作者 | 馬慶祥
整理 | 毛鶴
本文根據 Apache Flink 系列直播整理而成，由 Apache Flink Contributor、360 數據開發高級工程師馬慶祥老師分享。文章主要從如何爲 Flink 量身定製的序列化框架、Flink 序列化的最佳實踐、Flink 通信層的序列化以及問答環節四部分分享。
爲 Flink 量身定製的序列化框架
爲什麼定製?
爲什麼要爲 Flink 量身定製序列化框架？
大家都知道現在大數據生態非常火，大多數技術組件都是運行在 JVM 上的，Flink 也是運行在 JVM 上，基於 JVM 的數據分析引擎都需要將大量的數據存儲在內存中，這就不得不面臨 JVM 的一些問題，比如 Java 對象存儲密度較低等。針對這些問題，最常用的方法就是實現一個顯式的內存管理，也就是說用自定義的內存池來進行內存的分配回收，接着將序列化後的對象存儲到內存塊中。
現在 Java 生態圈中已經有許多序列化框架，比如說 Java serialization, Kryo, Apache Avro 等等。但是 Flink 依然是選擇了自己定製的序列化框架，那麼到底有什麼意義呢？若 Flink 選擇自己定製的序列化框架，對類型信息瞭解越多，可以在早期完成類型檢查，更好的選取序列化方式，進行數據佈局，節省數據的存儲空間，直接操作二進制數據。
Flink 的數據類型
Flink 在其內部構建了一套自己的類型系統，Flink 現階段支持的類型分類如圖所示，從圖中可以看到 Flink 類型可以分爲基礎類型（Basic）、數組（Arrays）、複合類型（Composite）、輔助類型（Auxiliary）、泛型和其它類型（Generic）。Flink 支持任意的 Java 或是 Scala 類型。不需要像 Hadoop 一樣去實現一個特定的接口（org.apache.hadoop.io.Writable），Flink 能夠自動識別數據類型。
那這麼多的數據類型，在 Flink 內部又是如何表示的呢？圖示中的 Person 類，複合類型的一個 Pojo 在 Flink 中是用 PojoTypeInfo 來表示，它繼承至 TypeInformation，也即在 Flink 中用 TypeInformation 作爲類型描述符來表示每一種要表示的數據類型。
TypeInformation
TypeInformation 的思維導圖如圖所示，從圖中可以看出，在 Flink 中每一個具體的類型都對應了一個具體的 TypeInformation 實現類，例如 BasicTypeInformation 中的 IntegerTypeInformation 和 FractionalTypeInformation 都具體的對應了一個 TypeInformation。然後還有 BasicArrayTypeInformation、CompositeType 以及一些其它類型，也都具體對應了一個 TypeInformation。
TypeInformation 是 Flink 類型系統的核心類。對於用戶自定義的 Function 來說，Flink 需要一個類型信息來作爲該函數的輸入輸出類型，即 TypeInfomation。該類型信息類作爲一個工具來生成對應類型的序列化器 TypeSerializer，並用於執行語義檢查，比如當一些字段在作爲 joing 或 grouping 的鍵時，檢查這些字段是否在該類型中存在。
如何使用 TypeInformation？下面的實踐中會爲大家介紹。
Flink 的序列化過程
在 Flink 序列化過程中，進行序列化操作必須要有序列化器，那麼序列化器從何而來？每一個具體的數據類型都對應一個 TypeInformation 的具體實現，每一個 TypeInformation 都會爲對應的具體數據類型提供一個專屬的序列化器。通過 Flink 的序列化過程圖可以看到 TypeInformation 會提供一個 createSerialize() 方法，通過這個方法就可以得到該類型進行數據序列化操作與反序化操作的對象 TypeSerializer。
對於大多數數據類型 Flink 可以自動生成對應的序列化器，能非常高效地對數據集進行序列化和反序列化，比如，BasicTypeInfo、WritableTypeIno 等，但針對 GenericTypeInfo 類型，Flink 會使用 Kyro 進行序列化和反序列化。其中，Tuple、Pojo 和 CaseClass 類型是複合類型，它們可能嵌套一個或者多個數據類型。在這種情況下，它們的序列化器同樣是複合的。它們會將內嵌類型的序列化委託給對應類型的序列化器。
簡單的介紹下 Pojo 的類型規則，即在滿足一些條件的情況下，纔會選用 Pojo 的序列化進行相應的序列化與反序列化的一個操作。即類必須是 Public 的，且類有一個 public 的無參數構造函數，該類（以及所有超類）中的所有非靜態 no-static、非瞬態 no-transient 字段都是 public 的（和非最終的 final）或者具有公共 getter 和 setter 方法，該方法遵循 getter 和 setter 的 Java bean 命名約定。當用戶定義的數據類型無法識別爲 POJO 類型時，必須將其作爲 GenericType 處理並使用 Kryo 進行序列化。
Flink 自帶了很多 TypeSerializer 子類，大多數情況下各種自定義類型都是常用類型的排列組合，因而可以直接複用，如果內建的數據類型和序列化方式不能滿足你的需求，Flink 的類型信息系統也支持用戶拓展。若用戶有一些特殊的需求，只需要實現 TypeInformation、TypeSerializer 和 TypeComparator 即可定製自己類型的序列化和比較大小方式，來提升數據類型在序列化和比較時的性能。
序列化就是將數據結構或者對象轉換成一個二進制串的過程，在 Java 裏面可以簡單地理解成一個 byte 數組。而反序列化恰恰相反，就是將序列化過程中所生成的二進制串轉換成數據結構或者對象的過程。下面就以內嵌型的 Tuple 3 這個對象爲例，簡述一下它的序列化過程。Tuple 3 包含三個層面，一是 int 類型，一是 double 類型，還有一個是 Person。Person 包含兩個字段，一是 int 型的 ID，另一個是 String 類型的 name，它在序列化操作時，會委託相應具體序列化的序列化器進行相應的序列化操作。從圖中可以看到 Tuple 3 會把 int 類型通過 IntSerializer 進行序列化操作，此時 int 只需要佔用四個字節就可以了。根據 int 佔用四個字節，這個能夠體現出 Flink 可序列化過程中的一個優勢，即在知道數據類型的前提下，可以更好的進行相應的序列化與反序列化操作。相反，如果採用 Java 的序列化，雖然能夠存儲更多的屬性信息，但一次佔據的存儲空間會受到一定的損耗。
Person 類會被當成一個 Pojo 對象來進行處理，PojoSerializer 序列化器會把一些屬性信息使用一個字節存儲起來。同樣，其字段則採取相對應的序列化器進行相應序列化，在序列化完的結果中，可以看到所有的數據都是由 MemorySegment 去支持。MemorySegment 具有什麼作用呢？
MemorySegment 在 Flink 中會將對象序列化到預分配的內存塊上，它代表 1 個固定長度的內存，默認大小爲 32 kb。MemorySegment 代表 Flink 中的一個最小的內存分配單元，相當於是 Java 的一個 byte 數組。 每條記錄都會以序列化的形式存儲在一個或多個 MemorySegment 中。
Flink 序列化的最佳實踐
最常見的場景
Flink 常見的應用場景有四種，即註冊子類型、註冊自定義序列化器、添加類型提示、手動創建 TypeInformation，具體介紹如下：
-
註冊子類型：如果函數簽名只描述了超類型，但是它們實際上在執行期間使用了超類型的子類型，那麼讓 Flink 瞭解這些子類型會大大提高性能。可以在 StreamExecutionEnvironment 或 ExecutionEnvironment 中調用 .registertype (clazz) 註冊子類型信息。
-
註冊自定義序列化：對於不適用於自己的序列化框架的數據類型，Flink 會使用 Kryo 來進行序列化，並不是所有的類型都與 Kryo 無縫連接，具體註冊方法在下文介紹。
-
添加類型提示：有時，當 Flink 用盡各種手段都無法推測出泛型信息時，用戶需要傳入一個類型提示 TypeHint，這個通常只在 Java API 中需要。
-
手動創建一個 TypeInformation：在某些 API 調用中，這可能是必需的，因爲 Java 的泛型類型擦除導致 Flink 無法推斷數據類型。
其實在大多數情況下，用戶不必擔心序列化框架和註冊類型，因爲 Flink 已經提供了大量的序列化操作，不需要去定義自己的一些序列化器，但是在一些特殊場景下，需要去做一些相應的處理。
實踐–類型聲明
類型聲明去創建一個類型信息的對象是通過哪種方式？通常是用 TypeInformation.of() 方法來創建一個類型信息的對象，具體說明如下：
-
對於非泛型類，直接傳入 class 對象即可。
PojoTypeInfo<Person> typeInfo = (PojoTypeInfo<Person>) TypeInformation.of(Person.class);
-
對於泛型類，需要通過 TypeHint 來保存泛型類型信息。
final TypeInfomation<Tuple2<Integer,Integer>> resultType = TypeInformation.of(new TypeHint<Tuple2<Integer,Integer>>(){});
-
預定義常量。
如 BasicTypeInfo，這個類定義了一系列常用類型的快捷方式，對於 String、Boolean、Byte、Short、Integer、Long、Float、Double、Char 等基本類型的類型聲明，可以直接使用。而且 Flink 還提供了完全等價的 Types 類（org.apache.flink.api.common.typeinfo.Types）。特別需要注意的是，flink-table 模塊也有一個 Types 類（org.apache.flink.table.api.Types），用於 table 模塊內部的類型定義信息，用法稍有不同。使用 IDE 的自動 import 時一定要小心。
-
自定義 TypeInfo 和 TypeInfoFactory。
通過自定義 TypeInfo 爲任意類提供 Flink 原生內存管理（而非 Kryo），可令存儲更緊湊，運行時也更高效。需要注意在自定義類上使用 @TypeInfo 註解，隨後創建相應的 TypeInfoFactory 並覆蓋 createTypeInfo() 方法。
實踐–註冊子類型
Flink 認識父類，但不一定認識子類的一些獨特特性，因此需要單獨註冊子類型。
StreamExecutionEnvironment 和 ExecutionEnvironment 提供 registerType() 方法用來向 Flink 註冊子類信息。
final ExecutionEnvironment env = ExecutionEnvironment.getExecutionEnvironment();
Env. registerType(typeClass);
在 registerType() 方法內部，會使用 TypeExtractor 來提取類型信息，如上圖所示，獲取到的類型信息屬於 PojoTypeInfo 及其子類，那麼需要將其註冊到一起，否則統一交給 Kryo 去處理，Flink 並不過問(這種情況下性能會變差)。
實踐–Kryo 序列化
對於 Flink 無法序列化的類型（例如用戶自定義類型，沒有 registerType，也沒有自定義 TypeInfo 和 TypeInfoFactory），默認會交給 Kryo 處理，如果 Kryo 仍然無法處理（例如 Guava、Thrift、Protobuf 等第三方庫的一些類），有兩種解決方案：
-
強制使用 Avro 來代替 Kryo。
env.getConfig().enableForceAvro();
-
爲 Kryo 增加自定義的 Serializer 以增強 Kryo 的功能。
env.getConfig().addDefaultKryoSerializer(clazz, serializer);
注：如果希望完全禁用 Kryo（100% 使用 Flink 的序列化機制），可以通過 Kryo-env.getConfig().disableGenericTypes() 的方式完成，但注意一切無法處理的類都將導致異常，這種對於調試非常有效。
Flink 通信層的序列化
Flink 的 Task 之間如果需要跨網絡傳輸數據記錄， 那麼就需要將數據序列化之後寫入 NetworkBufferPool，然後下層的 Task 讀出之後再進行反序列化操作，最後進行邏輯處理。
爲了使得記錄以及事件能夠被寫入 Buffer，隨後在消費時再從 Buffer 中讀出，Flink 提供了數據記錄序列化器（RecordSerializer）與反序列化器（RecordDeserializer）以及事件序列化器（EventSerializer）。
Function 發送的數據被封裝成 SerializationDelegate，它將任意元素公開爲 IOReadableWritable 以進行序列化，通過 setInstance() 來傳入要序列化的數據。
在 Flink 通信層的序列化中，有幾個問題值得關注，具體如下：
-
何時確定 Function 的輸入輸出類型？
在構建 StreamTransformation 的時候通過 TypeExtractor 工具確定 Function 的輸入輸出類型。TypeExtractor 類可以根據方法簽名、子類信息等蛛絲馬跡自動提取或恢復類型信息。
-
何時確定 Function 的序列化/反序列化器？
構造 StreamGraph 時，通過 TypeInfomation 的 createSerializer() 方法獲取對應類型的序列化器 TypeSerializer，並在 addOperator() 的過程中執行 setSerializers() 操作，設置 StreamConfig 的 TYPE_SERIALIZER_IN_1 、 TYPE_SERIALIZER_IN_2、 TYPE_SERIALIZER_OUT_1 屬性。
-
何時進行真正的序列化/反序列化操作？這個過程與 TypeSerializer 又是怎麼聯繫在一起的呢？
大家都應該清楚 Tsk 和 StreamTask 兩個概念，Task 是直接受 TaskManager 管理和調度的，而 Task 又會調用 StreamTask，而 StreamTask 中真正封裝了算子的處理邏輯。在 run() 方法中，首先將反序列化後的數據封裝成 StreamRecord 交給算子處理；然後將處理結果通過 Collector 發動給下游(在構建 Collector 時已經確定了 SerializtionDelegate)，並通過 RecordWriter 寫入器將序列化後的結果寫入 DataOutput；最後序列化的操作交給 SerializerDelegate 處理，實際還是通過 TypeSerializer 的 serialize() 方法完成。
歡迎轉載，敬請在正文中標註並保留文章來源、原文鏈接、作者/譯者等信息。