使用Reactor完成類似的Flink的操作

木小豐發表於2021-02-27

一、背景

Flink在處理流式任務的時候有很大的優勢，其中windows等操作符可以很方便的完成聚合任務，但是Flink是一套獨立的服務，業務流程中如果想使用需要將資料發到kafka，用Flink處理完再發到kafka，然後再做業務處理，流程很繁瑣。

比如在業務程式碼中想要實現類似Flink的window按時間批量聚合功能，如果純手動寫程式碼比較繁瑣，使用Flink又太重，這種場景下使用響應式程式設計RxJava、Reactor等的window、buffer操作符可以很方便的實現。

響應式程式設計框架也早已有了背壓以及豐富的操作符支援，能不能用響應式程式設計框架處理類似Flink的操作呢，答案是肯定的。

本文使用Reactor來實現Flink的window功能來舉例，其他操作符理論上相同。文中涉及的程式碼：github

二、實現過程

Flink對流式處理做的很好的封裝，使用Flink的時候幾乎不用關心執行緒池、積壓、資料丟失等問題，但是使用Reactor實現類似的功能就必須對Reactor執行原理比較瞭解，並且經過不同場景下測試，否則很容易出問題。

下面列舉出實現過程中的核心點：

1、建立Flux和傳送資料分離

入門Reactor的時候給的示例都是建立Flux的時候同時就把資料賦值了，比如：Flux.just、Flux.range等，從3.4.0版本後先建立Flux，再傳送資料可使用Sinks完成。有兩個比較容易混淆的方法：

Sinks.many().multicast() 如果沒有訂閱者，那麼接收的訊息直接丟棄
Sinks.many().unicast() 如果沒有訂閱者，那麼儲存接收的訊息直到第一個訂閱者訂閱
Sinks.many().replay() 不管有多少訂閱者，都儲存所有訊息

在此示例場景中，選擇的是Sinks.many().unicast()

官方文件：https://projectreactor.io/docs/core/release/reference/#processors

2、背壓支援

上面方法的物件背壓策略支援兩種：BackpressureBuffer、BackpressureError，在此場景肯定是選擇BackpressureBuffer，需要指定快取佇列，初始化方法如下：Queues.get(queueSize).get()

資料提交有兩個方法：

emitNext 指定提交失敗策略同步提交
tryEmitNext 非同步提交，返回提交成功、失敗狀態

在此場景我們不希望丟資料，可自定義失敗策略，提交失敗無限重試，當然也可以呼叫非同步方法自己重試。

 Sinks.EmitFailureHandler ALWAYS_RETRY_HANDLER = (signalType, emitResult) -> emitResult.isFailure();

在此之後就就可以呼叫Sinks.asFlux開心的使用各種操作符了。

3、視窗函式

Reactor支援兩類視窗聚合函式：

window類：返回Mono(Flux)
buffer類：返回List

在此場景中，使用buffer即可滿足需求，bufferTimeout(int maxSize, Duration maxTime)支援最大個數，最大等待時間操作，Flink中的keys操作可以用groupBy、collectMap來實現。

4、消費者處理

Reactor經過buffer後是一個一個的傳送資料，如果使用publishOn或subscribeOn處理的話，只等待下游的subscribe處理完成才會重新request新的資料，buffer操作符才會重新傳送資料。如果此時subscribe消費者耗時較長，資料流會在buffer流程阻塞，顯然並不是我們想要的。

理想的操作是消費者在一個執行緒池裡操作，可多執行緒並行處理，如果執行緒池滿，再阻塞buffer操作符。解決方案是自定義一個執行緒池，並且當然執行緒池如果任務滿submit支援阻塞，可以用自定義RejectedExecutionHandler來實現：

 RejectedExecutionHandler executionHandler = (r, executor) -> {
     try {
         executor.getQueue().put(r);
     } catch (InterruptedException e) {
         Thread.currentThread().interrupt();
         throw new RejectedExecutionException("Producer thread interrupted", e);
     }
 };
 
 new ThreadPoolExecutor(poolSize, poolSize,
         0L, TimeUnit.MILLISECONDS,
         new SynchronousQueue<>(),
         executionHandler);

三、總結

1、總結一下整體的執行流程

提交任務：提交資料支援同步非同步兩種方式，支援多執行緒提交，正常情況下響應很快，同步的方法如果佇列滿則阻塞。
豐富的操作符處理流式資料。
buffer操作符產生的資料多執行緒處理：同步提交到單獨的消費者執行緒池，執行緒池任務滿則阻塞。
消費者執行緒池：支援阻塞提交，保證不丟訊息，同時佇列長度設定成0，因為前面已經有佇列了。
背壓：消費者執行緒池阻塞後，會背壓到buffer操作符，並背壓到緩衝佇列，快取佇列滿背壓到資料提交者。

2、和Flink的對比

實現的Flink的功能：

不輸Flink的豐富操作符
支援背壓，不丟資料

優勢：輕量級，可直接在業務程式碼中使用

劣勢：

內部執行流程複雜，容易踩坑，不如Flink傻瓜化
沒有watermark功能，也就意味著只支援無序資料處理
沒有savepoint功能，雖然我們用背壓解決了部分問題，但是當機後開始會丟失快取佇列和消費者執行緒池裡的資料，補救措施是新增Java Hook功能
只支援單機，意味著你的快取佇列不能設定無限大，要考慮執行緒池的大小，且沒有flink globalWindow等功能
需考慮對上游資料來源的影響，Flink的上游一般是mq，資料量大時可自動堆積，如果本文的方案上游是http、rpc呼叫，產生的阻塞影響就不能忽略。補償方案是每次提交資料都使用非同步方法，如果失敗則提交到mq中緩衝並消費該mq無限重試。