可恢复性写入功能支持将数据以EXACTLY_ONCE语义写入存储介质。本文介绍Flink如何通过EMR集群的方式可恢复性写入OSS-HDFS服务。
前提条件
已创建EMR-3.42.0及以上版本或EMR-5.8.0及以上版本的集群。具体步骤,请参见创建集群。
已开通并授权访问OSS-HDFS服务。具体操作,请参见开通并授权访问OSS-HDFS服务。
在Flink作业中的用法
- 通用配置
为了支持EXACTLY_ONCE语义写入OSS-HDFS,您需要执行如下配置:
- 打开Flink的检查点(Checkpoint)。示例如下。
- 通过如下方式建立的StreamExecutionEnvironment。
StreamExecutionEnvironment env = StreamExecutionEnvironment.getExecutionEnvironment();
- 执行如下命令,启动Checkpoint。
env.enableCheckpointing(<userDefinedCheckpointInterval>, CheckpointingMode.EXACTLY_ONCE);
- 通过如下方式建立的StreamExecutionEnvironment。
- 使用可以重发的数据源,例如Kafka。
- 打开Flink的检查点(Checkpoint)。
- 便捷使用
您无需额外引入依赖,只需携带oss://前缀的路径,并使用OSS-HDFS服务的Bucket及Endpoint,即可启用Flink。
- 添加Sink。
以将DataStream<String>的对象OutputStream写入OSS-HDFS为例。
String outputPath = "oss://<user-defined-oss-hdfs-bucket.oss-hdfs-endpoint>/<user-defined-dir>" StreamingFileSink<String> sink = StreamingFileSink.forRowFormat( new Path(outputPath), new SimpleStringEncoder<String>("UTF-8") ).build(); outputStream.addSink(sink);
重要 在OSS-HDFS服务的Bucket中带有.<oss-hdfs-endpoint>
的字段为可选项。如果您希望省略该字段,请确保已在Flink或Hadoop组件中正确配置了OSS-HDFS服务的Endpoint。 - 使用
env.execute()
执行Flink作业。
- 添加Sink。
(可选)自定义配置
您在提交Flink作业时,可以自定义参数,以开启或控制特定功能。
例如,通过-yD
配置以yarn-cluster模式提交Flink作业时,示例如下:
<flink_home>/bin/flink run -m yarn-cluster -yD key1=value1 -yD key2=value2 ...
您可以开启熵注入(Entropy Injection)功能。熵注入可以匹配写入路径的一段特定字符串,用一段随机的字符串进行替换,以削弱所谓片区效应,提高写入效率。
当写入场景为OSS-HDFS时,需要完成下列配置。
oss.entropy.key=<user-defined-key>
oss.entropy.length=<user-defined-length>
写入新文件时,路径中与<user-defined-key>
相同的字符串会被替换为一个随机字符串,随机串的长度为<user-defined-length>
,且<user-defined-length>
必须大于零。