flink的状态后端，以及RocksDB StateBackend的配置

文章引自：https://www.meiwen.com.cn/subject/ypmbpctx.html

  flink提供不同的状态后端（state backends）来区分状态的存储方式和存储位置。flink状态可以存储在java堆内存内或者内存之外。通过状态后端的设置，flink允许应用保持大容量的状态。开发者可以在不改变应用逻辑的情况下设置状态后端。
         默认情况下，flink的状态会保存在taskmanager的内存中，而checkpoint会保存在jobManager的内存中。

二、可用的State Backend

flink提供三种开箱即用的State Backend：

• MemoryStateBackend
• FsStateBackend
• RocksDBStateBackend

如果没有配置，则默认使用MemoryStateBackend。

2.1 MemoryStateBackend

        MemoryStateBackend内部将状态（state）数据作为对象保存在java堆内存中（taskManager），通过checkpoint机制，MemoryStateBackend将状态（state）进行快照并保存Jobmanager（master）的堆内存中。

        MemoryStateBackend可以通过配置来使用异步快照（asynchronous snapshots）。通过异步快照可以避免阻塞管道（blocking pipelines），目前是默认开启，当然也可以通过MemoryStateBackend的构造函数配置进行关闭：

new MemoryStateBackend(MAX_MEM_STATE_SIZE, false);

MemoryStateBackend的限制：

• 每个独立的状态（state）默认限制大小为5MB， 可以通过构造函数增加容量；
• 状态的大小不能超过akka的framesize大小。参考：配置 ；
• 聚合状态（aggregate state ）必须放入JobManager的内存。

MemoryStateBackend的适用场景：

• 本地调试
• flink任务状态数据量较小的场景

2.2 FsStateBackend

        FsStateBackend通过配置文件系统路径(type, address, path)来进行设置，例如：“hdfs://namenode:40010/flink/checkpoints” 或者 “file:///data/flink/checkpoints”.
        FsStateBackend将动态数据保存在taskmanger的内存中，通过checkpoint机制，将状态快照写入配置好的文件系统或目录中。最小元数据保存jobManager的内存中，另外FsStateBackend通过配置一个fileStateThreshold阈值，小于该值时state存储到metadata中而非文件中。

         FsStateBackend默认通过配置来使用异步快照（asynchronous snapshots）避免阻塞管道（blocking pipelines），当然也可以通过FsStateBackend的构造函数配置进行关闭：

new FsStateBackend(path, false);

FsStateBackend适用场景：

• 大状态、长窗口、大key/value状态的的任务
• 全高可用配置

2.3 RocksDBStateBackend

如果使用java代码进行单任务配置，使用前先加入依赖：

        <dependency>
            <groupId>org.apache.flink</groupId>
            <artifactId>flink-statebackend-rocksdb_${scala.binary.version}</artifactId>
            <version>1.8.0</version>
        </dependency>

        RocksDBStateBackend也通过配置文件系统路径来配置，例如：“hdfs://namenode:40010/flink/checkpoints” 或者 “file:///data/flink/checkpoints”，RocksDBStateBackend内部默认会构造一个FsStateBackend来初始化checkpointStreamBackend属性，在实现StateBackend接口的resolveCheckpoint和createCheckpointStorage方法时实际上调用checkpointStreamBackend的相关方法来实现：

    @Override
    public CompletedCheckpointStorageLocation resolveCheckpoint(String pointer) throws IOException {
        return checkpointStreamBackend.resolveCheckpoint(pointer);
    }

    @Override
    public CheckpointStorage createCheckpointStorage(JobID jobId) throws IOException {
        return checkpointStreamBackend.createCheckpointStorage(jobId);
    }

        RocksDBStateBackend将工作状态保存在RocksDB数据库（位置在taskManagerd的数据目录）。通过checkpoint, 整个RocksDB数据库被复制到配置的文件系统或目录中。最小元数据保存jobManager的内存中。RocksDBStateBackend可以通过enableIncrementalCheckpointing参数配置是否进行增量Checkpoint（而MemoryStateBackend 和 FsStateBackend不能）。

        跟FsStateBackend 不同的是，RocksDBStateBackend仅支持异步快照（asynchronous snapshots）。

RocksDBStateBackend适用场景：

• 大状态、长窗口、大key/value状态的的任务
• 全高可用配置
  由于RocksDBStateBackend将工作状态存储在taskManger的本地文件系统，状态数量仅仅受限于本地磁盘容量限制，对比于FsStateBackend保存工作状态在内存中，RocksDBStateBackend能避免flink任务持续运行可能导致的状态数量暴增而内存不足的情况，因此适合在生产环境使用。

三、配置方式

1. 全局配置
   flink可以通过flink-conf.yaml 配置原因全局配置state backend。
   使用 state.backend 选项进行state backend类型配置：可选值包括： jobmanager (MemoryStateBackend), filesystem (FsStateBackend), rocksdb (RocksDBStateBackend)。
   使用state.checkpoints.dir选项设置checkpoints数据和元数据文件。

一个简单的配置形式如下：

# The backend that will be used to store operator state checkpoints
state.backend: filesystem
# Directory for storing checkpoints
state.checkpoints.dir: hdfs://namenode:40010/flink/checkpoints

RocksDBStateBackend配置选项：

2. 单任务配置
           通过在单个flink任务中通过env.setStateBackend(...)单独调整state backend配置，这种方式会覆盖全局配置。例如：

StreamExecutionEnvironment env = StreamExecutionEnvironment.getExecutionEnvironment();
env.setStateBackend(new FsStateBackend("hdfs://namenode:40010/flink/checkpoints"));

四、总结

        本文介绍了flink状态后端的三种配置方式和区别，并介绍了状态后端的配置方法。在生产环境中，对于大状态量应用，推荐使用RocksDBStateBackend进行状态后端配置，以应对可能存在的内存不足情况。

标签：状态,RocksDBStateBackend,RocksDB,配置,FsStateBackend,flink,state,StateBackend
来源： https://www.cnblogs.com/zhipeng-wang/p/14117178.html