一、背景

流处理是数据集成领域一个重要话题，他能显著减少数据输入和结果输出之间延迟，在对时间延迟敏感的商业场景，例如安全、智能运维、实时推荐，有大量的需求。RocketMQ作为一款消息中间件，已经在业务集成领域展现出巨大价值，但是在数据集成领域还有较大拓展空间。通过支持流处理可以带动RocketMQ进入数据集成领域，拓展RocketMQ的使用范围。

RocketMQ Streams是一款基于RocketMQ为基础的轻量级流计算引擎，具有资源消耗少、部署简单、功能全面的特点，目前已经在社区开源。RocketMQ Streams在阿里云内部被使用在对资源比较敏感，同时又强烈需要流计算的场景，比如在自建机房的云安全场景下，对处理结果的实时性要求非常高，同时考虑到部署和运维成本，轻量级计算引擎就成为一种可行的新选择。

自RocketMQ Streams开源以来，吸引了大量用户调研和试用。但是也存在一些问题，在RocketMQ Streams 1.1.0中，主要针对以下问题做出了改进和优化。

1. 面向用户API不够友好，不能使用泛型，不支持自定义序列化/反序列化；
2. 代码冗余，在RocketMQ Streams中存在序列化反序列化流处理拓扑模块，RocketMQ Streams作为轻量级流处理SDK，构建好流处理节点之后应该可以直接处理数据，不存在本地保存和网络传输需求。
3. 流处理过程不清晰，含有大量缓存逻辑；
4. 存在大量支持SQL的逻辑，这部分和SDK方式运行流处理任务的逻辑无关；

在RocketMQ Streams 1.1.0中，对上述问题做出了改进，期望能带来更好的使用体验。同时，重新设计了流处理拓扑构建过程、去掉冗余代码，使得代码更容易被理解。

二、典型使用示例

本地运行下列示例步骤：

1. 部署RocketMQ 5.0；
2. 使用mqAdmin创建topic；
3. 构建示例工程，添加依赖，启动示例。RocketMQ Streams 坐标：

    org.apache.rocketmq
    rocketmq-streams
    1.1.0

1. 向topic中写入相应数据，并观察结果。

更详细文档请参考：RocketMQ Streams quick start

WordCount

public class WordCount {
    public static void main(String[] args) {
        StreamBuilder builder = new StreamBuilder("wordCount");

        builder.source("sourceTopic", total -> {
                    String value = new String(total, StandardCharsets.UTF_8);
                    return new Pair<>(null, value);
                })
                .flatMap((ValueMapperAction>) value -> {
                    String[] splits = value.toLowerCase().split("W+");
                    return Arrays.asList(splits);
                })
                .keyBy(value -> value)
                .count()
                .toRStream()
                .print();

        TopologyBuilder topologyBuilder = builder.build();

        Properties properties = new Properties();
        properties.put(MixAll.NAMESRV_ADDR_PROPERTY, "127.0.0.1:9876");

        RocketMQStream rocketMQStream = new RocketMQStream(topologyBuilder, properties);

        final CountDownLatch latch = new CountDownLatch(1);

        Runtime.getRuntime().addShutdownHook(new Thread("wordcount-shutdown-hook") {
            @Override
            public void run() {
                rocketMQStream.stop();
                latch.countDown();
            }
        });

        try {
            rocketMQStream.start();
            latch.await();
        } catch (final Throwable e) {
            System.exit(1);
        }
        System.exit(0);
    }
}

窗口聚合

public class WindowCount {
    public static void main(String[] args) {
        StreamBuilder builder = new StreamBuilder("windowCountUser");

        AggregateAction aggregateAction = (key, value, accumulator) -> new Num(value.getName(), 100);

        builder.source("user", source -> {
                    User user1 = JSON.parseObject(source, User.class);
                    return new Pair<>(null, user1);
                })
                .selectTimestamp(User::getTimestamp)
                .filter(value -> value.getAge() > 0)
                .keyBy(value -> "key")
                .window(WindowBuilder.tumblingWindow(Time.seconds(15)))
                .aggregate(aggregateAction)
                .toRStream()
                .print();

        TopologyBuilder topologyBuilder = builder.build();

        Properties properties = new Properties();
        properties.putIfAbsent(MixAll.NAMESRV_ADDR_PROPERTY, "127.0.0.1:9876");
        properties.put(Constant.TIME_TYPE, TimeType.EVENT_TIME);
        properties.put(Constant.ALLOW_LATENESS_MILLISECOND, 2000);

        RocketMQStream rocketMQStream = new RocketMQStream(topologyBuilder, properties);

        rocketMQStream.start();
    }
}

双流JOIN

下例是窗口JOIN，也支持无窗口类型的双流JOIN。

public class JoinWindow {
    public static void main(String[] args) {
        StreamBuilder builder = new StreamBuilder("joinWindow");

        //左流
        RStream user = builder.source("user", total -> {
            User user1 = JSON.parseObject(total, User.class);
            return new Pair<>(null, user1);
        });

        //右流
        RStream num = builder.source("num", source -> {
            Num user12 = JSON.parseObject(source, Num.class);
            return new Pair<>(null, user12);
        });

        //自定义join后的运算
        ValueJoinAction action = new ValueJoinAction() {
            @Override
            public Union apply(User value1, Num value2) {
                ...
            }
        };

        user.join(num)
                .where(User::getName)
                .equalTo(Num::getName)
                .window(WindowBuilder.tumblingWindow(Time.seconds(30)))
                .apply(action)
                .print();

        TopologyBuilder topologyBuilder = builder.build();

        Properties properties = new Properties();
        properties.put(MixAll.NAMESRV_ADDR_PROPERTY, "127.0.0.1:9876");

        RocketMQStream rocketMQStream = new RocketMQStream(topologyBuilder, properties);

        rocketMQStream.start();
    }
}

Java对象支持

public class Demo {
    public static void main(String[] args) {
        StreamBuilder builder = new StreamBuilder("demo");

        builder.source("user", new KeyValueDeserializer() {
                    @Override
                    public Pair deserialize(byte[] total) throws Throwable {
                         //自定义反序列化
                    }
                })
                .keyBy(User::getAge)
                .count(User::getName)
                .toRStream()
                .print();

        TopologyBuilder topologyBuilder = builder.build();

        Properties properties = new Properties();
        properties.put(MixAll.NAMESRV_ADDR_PROPERTY, "127.0.0.1:9876");

        RocketMQStream rocketMQStream = new RocketMQStream(topologyBuilder, properties);

        rocketMQStream.start();
    }
}

三、方案设计

RocketMQ Streams作为客户端SDK直接被使用方依赖，从而获得流处理能力。他从RocketMQ的source topic中读取数据，经过处理后将结果写回到RocketMQ的sink topic中。这种架构的好处是业务无需添加任务第三方依赖，直接从数据源读取数据即可获得流处理能力。

流处理拓扑构建过程

在使用者书写上述及连表达式时，发生第一次构建，即逻辑节点的添加，前后算子具有父子关系，构建后形成逻辑节点，多个逻辑节点形成链表。

逻辑构建结束后，调用StreamBuilder#build()方法进行第二次构建，将逻辑节点中可能包含的多个真实节点添加拓扑，形成处理拓扑图。

经过两次两次构建后，处理拓扑已经完整。但是为了区分不同topic使用不同拓扑处理，需要在数据来临前的重平衡阶段，创建真实数据处理节点，这是第三次构建。

逻辑节点构建（第一次构建）

逻辑节点本身不包括实际操作，但是可由逻辑节点继续构建出实际节点，一个逻辑节点可能包含一实际节点，也可能包含多个实际节点，例如count逻辑算子不仅仅包含累加这个实际操作，累加前需要对相同key的数据路由到同一计算实例上，因此还需要包含sink、source两个实际节点，但是这些只会在构建实际节点时体现出来，不会在添加逻辑节点阶段体现。

每个逻辑节点都是GraphNode的子类，构建时，将子节点算子加入父节点child集合中，将父节点加入子节点parent集合中。这个构建过程中使用Pipeline均为同一个实例。随着构建过程，将逻辑节点加入到pipeline中，父子节点形成以root节点为根节点的链表。

添加逻辑节点逻辑：

@Override
public  GroupedStream map(ValueMapperAction mapperAction) {
    //1、确定节点名称

    //2、实现Supplier类，实现数据处理逻辑

    //3、实例化逻辑节点类GraphNode

    //4、将逻辑节点GraphNode添加到pipeline中形成链表
}

可以看到逻辑节点的添加非常通用，实现不同功能的算子，只需要实现算子对应的数据实际处理逻辑即可，如果将新增算子形成拓扑图等等后续工作完全不用关心，降低了新算子开发的门槛。

在逻辑节点的构建过程中，有两类比较特殊的算子，一个是实现数据分组的shuffle算子，一个是实现双流聚合的Join算子。

shuffle逻辑算子的功能是将含有相同key的数据发送到同一个队列中，方便后续算子对相同key的数据进行统计。他通常是keyBy后面紧跟的算子，例如keyBy("年纪").count()，那么count就是一个shuffle算子类型。shuffle逻辑算子包含三个实际处理过程：

• 将数据按照Key的hash%queueNum发送到对应队列；
• 从RocketMQ中拉取上述数据到本地；
• 按照shuffle节点中定义的逻辑进行处理，例如累加。

Join算子的功能是实现双流聚合，将两个数据流聚合成一个。

Join拓扑图

在左流和右流上添加KeyBy算子，对左流和右流进行分别过滤；之后在左流和右流上分别添加标签节点，在数据中添加此数据是左流还是有流，之后将两个标签节点，指向一个共同的Join节点，数据在此完成汇聚，按照使用者给定的ValueJoinAction节点处理。

Join使用方式：

StreamBuilder builder = new StreamBuilder(jobId);

RStream leftStream = builder.source(...);
RStream rightStream = builder.source(...);

ValueJoinAction action = new ValueJoinAction(){...};

leftStream.join(rightStream)
          .where(左流字段)
          .equalTo(右流字段)
          .apply(action)
          .print();

Join实现伪代码：

//左右流按照各自字段分组，含有相同key的字段会被回写到同一个队列里面；
GroupedStream leftGroupedStream = leftStream.keyBy(左流字段);
//因为后面左右流数据会在一起处理，为了区分数据来源，在数据中添加标记是左流还是右流
leftGroupedStream.addGraphNode(addTag);
//获取leftGroupedStream最后的逻辑节点
GraphNode leftLast = leftGroupedStream.getLast();
    
GroupedStream rightGroupedStream = leftStream.keyBy(右流字段);
rightGroupedStream.addGraphNode(addTag);
GraphNode rightLast = rightGroupedStream.getLast();

//数据汇聚节点
ProcessorNode commChild = new ProcessorNode(name, temp, “聚合数据实际操作”);
commChild.addParent(leftLast);
commChild.addParent(rightLast);

//统一数据流
RStreamImpl commRStream = new RStreamImpl<>(Pipeline, commChild);
//继续在统一数据流上操作
commRStream...

物理构建（第二次构建）

构建逻辑节点完毕后，从ROOT节点开始遍历，调用GraphNode逻辑节点addRealNode方法，构建真实节点构建工厂类

在第二次构建实际节点过程中，会对逻辑节点进行拆解，对于大多数逻辑节点，只需要构建一个实际节点，但是对于某些特殊的逻辑节点需要构建多个实际节点才能与之对应，例如shuffle类型逻辑节点，他需要包含三个实际节点：发送数据节点、消费数据节点、处理数据节点。

shuffle类型逻辑节点父节点必须是GroupBy,例如上图所示的count是shuffle节点，Window节点也可以是逻辑节点。 第二次构建并不会直接生成处理数据的Processor，而是产生ProcessorFactory对象。为什么不生成直接能处理数据的Processor对象呢？因为一个RocketMQ Streams实例需要同时拉取不同队列进行流计算，为了能将不同队列的流计算过程区别开，针对每个队列会由独立的Processor实例进行处理，因此第二次构建仅仅构建出ProcessorFactory，在重平衡确定流处理实例要拉去哪些队列后，在由ProcessorFactory实例化Processor。

第三次构建

客户程序依赖RocketMQ Streams获得流计算能力，因此客户程序本质上是就是一个RocketMQ Client(见6.1.16方案架构图)。在RocketMQ Client发生重平衡时，会将RocketMQ Server所包含的队列在客户端中重新分配，第三次构建，也就是右ProcessorFactory实例化Processor，就发生在重平衡发生后，拉取数据前。第三次真实的构建出了处理数据的Processor，并将子节点Processor添加进入父节点Processor中。

数据处理过程

状态恢复

流处理过程中产生的计算状态保存、恢复涉及到流处理过程的正确性。在流处理实例宕机的情况下，该流处理实例上消费的队列会被重平衡到其他流处理实例上。如果对该队列进行了有状态计算，那么产生的状态也需要在新的流计算实例上恢复。如上图中，Instance1宕机，他消费的MQ2和MQ3被分别迁移到Instance2和Instance3上，MQ2和MQ3对应的状态（紫色和蓝色）也需要在Instance2和Instance3上恢复出来。

• 存储介质

使用本地RocksDB，远程RocketMQ的组合，作为状态存储介质。流计算在计算状态时，RocksDB在使用有限内存情况作为状态的临时本地存储于算子交互，在计算结束后提交消费位点时将本次计算产生的状态一并写入RocketMQ中。消费位点提交、计算结果写出、状态保存需要保持原子状态，这一内容在后面流计算正确性中讨论。

• 状态持久化存储

RocketMQ作为消息临时存储，存在数据最大过期时间，一旦过期后，数据会被删除。但是状态存储介质本质上是以KV方式存储数据，不希望KV数据随着时间过期而被删除。因此，使用Compact topic作为状态存储，他会对同一队列的数据按照Key对数据进行压缩，相同Key的数据只保留offset最大的一条。

//key如果决定数据被发送到某个Broker的哪个队列
int queueId = hash(key) % queueNum

但是在RocketMQ中队列数会随着Broker扩缩容而增加或者减少，扩缩Broker数量前后，相同的Key可能被发送到不同的队列，那么按照上述规则进行Compact后得到的最新值就是错误的，使用Compact topic作为KV存储就失去了意义。

因此在状态topic是Compact topic的基础上，再将状态topic创建为Static topic（Logic Queue），即状态topic即是Compact topic也是Static topic。这样才能解耦队列数量与Broker数量，使队列数量在扩缩Broker情况下仍然不变，保证含有相同Key的数据能被发送到同一队列中。

点击查看原文，获取更多福利！

https://developer.aliyun.com/article/1141069?utm_content=g_1000367577

版权声明：本文内容由阿里云实名注册用户自发贡献，版权归原作者所有，阿里云开发者社区不拥有其著作权，亦不承担相应法律责任。具体规则请查看《阿里云开发者社区用户服务协议》和《阿里云开发者社区知识产权保护指引》。如果您发现本社区中有涉嫌抄袭的内容，填写侵权投诉表单进行举报，一经查实，本社区将立刻删除涉嫌侵权内容。