基于图遍历的Flink任务画布模式下零代码开发实现方案

作者：京东物流 吴云涛

前言

提交一个DataSteam 的 Flink应用，需要经过 StreamGraph、JobGraph、ExecutionGraph 三个阶段的转换生成可成执行的有向无环图（DAG），并在 Flink 集群上运行。而提交一个 Flink SQL 应用，其执行流程也类似，只是多了一步使用 flink-table-planer 模块从SQL转换成 StreamGraph 的过程。以下是利用Flink的 StreamGraph 通过低代码的方式，来实现StreamGraph的生成，并最终实现 Flink 程序零代码开发的解决方案。

一、Flink 相关概念

在Flink程序中，每个算子被称作Operator，通过各个算子的处理最终得到期望的加工后数据。比如下面这段程序中，增加了Source, Fiter, Map, Sink 4个算子。

StreamExecutionEnvironment env = StreamExecutionEnvironment.getExecutionEnvironment();
DataStream dataStream = env.addSource(new FlinkKafkaConsumer("topic"));

DataStream filteredStream = dataStream.filter(new FilterFunction() {
    @Override
    public boolean filter(Object value) throws Exception {return true;}
});

DataStream mapedStream = filteredStream.map(new MapFunction() {
    @Override
    public Object map(Object value) throws Exception {return value;}
});

mapedStream.addSink(new DiscardingSink());
env.execute("test-job");

StreamGraph

Flink的逻辑执行图，描述了整个流处理任务的流程和数据流转递规则，包括了数据源（Source）、转换算子(Transform)、数据目的端(Sink)等元素，以及它们之间的依赖关系和传输规则。StreamGraph是通过Flink的API或者DSL来构建的向无环图（DAG），它与JobGraph之间是一一对应的关系。StreamGraph中的顶点称为streamNode，是用来表示Operator算子的类，包含了算子uid、并行度，是否共享slot（SlotSharingGroup）等信息。边称作streamEdge。通过StreamingJobGraphGenerator类生成JobGraph。\

JobGraph

StreamGraph 经过 flink-optimizer 模块优化后生成 JobGraph。生成 JobGraph 时，会将多个满足条件的算子chain 链接到一起作为一个顶点（JobVertex), 在运行时对应1个 Task。Task 是 Flink 程序的基本执行单元，任务调度时将Task分配到TaskManager上执行。\

ExecutionGraph

物理执行图是由JobGraph转换而来，描述了整个流处理任务的物理执行细节，包括了任务的调度、任务的执行顺序、任务之间的数据传输、任务的状态管理等。Task会在步骤中拆分为多个SubTask。对应Task中的每个并行度。\

Physical Graph

PhysicalGraph是在执行时的ExecutionGraph。ExecutionGraph中的每一个顶点ExecutionJobVertex都对应一个或多个顶点ExecutionVertex，它们是物理执行图中的节点。

二、画布模式实现思路

实现流程

首先，我们采用画布模式（拖拉拽方式）来实现Flink程序的组装，将极大程度上方便我们复用部分加工的算子，最终实现零代码的Flink应用开发。我们通过绘图的方式，直接将内置的算子绘制在图标上。如下所示：\

1. 构建有向无环图（DAG），并持久化。通过拖拉拽的方式（画布模式）构建你的Flink应用，后端的持久化存储采用邻接表方式。我们在 mysql 关系数据库中将 Node(算子：Source、Sink、中间加工逻辑算子)存储到 flink\_node 表中；将边存到一张 flink\_realation 表中。
2. 重新组将Flink作业\
   要组装以上画布模式的Flink应用，首先需要初始化好 StreamExecutionEnvironment 相关参数，其次将上述表中的 flink\_node 和flink\_edge 转化为DataStream，并将转化出的 DataStream 合理地拼接成一个 DataStream API Flink 应用程序。\
   在将flink\_node、flink\_edge转为为DataStream时选择何种遍历算法来组装呢？我们知道有向无环图的遍历最常用的有：深度优先遍历（DFS）和广度优先遍历（BFS）。这里我们采用了BFS算法+层序遍历的方式，BFS便于在组装的过程中将已visit到的node节点拼装到其parent 的节点上。

总结

在实际的实现过程中，遇到的问题往往比以上复杂很多。比如需要将更多的信息存储在node节点和edge边上。node上需要存储并行度、算子处理前后的表schema等；edge需要存储keyby的字段、上下游之间的数据shuffle的方式等等。此外在内置的算子无法满足用户需求时，还需要考虑如何友好的支持自定义算子(UDF)的嵌入等问题。