【Flink connector】文件系统 SQL 连接器：实时写文件系统以及（kafka到hive）实战举例

本文链接：https://blog.youkuaiyun.com/hiliang521/article/details/137059987

文章目录

一. 滚动策略：sink后文件切分(暂不关注)
- 1. 切分分区目录下的文件
- 2. 小文件合并
二. 分区提交
三. 完整示例
- 1. 官网（partition-time）
- 2. 实际测试（kafka->hive）

本文概述

flink支持动态写数据到文件系统，提供了分块写数据以及动态分区，接下来看flink是如何分块写数据，以及如何配置动态分区的建立。

文件系统连接器支持流写入，是基于 Flink 的文件系统写入文件的。

我们可以直接编写 SQL，将流数据插入到非分区表。如果是分区表，可以配置分区操作相关的属性。具体参考分区提交。

一. 滚动策略：sink后文件切分(暂不关注)

1. 切分分区目录下的文件

分区目录下的数据被分割到 part 文件中。每个分区对应的 sink 的 subtask 都至少会为该分区生成一个 part 文件。
该策略基于大小，和指定的文件可被打开的最大 timeout 时长，来滚动 part 文件。

键	默认值	类型	描述
sink.rolling-policy.file-size	128MB	MemorySize	当part达到设定值时，文件开始滚动。
sink.rolling-policy.rollover-interval	30 min	Duration	滚动前，part 文件处于打开状态的最大时长（默认值30分钟，以避免产生大量小文件）。检查频率是由 `sink.rolling-policy.check-interval` 属性控制的。
sink.rolling-policy.check-interval	1 min	Duration	周期检查文件打开时长。

根据描述默认情况下Flink采取了如上默认值的滚动策略。

todo：checkpoint 也会影响part文件的生成

对于 bulk formats 数据 (parquet、orc、avro)：滚动策略与 checkpoint 间隔（pending 状态的文件会在下个 checkpoint 完成）控制了 part 文件的大小和个数。

2. 小文件合并

todo: checkpoint的间隔会影响文件产生的效率

file sink 支持文件合并，允许应用程序使用较小的 checkpoint 间隔但不产生大量小文件。

键	默认值	类型	描述
auto-compaction	false	Boolean	在流式 sink 中自动合并功能。数据首先会被写入临时文件。当 checkpoint 完成后，该检查点产生的临时文件会被合并。`这些临时文件在合并前不可见。`
compaction.file-size	(无)	MemorySize	合并目标文件大小，默认值为`滚动文件大小`。

如果启用文件合并功能，会根据目标文件大小，将多个小文件合并成大文件。

在生产环境中使用文件合并功能时，需要注意：

只有 checkpoint 内部的文件才会被合并，至少生成的文件个数与 checkpoint 个数相同。

合并前文件是不可见的，那么文件的可见时间是：checkpoint 间隔时长 + 合并时长。

如果合并时间过长，将导致反压，延长 checkpoint 所需时间。

二. 分区提交

sink动态写分区包括如下两个操作：

Trigger-提交分区的时机：通过什么来识别分区（watermark或处理时间），什么时候提交分区

Policy-提交分区后通知下游：写_SUCCESS，hive metadata 中新增分区，或自定义：合并小文件等。

注意： 分区提交仅在(什么是？)动态分区插入模式下才有效。

1. 分区提交触发器（什么时候创建分区）

1.1. 逻辑说明

Flink 提供了两种类型分区提交触发器：

第一种：根据分区的处理时间（没有根据字段吗）。基于分区创建时间（这里指的是什么）和当前系统时间来触发分区。这种触发器更具通用性，但不是很精确。例如，数据延迟或故障将导致过早提交分区。

第二种：根据从分区字段提取的时间以及 watermark。这需要 job 支持 watermark 生成，分区是根据时间来切割的，例如，按小时或按天分区。

感知分区的几种情况：

不管分区数据是否完整而只想让下游尽快感知到分区：(不推荐)

‘sink.partition-commit.trigger’=‘process-time’ (默认值)
‘sink.partition-commit.delay’=‘0s’ (默认值) 一旦数据进入分区，将立即提交分区。注意：这个分区可能会被提交多次（提交多次产生的影响ing：浪费多余的资源）。

如果想让下游只有在分区数据完整时才感知到分区，并且 job 中有 watermark 生成，也能从分区字段的值中提取到时间：

‘sink.partition-commit.trigger’=‘partition-time’
‘sink.partition-commit.delay’=‘1h’ (根据分区类型指定，如果是按小时分区可配置为 ‘1h’) 该方式是最精准地提交分区的方式，尽力确保提交分区的数据完整。

如果想让下游系统只有在数据完整时才感知到分区，但是没有 watermark，或者无法从分区字段的值中提取时间：

‘sink.partition-commit.trigger’=‘process-time’ (默认值)
‘sink.partition-commit.delay’=‘1h’ (根据分区类型指定，如果是按小时分区可配置为 ‘1h’) 该方式尽量精确地提交分区，但是数据延迟或者故障将导致过早提交分区。

延迟数据的处理：延迟的记录会被写入到已经提交的对应分区中，且会再次触发该分区的提交。

如下参数：

确定何时提交分区：这里只关注process-time trigger下的两个参数

sink.partition-commit.trigger:
默认值：process-time
描述：

基于机器时间： ‘process-time’：不需要分区时间提取器也不需要 watermark 生成器。

一旦 “当前系统时间” 超过了 "分区创建系统时间(比如flink消费到一条数据，触发了分区创建操作对应的时间)" 和 'sink.partition-commit.delay' 之和立即提交分区。

基于提取的分区时间：‘partition-time’。需要 watermark 生成。一旦 watermark 超过了 “分区创建系统时间” 和 ‘sink.partition-commit.delay’ 之和立即提交分区。

sink.partition-commit.delay
默认值：0s
描述：该延迟时间之前分区不会被提交。如果是按天分区，可以设置为 ‘1 d’，如果是按小时分区，应设置为 ‘1 h’，当然也可以设置分钟，例如 30min。

1.2. 举例说明

--默认值可以不配置
'sink.partition-commit.trigger'='process-time' 
--当来第一条数据时（记录为时刻1），先创建hive分区文件夹，当时间超过 时刻1+1h 时，分区提交
--分区未提交时文件为.data开头的临时文件，分区提交时，会从cp中同步数据到临时文件中，并命名为正式文件。 
'sink.partition-commit.delay'='1h'