Flink+Paimon多流拼接性能优化实战

（零）本文简介

Paimon多流拼接/合并性能优化；

    为解决离线T+1多流拼接数据时效性、Flink实时状态太大任务稳定性问题，这里基于数据湖工具Apache Paimon进行**近实时**的多流拼接。

    使用Flink+Paimon基于**ParmaryKey Table**（**PartialUpdate**）进行多流拼接的时候，跑一段时间有时会遇到**周期性背压、checkpoint时间过长**等情况，本文通过剖析源码逻辑、修改源码，在一定程度上解决了这个问题。

    note：下文对源码的修改可能需要了解一点paimon的实现原理比如：LSM Tree（level DB）；

可参考：LSM树详解 - 知乎

    LSM(Log-Structured Merge Tree)_lsm tree_一介草民kk的博客-CSDN博客

Apache Paimon基础 、多流拼接方法 及 与Hudi 的对比 可参考前面文章：

新一代数据湖存储技术Apache Paimon入门Demo_Leonardo_KY的博客-CSDN博客

基于数据湖的多流拼接方案-HUDI概念篇_Leonardo_KY的博客-CSDN博客

意外收获：

    本文通过修改源码还意外解决了【跨分区关联率偏低】的问题（详见下文）。

（一）背景

   这里使用 Flink 1.14 + Apache Paimon 0.5 snapshot 进行多流拼接（前端埋点流 + 服务端埋点流）；

    当前情况是一天一个分区，一个分区100个bucket；就会出现如下情况：分区/bucket中的数据越来越多，到达下午或者傍晚的时候就会出现 paimon 作业周期性背压（因为*mergeTree中维护的数据越来越多，tree越来越大*），checkpoint时间也会比较长；于是决定将mergeTree中的**过期数据删除**，即让其不进入tree中，减少计算量；

    这里的“**过期**”按需自定义，比如调研发现99.9%的数据都可以使用3个小时之内的数据拼接上，那就根据时间戳与当前时间戳（假设没有很严重的消费积压）相比，时间差超过3小时的数据就将其丢弃；

具体细节涉及到（这里先将结论给出）：

• 1. data文件创建后是否还会修改？（不会）2. 根据时间排序的data数据文件是增量还是全量？（几个最新文件加起来就是全量）3. 应该根据dataFile的创建/修改时间判断过期 还是 通过具体每个record字段值的时间戳判断过期？（通过record）

（二）探索梳理过程

1、首先观察hdfs文件之后发现，dataFile只保留最近一个小时的文件，超过一小时的文件就会被删除，这里应该对应参数 partition.expiration-check-interval = 1h，由此可知data文件不是增量的【下文compact只有几个文件再次加强验证】（那么就不能通过dataFile的最新修改时间判断文件过期将数据过滤）；

2、观察flink log发现，每次compaction都只读几个文件，如下所示：

    每次其实只读取一个level0的file，再加上几个level5的file（level5这里file就是之前的全部数据，包含多个流的），最后将compact之后的文件再命名为新的名字写到level5；

    随着分区数据量的增多，参与compact的file也会越来越多（这也是会导致tree偏大，出现周期性背压的原因）；

另外，dataFile命名呈现如下规律：

    level5的第二个文件总是跟第一个中间隔一个（这个跟改源码没有关系，只是适合观察规律）；

到晚间的时候参与compact的file更多了：

3、观察每次level5生成的dataFile（理论上level5的dataFile会越来越大/多，当单个文件大小超过**128M *（1+rate）**时，会生成新文件）；

    所有level5的文件大小加起来会越来越大，即永远是呈增长趋势；

    如下每一层的总大小在不断增大，同时当文件到一定程度之后，每层2个文件变成3个文件；

4、【以上3点均为原始实现思路，从这里开始改造】思考：既然已知每个bucket中只要最新的几个dataFile就包含了全部的data数据（dataFile不是增量的），那么就不能通过文件最新修改时间来判断数据是否过期，只能从最新的几个dataFile的每条记录来进行判断了，即原本每次参与合并的record是从这个partition+bucket建立开始的全部数据，那么是否可以通过修改源码判断每条record是否过期，从而不参与mergeTree，在compact完成之后也不会再次写入新的dataFile（如果还是写进来，每次读进tree时都需要判断是否过期，是否进入tree）？【答案当然是可以的！】

（三）源码改造

1、首先说明一下，在源码中有这么一段

// IntervalPartition.partition()
public List<List<SortedRun>> partition() {
    List<List<SortedRun>> result = new ArrayList<>();
    List<DataFileMeta> section = new ArrayList<>();
    BinaryRow bound = null;

    for (DataFileMeta meta : files) {
        if (!section.isEmpty() && keyComparator.compare(meta.minKey(), bound) > 0) {
            // larger than current right bound, conclude current section and create a new one
            result.add(partition(section));
            section.clear();
            bound = null;
        }
        section.add(meta);
        if (bound == null || keyComparator.compare(meta.maxKey(), bound) > 0) {
            // update right bound
            bound = meta.maxKey();
        }
    }
    if (!section.isEmpty()) {
        // conclude last section
        result.add(partition(section));
    }

    return result;
}

    此处为了将文件排序、再将有overlap的放在一个list里边，一但产生gap（即没有overlap），那么就创建新的list，最终将这些 list 再放到List>中：

示意图如下：

2、后续通过一些处理变成 List> 的格式，这里的KeyValue就包含我们想要去操纵的record！

源码是这样的：

public <T> RecordReader<T> mergeSort(
        List<ReaderSupplier<KeyValue>> lazyReaders,
        Comparator<InternalRow> keyComparator,
        MergeFunctionWrapper<T> mergeFunction)
        throws IOException {
    if (ioManager != null && lazyReaders.size() > spillThreshold) {
        return spillMergeSort(lazyReaders, keyComparator, mergeFunction);
    }

    List<RecordReader<KeyValue>> readers = new ArrayList<>(lazyReaders.size());
    for (ReaderSupplier<KeyValue> supplier : lazyReaders) {
        try {
            readers.add(supplier.get());
        } catch (IOException e) {
            // if one of the readers creating failed, we need to close them all.
            readers.forEach(IOUtils::closeQuietly);
            throw e;
        }
    }

    return SortMergeReader.createSortMergeReader(
            readers, keyComparator, mergeFunction, sortEngine);
}

    这里的return就会创建sortMergeReader了，我们可以在将数据传入这里之前，先进行过滤（通过判断每一条record是否超过过期时间），修改如下：

public <T> RecordReader<T> mergeSort(
        List<ReaderSupplier<KeyValue>> lazyReaders,
        Comparator<InternalRow> keyComparator,
        MergeFunctionWrapper<T> mergeFunction)
        throws IOException {
    if (ioManager != null && lazyReaders.size() > spillThreshold) {
        return spillMergeSort(lazyReaders, keyComparator, mergeFunction);
    }

    List<RecordReader<KeyValue>> readers = new ArrayList<>(lazyReaders.size());
    for (ReaderSupplier<KeyValue> supplier : lazyReaders) {
        try {
            // 过滤掉过期数据
            RecordReader<KeyValue> filterSupplier =
                    supplier.get()
                            .filter(
                                    (KeyValue keyValue) ->
                                            isNotExpiredRecord(
                                                    keyValue.value(), expireTimeMillis));
            readers.add(filterSupplier);
        } catch (IOException e) {
            // if one of the readers creating failed, we need to close them all.
            readers.forEach(IOUtils::closeQuietly);
            throw e;
        }
    }

    return SortMergeReader.createSortMergeReader(
            readers,
            keyComparator,
            mergeFunction,
            sortEngine,
            keyType.getFieldTypes(),
            valueType.getFieldTypes());
}

// 判断这条数据是否过期
public boolean isNotExpiredRecord(InternalRow row, long expireTimeMillis) {
    if (expireTimeMillis <= 0) {
        return true;
    }
    // 只要有一个字段不为空，且大于0，且过期时间大于expireTimeMillis，就判断为过期
    for (Integer pos : expireFieldsPosSet) {
        if ((!row.isNullAt(pos))
                && row.getLong(pos) > 0
                && (System.currentTimeMillis() - row.getLong(pos)) > expireTimeMillis) {
            return false;
        }
    }
    return true;
}

与此同时，将相关参数暴露出来，可以在建表时进行自定义配置：

public static final ConfigOption<Integer> RECORDS_EXPIRED_HOUR =
        key("record.expired-hour")
                .intType()
                .defaultValue(-1)
                .withDescription(
                        "Records in streams WON'T be offered into MergeTree when they are expired."
                                + " (Inorder to avoid too large MergeTree; -1 means never expired). ");

public static final ConfigOption<String> RECORDS_EXPIRED_FIELDS =
        key("record.expired-fields")
                .stringType()
                .noDefaultValue()
                .withDescription(
                        "Records in streams WON'T be offered into MergeTree when they are judged as [expired] according to these fields."
                                + "If you specify multiple fields, delimiter is ','.");

使用方法：

val createPaimonJoinTable = (
  s"CREATE TABLE IF NOT EXISTS ${paimonTable}(\n"
    + " uuid STRING,\n"
    + " metaid STRING,\n"
    + " cid STRING,\n"
    + " area STRING,\n"
    + " ts1 bigint,\n"
    + " ts2 bigint,\n"
    + " d STRING, \n"
    + " PRIMARY KEY (d, uuid) NOT ENFORCED \n"
    + ") PARTITIONED BY (d) \n"
    + " WITH (\n" +
    "    'merge-engine' = 'partial-update',\n" +
    "    'changelog-producer' = 'full-compaction', \n" +
    "    'file.format' = 'orc', \n" +
    s"    'sink.managed.writer-buffer-memory' = '${sinkWriterBuffer}', \n" +
    s"    'full-compaction.delta-commits' = '${fullCompactionCommits}', \n" +
    s"    'scan.mode' = '${scanMode}', \n" +
    s"    'bucket' = '${bucketNum}', \n" +
    s"    'sink.parallelism' = '${sinkTaskNum}', \n" +
    s"    'record.expired-hour' = '3' , \n" +   // user defined para
    "     'record.expired-fileds' = '4,5' , \n" +   // user defined para
    "     'sequence.field' = 'ts1' \n" +
    ")"
  )
tableEnv.executeSql(createPaimonJoinTable)

（四）修改效果

1、JOB状态

运行到晚上20点尚未出现背压：

checkpoint时间也没有过长（如果不剔除过期数据，到这个时间cp时长应该在3分钟左右）：

生产到Kafka的消息也没有严重的断流或者锯齿现象：

还是有可能出现exception如下（但对数据量没有任何影响）：

2、Level5的dataFile总大小

    上边只是现象，最终还是要数据说话。

    修改源码之后，观察dataFile，理论上每一层的size总大小可能会出现减小的情况 （因为过期数据就不会再写入到 level5 新的data文件中了）

    如下图：levelSize diff（下一次level总size - 上一次level总size），确实出现了**“有正有负”**的情况，于是验证源码修改生效（即每次进行compact只会读取近 n 个小时的数据进行合并）！

3、数据延迟

有意思的是，当我们修改源码（将过期的数据丢弃）之后，数据延迟也变小了。

数据延迟计算方法：paimon处理完将数据写到kafka队列的时间戳 - 前端埋点被触发被服务器接收到的时间戳；

修改前：

修改后：

4、关联率

    意外收获：

    经过上述过程改造源码，还可以解决“**跨分区关联率偏低**”的问题！！！

    既然是多个流相关联，那么就必然存在一个关联率的问题（一定会有部分数据因为埋点上报缺失/延迟导致关联不上）。于是就会存在如下问题：如果数据***按“天”进行分区***，那么在跨分区时刻也就必然会存在更多的数据关联不上（因为两个流的时间不是完全同步的，一条流可能落到前一天分区，另一条流可能落在第二天分区；数据不在同一个分区，就不会进入同一个mergeTree，也就关联不上）。

那么修改了源码之后是如何解决上述问题的呢？

    如前文所述，我们修改源码的目的是“使参与compact的数据不会持续增加”，于是修改代码使部分数据过期，最终**level5（LSM tree的最深一层）**的数据总量不持续增加。那么，既然数据不会持续增加，我们就可以将所有的数据全部放在一个分区中（或者理解为不设分区，一直在一个hdfs路径下；此时只有一开始跑的时候前一少部分数据关联率偏低，后边会维持在一个稳定水平），也就没有过跨分区一说了。

（五）未来展望：异步Compact

官方提供的paimon源码，里边的compaction是 sync 模式的，我尝试改成过 async 的，但是时不时会出现很少量的数据丢失（感觉可能是因为同一时刻有多个compact任务在进行），后续有机会可以再继续尝试一下。