啊喂!