Flink Sink Kafka 和 Flink 端到端一致性建议

大家好，好久不见，我是大圣！

今天，我们来聊一聊 Apache Flink 在与 Kafka 对接时的两个常见问题。

首先，咱们要一起探讨下如何灵活而高效地将数据 sink 到 Kafka 的各个分区中。有没有什么实用技巧能让这个环节更加顺畅呢？

其次，我们将针对 Flink Sink Kafka 端到端一致性问题展开讨论。如何确保数据的准确传输，避免丢失或重复，是我们今天要共同解答的另一个问题。

Flink Sink Kafka 分区问题

当我们使用 Flink Sink Kafka 的时候，如果没有指定进入 Kafka 的 key 的话，你觉得数据会根据什么样的策略选择分区呢？

我会说它会按照 round-robin 策略将数据均匀分配到各个 partition 中，其实我一开始也是这样认为的，毕竟我们背八股文的时候都是这样背的。但是在 Flink 1.13 版本 kafka 的连接器里面不是这样的。

先说结论：当你没有指定 key 的时候，它会尝试维护“粘性”分区选择，这意味着它会尽可能长时间地将消息发送到同一个分区，直到触发某些条件（例如分区负载不均衡或 leader 分区更改）它才会选择一个新的分区。

下面对这部分源码进行简单的分析，这里面涉及到 FlinkKafkaProducer、KafkaProducer、DefaultPartitioner 这三个类：

1.FlinkKafkaProducer

• 在Flink应用中，FlinkKafkaProducer是一个Sink函数，它用来将流中的元素发送到Kafka主题。
• FlinkKafkaProducer通过内部使用Kafka的Java API创建一个KafkaProducer实例来实现此目的。

2.KafkaProducer

• KafkaProducer是Kafka Java客户端库的一部分，它负责将消息发送到Kafka broker。
• 在发送消息时，它会使用Partitioner来确定将消息发送到哪个分区。
• 默认情况下，它使用DefaultPartitioner，但你也可以提供自定义的Partitioner。

3.DefaultPartitioner

• DefaultPartitioner是一个类，它负责确定消息应该发送到哪个Kafka分区。
• 如果消息具有键，它将根据键的哈希值和分区的数量来确定分区。如果消息没有键，它将尝试均匀地将消息分配到各个分区（使用sticky partitioning策略来避免频繁的分区切换）。

下面我们来看看 DefaultPartitioner 类里面进行数据分区逻辑的 partition 方法：

我们可以从源码里面清楚的看到，当我们没有指定 key 的时候，它不是采用的round-robin 策略，而是会尝试维护“粘性”分区选择。

其实这种"sticky"策略是新于 Kafka 2.4.0 版本的特性。在此之前，确实是用轮询策略来在没有指定 key 的情况下分配分区的

Flink 端到端一致性问题

说到 Flink 端到端一致性问题，首先大家要知道什么是 Flink 的端到端一致性。通俗的理解是指在一个分布式流处理系统中，从数据源（source）到数据结果（sink），整个处理过程能够保证数据的完整性和准确性，即使在面对各种故障（如节点宕机等）的情况下也是如此。

我举一个Flink 消费Kafka，然后进行业务逻辑处理过后再Sink 到 Kafka 的例子。

如果要实现 这个 端到端的一致性我们需要在代码层面怎么设置呢？

源端（Kafka Source）

你需要确保 Kafka Source 支持可重置数据源。Flink Kafka 消费者可以确保这一点，因为它能够从上次提交的偏移量处重新开始读取数据。你可以像这样创建 Kafka 消费者：

Properties consumerProperties = new Properties();
consumerProperties.setProperty("bootstrap.servers", "localhost:9092");
consumerProperties.setProperty("group.id", "test");

FlinkKafkaConsumer<String> kafkaSource = new FlinkKafkaConsumer<>(
    "input_topic",
    new SimpleStringSchema(),
    consumerProperties
);

Flink 内部

你需要开启 Flink 的检查点（Checkpointing）并配置为精准一次语义（Exactly-Once）。这可以通过在你的 Flink 环境中调用以下方法实现：

StreamExecutionEnvironment env = StreamExecutionEnvironment.getExecutionEnvironment();
env.enableCheckpointing(10000); // 例如，设置检查点时间间隔为 10000 毫秒
env.getCheckpointConfig().setCheckpointingMode(CheckpointingMode.EXACTLY_ONCE);

汇端（Kafka Sink）

在配置 Kafka Sink 的时候，你需要设置语义为 EXACTLY_ONCE，这可以通过在创建 FlinkKafkaProducer 时传递适当的参数实现：

FlinkKafkaProducer<String> kafkaSink = new FlinkKafkaProducer<>(
        "output_topic",  // target topic
        new KafkaSerializationSchema<String>() {
            @Override
            public ProducerRecord<byte[], byte[]> serialize(String element, @Nullable Long timestamp) {
                return new ProducerRecord<>("output_topic", element.getBytes(StandardCharsets.UTF_8));
            }
        },
        producerProperties,
        FlinkKafkaProducer.Semantic.EXACTLY_ONCE
);

这里千万要注意，当你创建 FlinkKafkaProducer 对象的时候一定要显式的声明 FlinkKafkaProducer.Semantic.EXACTLY_ONCE 这个参数。

因为如果你不显式指定上面那个参数的话，它这个参数的默认值是 AT_LEAST_ONCE，这样在 Sink 端就实现不了精准一次性，从而实现不了端到端一致性。

但是 flink sink hdfs、mysql 是不需要 sink 的时候设置精准一致性，因为 flink 内部已经实现了 flink sink mysql、hdfs 的sink 端精准一次性。

以上就是今天说的 Flink Sink Kafka 和 Flink 端到端一致性的一些平时容易被忽略的点，希望对大家可以有帮助，有不同意见的，欢迎大家加我微信，大家一起讨论。