日志服务Flink Connector《支持Exactly Once》

阿里云日志服务是针对实时数据一站式服务，用户只需要将精力集中在分析上，过程中数据采集、对接各种存储计算、数据索引和查询等琐碎工作等都可以交给日志服务完成。

日志服务中最基础的功能是LogHub，支持数据实时采集与消费，实时消费家族除 Spark Streaming、Storm、StreamCompute（Blink外），目前新增Flink啦。

Flink Connector

Flink log connector是阿里云日志服务提供的，用于对接flink的工具，包括两部分，消费者(Consumer)和生产者(Producer)。

消费者用于从日志服务中读取数据，支持exactly once语义，支持shard负载均衡.

生产者用于将数据写入日志服务，使用connector时，需要在项目中添加maven依赖：

代码：Github

用法

1. 请参考日志服务文档，正确创建Logstore。
2. 如果使用子账号访问，请确认正确设置了LogStore的RAM策略。参考授权RAM子用户访问日志服务资源。

1. Log Consumer

在Connector中， 类FlinkLogConsumer提供了订阅日志服务中某一个LogStore的能力，实现了exactly once语义，在使用时，用户无需关心LogStore中shard数
量的变化，consumer会自动感知。

flink中每一个子任务负责消费LogStore中部分shard，如果LogStore中shard发生split或者merge，子任务消费的shard也会随之改变。

1.1 配置启动参数

上面是一个简单的消费示例，我们使用java.util.Properties作为配置工具，所有Consumer的配置都可以在ConfigConstants中找到。

注意，flink stream的子任务数量和日志服务LogStore中的shard数量是独立的，如果shard数量多于子任务数量，每个子任务不重复的消费多个shard，如果少于，

那么部分子任务就会空闲，等到新的shard产生。

1.2 设置消费起始位置

Flink log consumer支持设置shard的消费起始位置，通过设置属性ConfigConstants.LOG_CONSUMER_BEGIN_POSITION，就可以定制消费从shard的头尾或者某个特定时间开始消费，具体取值如下：

• Consts.LOG_BEGIN_CURSOR： 表示从shard的头开始消费，也就是从shard中最旧的数据开始消费。
• Consts.LOG_END_CURSOR： 表示从shard的尾开始，也就是从shard中最新的数据开始消费。
• UnixTimestamp： 一个整型数值的字符串，用1970-01-01到现在的秒数表示， 含义是消费shard中这个时间点之后的数据。

三种取值举例如下：

1.3 监控：消费进度(可选)

Flink log consumer支持设置消费进度监控，所谓消费进度就是获取每一个shard实时的消费位置，这个位置使用时间戳表示，详细概念可以参考
文档消费组-查看状态，[消费组-监控报警
](https://help.aliyun.com/document_detail/55912.html)。

注意上面代码是可选的，如果设置了，consumer会首先创建consumerGroup，如果已经存在，则什么都不做，consumer中的snapshot会自动同步到日志服务的consumerGroup中，用户可以在日志服务的控制台查看consumer的消费进度。

1.4 容灾和exactly once语义支持

当打开Flink的checkpointing功能时，Flink log consumer会周期性的将每个shard的消费进度保存起来，当作业失败时，flink会恢复log consumer，并
从保存的最新的checkpoint开始消费。

写checkpoint的周期定义了当发生失败时，最多多少的数据会被回溯，也就是重新消费，使用代码如下：

注意上面代码是可选的，如果设置了，consumer会首先创建consumerGroup，如果已经存在，则什么都不做，consumer中的snapshot会自动同步到日志服务的consumerGroup中，用户可以在日志服务的控制台查看consumer的消费进度。

1.4 容灾和exactly once语义支持

当打开Flink的checkpointing功能时，Flink log consumer会周期性的将每个shard的消费进度保存起来，当作业失败时，flink会恢复log consumer，并
从保存的最新的checkpoint开始消费。

写checkpoint的周期定义了当发生失败时，最多多少的数据会被回溯，也就是重新消费，使用代码如下：

更多Flink checkpoint的细节请参考Flink官方文档Checkpoints。

1.5 补充材料：关联 API与权限设置

Flink log consumer 会用到的阿里云日志服务接口如下：

• GetCursorOrData

  用于从shard中拉数据， 注意频繁的调用该接口可能会导致数据超过日志服务的shard quota， 可以通过ConfigConstants.LOG_FETCH_DATA_INTERVAL_MILLIS和ConfigConstants.LOG_MAX_NUMBER_PER_FETCH控制接口调用的时间间隔和每次调用拉取的日志数量，shard的quota参考文章[shard简介](https://help.aliyun.com/document_detail/28976.html).

注意上面代码是可选的，如果设置了，consumer会首先创建consumerGroup，如果已经存在，则什么都不做，consumer中的snapshot会自动同步到日志服务的consumerGroup中，用户可以在日志服务的控制台查看consumer的消费进度。

1.4 容灾和exactly once语义支持

当打开Flink的checkpointing功能时，Flink log consumer会周期性的将每个shard的消费进度保存起来，当作业失败时，flink会恢复log consumer，并
从保存的最新的checkpoint开始消费。

写checkpoint的周期定义了当发生失败时，最多多少的数据会被回溯，也就是重新消费，使用代码如下：

• ListShards

   用于获取logStore中所有的shard列表，获取shard状态等.如果您的shard经常发生分裂合并，可以通过调整接口的调用周期来及时发现shard的变化。

  // 设置每30s调用一次ListShardsconfigProps.put(ConfigConstants.LOG_SHARDS_DISCOVERY_INTERVAL_MILLIS， "30000");

• CreateConsumerGroup

  该接口调用只有当设置消费进度监控时才会发生，功能是创建consumerGroup，用于同步checkpoint。

• ConsumerGroupUpdateCheckPoint

  该接口用户将flink的snapshot同步到日志服务的consumerGroup中。

子用户使用Flink log consumer需要授权如下几个RAM Policy：

注意上面代码是可选的，如果设置了，consumer会首先创建consumerGroup，如果已经存在，则什么都不做，consumer中的snapshot会自动同步到日志服务的consumerGroup中，用户可以在日志服务的控制台查看consumer的消费进度。

1.4 容灾和exactly once语义支持

当打开Flink的checkpointing功能时，Flink log consumer会周期性的将每个shard的消费进度保存起来，当作业失败时，flink会恢复log consumer，并
从保存的最新的checkpoint开始消费。

写checkpoint的周期定义了当发生失败时，最多多少的数据会被回溯，也就是重新消费，使用代码如下：

2. Log Producer

FlinkLogProducer 用于将数据写到阿里云日志服务中。

注意producer只支持Flink at-least-once语义，这就意味着在发生作业失败的情况下，写入日志服务中的数据有可能会重复，但是绝对不会丢失。

用法示例如下，我们将模拟产生的字符串写入日志服务：

// 将数据序列化成日志服务的数据格式class SimpleLogSerializer implements LogSerializationSchema<String> {    public RawLogGroup serialize(String element) {        RawLogGroup rlg = new RawLogGroup();        RawLog rl = new RawLog();        rl.setTime((int)(System.currentTimeMillis() / 1000));        rl.addContent("message"， element);        rlg.addLog(rl);        return rlg;    }}public class ProducerSample {    public static String sEndpoint = "cn-hangzhou.log.aliyuncs.com";    public static String sAccessKeyId = "";    public static String sAccessKey = "";    public static String sProject = "ali-cn-hangzhou-sls-admin";    public static String sLogstore = "test-flink-producer";    private static final Logger LOG = LoggerFactory.getLogger(ConsumerSample.class);    public static void main(String[] args) throws Exception {        final ParameterTool params = ParameterTool.fromArgs(args);        final StreamExecutionEnvironment env = StreamExecutionEnvironment.getExecutionEnvironment();        env.getConfig().setGlobalJobParameters(params);        env.setParallelism(3);        DataStream<String> simpleStringStream = env.addSource(new EventsGenerator());        Properties configProps = new Properties();        // 设置访问日志服务的域名        configProps.put(ConfigConstants.LOG_ENDPOINT， sEndpoint);        // 设置访问日志服务的ak        configProps.put(ConfigConstants.LOG_ACCESSSKEYID， sAccessKeyId);        configProps.put(ConfigConstants.LOG_ACCESSKEY， sAccessKey);        // 设置日志写入的日志服务project        configProps.put(ConfigConstants.LOG_PROJECT， sProject);        // 设置日志写入的日志服务logStore        configProps.put(ConfigConstants.LOG_LOGSTORE， sLogstore);        FlinkLogProducer<String> logProducer = new FlinkLogProducer<String>(new SimpleLogSerializer()， configProps);        simpleStringStream.addSink(logProducer);        env.execute("flink log producer");    }    // 模拟产生日志    public static class EventsGenerator implements SourceFunction<String> {        private boolean running = true;        @Override        public void run(SourceContext<String> ctx) throws Exception {            long seq = 0;            while (running) {                Thread.sleep(10);                ctx.collect((seq++) + "-" + RandomStringUtils.randomAlphabetic(12));            }        }        @Override        public void cancel() {            running = false;        }    }}

2.1 初始化

Producer初始化主要需要做两件事情：

• 初始化配置参数Properties， 这一步和Consumer类似， Producer有一些定制的参数，一般情况下使用默认值即可，特殊场景可以考虑定制：

  // 用于发送数据的io线程的数量，默认是8ConfigConstants.LOG_SENDER_IO_THREAD_COUNT// 该值定义日志数据被缓存发送的时间，默认是3000ConfigConstants.LOG_PACKAGE_TIMEOUT_MILLIS// 缓存发送的包中日志的数量，默认是4096ConfigConstants.LOG_LOGS_COUNT_PER_PACKAGE// 缓存发送的包的大小，默认是3MbConfigConstants.LOG_LOGS_BYTES_PER_PACKAGE// 作业可以使用的内存总的大小，默认是100MbConfigConstants.LOG_MEM_POOL_BYTES

  上述参数不是必选参数，用户可以不设置，直接使用默认值。

• 重载LogSerializationSchema，定义将数据序列化成RawLogGroup的方法。

  RawLogGroup是log的集合，每个字段的含义可以参考文档[日志数据模型](https://help.aliyun.com/document_detail/29054.html)。

如果用户需要使用日志服务的shardHashKey功能，指定数据写到某一个shard中，可以使用LogPartitioner产生数据的hashKey，用法例子如下：

FlinkLogProducer<String> logProducer = new FlinkLogProducer<String>(new SimpleLogSerializer()， configProps);logProducer.setCustomPartitioner(new LogPartitioner<String>() {            // 生成32位hash值            public String getHashKey(String element) {                try {                    MessageDigest md = MessageDigest.getInstance("MD5");                    md.update(element.getBytes());                    String hash = new BigInteger(1， md.digest()).toString(16);                    while(hash.length() < 32) hash = "0" + hash;                    return hash;                } catch (NoSuchAlgorithmException e) {                }                return  "0000000000000000000000000000000000000000000000000000000000000000";            }        });

注意LogPartitioner是可选的，不设置情况下， 数据会随机写入某一个shard。

2.2 权限设置：RAM Policy

Producer依赖日志服务的API写数据，如下：

• log:PostLogStoreLogs
• log:ListShards

当RAM子用户使用Producer时，需要对上述两个API进行授权：

接口资源log:PostLogStoreLogsacs:log:regionName:regionName:{projectOwnerAliUid}:project/projectName/logstore/projectName/logstore/{logstoreName}log:ListShardsacs:log:regionName:regionName:{projectOwnerAliUid}:project/projectName/logstore/projectName/logstore/{logstoreName}

注意上面代码是可选的，如果设置了，consumer会首先创建consumerGroup，如果已经存在，则什么都不做，consumer中的snapshot会自动同步到日志服务的consumerGroup中，用户可以在日志服务的控制台查看consumer的消费进度。

1.4 容灾和exactly once语义支持

当打开Flink的checkpointing功能时，Flink log consumer会周期性的将每个shard的消费进度保存起来，当作业失败时，flink会恢复log consumer，并
从保存的最新的checkpoint开始消费。

写checkpoint的周期定义了当发生失败时，最多多少的数据会被回溯，也就是重新消费，使用代码如下：