本文为您介绍提升性能的Flink SQL推荐写法、配置及函数。
Group Aggregate优化技巧
- 开启MicroBatch或MiniBatch(提升吞吐)
MicroBatch和MiniBatch都是微批处理,只是微批的触发机制略有不同。原理同样是缓存一定的数据后再触发处理,以减少对State的访问,从而提升吞吐并减少数据的输出量。
MiniBatch主要依靠在每个Task上注册的Timer线程来触发微批,需要消耗一定的线程调度性能。MicroBatch是MiniBatch的升级版,主要基于事件消息来触发微批,事件消息会按您指定的时间间隔在源头插入。MicroBatch在元素序列化效率、反压表现、吞吐和延迟性能上都要优于MiniBatch。
- 适用场景
微批处理通过增加延迟换取高吞吐,如果您有超低延迟的要求,不建议开启微批处理。通常对于聚合的场景,微批处理可以显著的提升系统性能,建议开启。说明 MicroBatch模式也能解决两级聚合数据抖动问题。
- 开启方式
MicroBatch和MiniBatch默认关闭,开启方式如下。
# 3.2及以上版本开启Window miniBatch方法(3.2及以上版本默认不开启Window miniBatch)。 sql.exec.mini-batch.window.enabled=true # 批量输出的间隔时间,在使用microBatch策略时,需要增加该配置,且建议和blink.miniBatch.allowLatencyMs保持一致。 blink.microBatch.allowLatencyMs=5000 # 在使用microBatch时,需要保留以下两个miniBatch配置。 blink.miniBatch.allowLatencyMs=5000 # 防止OOM设置每个批次最多缓存数据的条数。 blink.miniBatch.size=20000
- 适用场景
- 开启LocalGlobal(解决常见数据热点问题)
LocalGlobal优化将原先的Aggregate分成Local+Global两阶段聚合,即MapReduce模型中的Combine+Reduce处理模式。第一阶段在上游节点本地攒一批数据进行聚合(localAgg),并输出这次微批的增量值(Accumulator)。第二阶段再将收到的Accumulator合并(Merge),得到最终的结果(GlobalAgg)。
LocalGlobal本质上能够靠LocalAgg的聚合筛除部分倾斜数据,从而降低GlobalAgg的热点,提升性能。您可以结合下图理解LocalGlobal如何解决数据倾斜的问题。- 适用场景
LocalGlobal适用于提升如SUM、COUNT、MAX、MIN和AVG等普通聚合的性能,以及解决这些场景下的数据热点问题。说明 开启LocalGlobal需要UDAF实现
Merge
方法。 - 开启方式
实时计算2.0版本开始,LocalGlobal是默认开启的,参数是blink.localAgg.enabled=true ,但是需要在microbatch或minibatch开启的前提下才能生效。
- 判断是否生效
观察最终生成的拓扑图的节点名字中是否包含GlobalGroupAggregate或LocalGroupAggregate。
- 适用场景
- 开启PartialFinal(解决COUNT DISTINCT热点问题)
LocalGlobal优化针对普通聚合(例如SUM、COUNT、MAX、MIN和AVG)有较好的效果,对于COUNT DISTINCT收效不明显,因为COUNT DISTINCT在Local聚合时,对于DISTINCT KEY的去重率不高,导致在Global节点仍然存在热点。
之前,为了解决COUNT DISTINCT的热点问题,通常需要手动改写为两层聚合(增加按Distinct Key取模的打散层)。自2.2.0
版本开始,实时计算提供了COUNT DISTINCT自动打散,即PartialFinal优化,您无需自行改写为两层聚合。PartialFinal和LocalGlobal的原理对比参见下图。- 适用场景
使用COUNT DISTINCT,但无法满足聚合节点性能要求。说明
- 不能在包含UDAF的Flink SQL中使用PartialFinal优化方法。
- 数据量不大的情况下,不建议使用PartialFinal优化方法。PartialFinal优化会自动打散成两层聚合,引入额外的网络Shuffle,在数据量不大的情况下,浪费资源。
- 开启方式
默认不开启,使用参数显式开启
blink.partialAgg.enabled=true
。 - 判断是否生效
观察最终生成的拓扑图的节点名中是否包含Expand节点,或者原来一层的聚合变成了两层的聚合。
- 适用场景
- 改写为AGG WITH FILTER语法(提升大量COUNT DISTINCT场景性能)
说明 仅实时计算2.2.2及以上版本支持AGG WITH FILTER语法。统计作业需要计算各种维度的UV,例如全网UV、来自手机客户端的UV、来自PC的UV等等。建议使用标准的AGG WITH FILTER语法来代替CASE WHEN实现多维度统计的功能。实时计算目前的SQL优化器能分析出Filter参数,从而同一个字段上计算不同条件下的COUNT DISTINCT能共享State,减少对State的读写操作。性能测试中,使用AGG WITH FILTER语法来代替CASE WHEN能够使性能提升1倍。
- 适用场景
建议您将AGG WITH CASE WHEN的语法都替换成AGG WITH FILTER的语法,尤其是对同一个字段上计算不同条件下的COUNT DISTINCT结果,性能提升很大。
- 原始写法
COUNT(distinct visitor_id) as UV1 , COUNT(distinct case when is_wireless='y' then visitor_id else null end) as UV2
- 优化写法
COUNT(distinct visitor_id) as UV1 , COUNT(distinct visitor_id) filter (where is_wireless='y') as UV2
- 适用场景
TopN优化技巧
- TopN算法
当TopN的输入是非更新流(例如Source),TopN只有一种算法AppendRank。当TopN的输入是更新流时(例如经过了AGG/JOIN计算),TopN有3种算法,性能从高到低分别是:UpdateFastRank 、 UnaryUpdateRank和RetractRank。算法名字会显示在拓扑图的节点名字上。
- UpdateFastRank :最优算法。
需要具备2个条件:
- 输入流有PK(Primary Key)信息,例如ORDER BY AVG。
- 排序字段的更新是单调的,且单调方向与排序方向相反。例如,ORDER BY COUNT/COUNT_DISTINCT/SUM(正数)DESC(仅实时计算2.2.2及以上版本支持)。
如果您要获取到优化Plan,则您需要在使用ORDER BY SUM DESC时,添加SUM为正数的过滤条件,确保total_fee为正数。
insert into print_test SELECT cate_id, seller_id, stat_date, pay_ord_amt --不输出rownum字段,能减小结果表的输出量。 FROM ( SELECT *, ROW_NUMBER () OVER ( PARTITION BY cate_id, stat_date --注意要有时间字段,否则state过期会导致数据错乱。 ORDER BY pay_ord_amt DESC ) as rownum --根据上游sum结果排序。 FROM ( SELECT cate_id, seller_id, stat_date, --重点。声明Sum的参数都是正数,所以Sum的结果是单调递增的,因此TopN能使用优化算法,只获取前100个数据。 sum (total_fee) filter ( where total_fee >= 0 ) as pay_ord_amt FROM random_test WHERE total_fee >= 0 GROUP BY cate_name, seller_id, stat_date ) a WHERE rownum <= 100 );
- UnaryUpdateRank:仅次于UpdateFastRank的算法。需要具备1个条件:输入流中存在PK信息。
- RetractRank:普通算法,性能最差,不建议在生产环境使用该算法。请检查输入流是否存在PK信息,如果存在,则可进行UnaryUpdateRank或UpdateFastRank优化。
- UpdateFastRank :最优算法。
- TopN优化方法
- 无排名优化
TopN的输出结果无需要显示rownum值,仅需在最终前端显式时进行1次排序,极大地减少输入结果表的数据量。无排名优化方法详情请参见TopN语句。
- 增加TopN的Cache大小
TopN为了提升性能有一个State Cache层,Cache层能提升对State的访问效率。TopN的Cache命中率的计算公式为。例如,Top100配置缓存10000条,并发50,当您的PatitionBy的key维度较大时,例如10万级别时,Cache命中率只有10000*50/100/100000=5%,命中率会很低,导致大量的请求都会击中State(磁盘),性能会大幅下降。因此当PartitionKey维度特别大时,可以适当加大TopN的CacheS ize,相对应的也建议适当加大TopN节点的Heap Memory(请参见手动配置调优)。
cache_hit = cache_size*parallelism/top_n/partition_key_num
##默认10000条,调整TopN cahce到20万,那么理论命中率能达200000*50/100/100000 = 100%。 blink.topn.cache.size=200000
- PartitionBy的字段中要有时间类字段
例如每天的排名,要带上Day字段。否则TopN的结果到最后会由于State ttl有错乱。
- 无排名优化
高效去重方案
- 语法
由于SQL上没有直接支持去重的语法,还要灵活的保留第一条或保留最后一条。因此我们使用了SQL的ROW_NUMBER OVER WINDOW功能来实现去重语法。去重本质上是一种特殊的TopN。
SELECT * FROM ( SELECT *, ROW_NUMBER() OVER ([PARTITION BY col1[, col2..] ORDER BY timeAttributeCol [asc|desc]) AS rownum FROM table_name) WHERE rownum = 1
参数 说明 ROW_NUMBER() 计算行号的OVER窗口函数。行号从1开始计算。 PARTITION BY col1[, col2..] 可选。指定分区的列,即去重的KEYS。 ORDER BY timeAttributeCol [asc|desc]) 指定排序的列,必须是一个时间属性的字段(即Proctime或Rowtime)。可以指定顺序(Keep FirstRow)或者倒序 (Keep LastRow)。 rownum 仅支持 rownum=1
或rownum<=1
。- 使用
ROW_NUMBER()
窗口函数来对数据根据时间属性列进行排序并标上排名。说明- 当排序字段是Proctime列时,Flink就会按照系统时间去重,其每次运行的结果是不确定的。
- 当排序字段是Rowtime列时,Flink就会按照业务时间去重,其每次运行的结果是确定的。
- 对排名进行过滤,只取第一条,达到了去重的目的。
说明 排序方向可以是按照时间列的顺序,也可以是倒序:
- Deduplicate Keep FirstRow:顺序并取第一条行数据。
- Deduplicate Keep LastRow:倒序并取第一条行数据。
- 使用
- Deduplicate Keep FirstRow
保留首行的去重策略:保留KEY下第一条出现的数据,之后出现该KEY下的数据会被丢弃掉。因为STATE中只存储了KEY数据,所以性能较优,示例如下。
SELECT * FROM ( SELECT *, ROW_NUMBER() OVER (PARTITION BY b ORDER BY proctime) as rowNum FROM T ) WHERE rowNum = 1
说明 以上示例是将T表按照b字段进行去重,并按照系统时间保留第一条数据。Proctime在这里是源表T中的一个具有Processing Time属性的字段。如果您按照系统时间去重,也可以将Proctime字段简化PROCTIME()
函数调用,可以省略Proctime字段的声明。 - Deduplicate Keep LastRow
保留末行的去重策略:保留KEY下最后一条出现的数据。保留末行的去重策略性能略优于LAST_VALUE函数,示例如下。
SELECT * FROM ( SELECT *, ROW_NUMBER() OVER (PARTITION BY b, d ORDER BY rowtime DESC) as rowNum FROM T ) WHERE rowNum = 1
说明 以上示例是将T表按照b和d字段进行去重,并按照业务时间保留最后一条数据。Rowtime在这里是源表T中的一个具有Event Time属性的字段。
高效的内置函数
- 使用内置函数替换自定义函数
实时计算的内置函数在持续的优化当中,请尽量使用内部函数替换自定义函数。实时计算2.0版本对内置函数主要进行了如下优化:
- 优化数据序列化和反序列化的耗时。
- 新增直接对字节单位进行操作的功能。
- KEY VALUE函数使用单字符的分隔符
KEY VALUE 的签名:
KEYVALUE(content, keyValueSplit, keySplit, keyName)
,当keyValueSplit和KeySplit是单字符(例如,冒号(:)、逗号(,))时,系统会使用优化算法,在二进制数据上直接寻找所需的keyName 的值,而不会将整个content做切分。性能约提升30%。 - 多KEY VALUE场景使用MULTI_KEYVALUE
说明 仅实时计算
2.2.2
及以上版本支持MULTI_KEYVALUE。在这种情况下,建议您使用MULTI_KEYVALUE表值函数,该函数可以对Content只进行一次Split解析,性能约能提升50%~100%。
- LIKE操作注意事项
- 如果需要进行StartWith操作,使用
LIKE 'xxx%'
。 - 如果需要进行EndWith操作,使用
LIKE '%xxx'
。 - 如果需要进行Contains操作,使用
LIKE '%xxx%'
。 - 如果需要进行Equals操作,使用
LIKE 'xxx'
,等价于str = 'xxx'
。 - 如果需要匹配
_
字符,请注意要完成转义LIKE '%seller/id%' ESCAPE '/'
。_
在SQL中属于单字符通配符,能匹配任何字符。如果声明为LIKE '%seller_id%'
,则不单会匹配seller_id
还会匹配seller#id
、sellerxid
或seller1id
等,导致结果错误。
- 如果需要进行StartWith操作,使用
- 慎用正则函数(REGEXP)
正则表达式是非常耗时的操作,对比加减乘除通常有百倍的性能开销,而且正则表达式在某些极端情况下可能会进入无限循环,导致作业阻塞。建议使用LIKE。正则函数包括:
网络传输的优化
- KeyGroup/Hash:根据指定的Key分配。
- Rebalance:轮询分配给各个Channel。
- Dynamic-Rebalance:根据下游负载情况动态选择分配给负载较低的Channel。
- Forward:未Chain一起时,同Rebalance。Chain一起时是一对一分配。
- Rescale:上游与下游一对多或多对一。
- 使用Dynamic-Rebalance替代Rebalance
Dynamic-Rebalance可以根据当前各Subpartition中堆积的Buffer的数量,选择负载较轻的Subpartition进行写入,从而实现动态的负载均衡。相比于静态的Rebalance策略,在下游各任务计算能力不均衡时,可以使各任务相对负载更加均衡,从而提高整个作业的性能。例如,在使用Rebalance时,发现下游各个并发负载不均衡时,可以考虑使用Dynamic-Rebalance。参数:
task.dynamic.rebalance.enabled=true
, 默认关闭。 - 使用Rescale替代Rebalance
说明 仅实时计算2.2.2及以上版本支持Rescale。
例如,上游是5个并发,下游是10个并发。当使用Rebalance时,上游每个并发会轮询发给下游10个并发。当使用Rescale时,上游每个并发只需轮询发给下游2个并发。因为Channel个数变少了,Subpartition的Buffer填充速度能变快,能提高网络效率。当上游的数据比较均匀时,且上下游的并发数成比例时,可以使用Rescale替换Rebalance。参数:
enable.rescale.shuffling=true
,默认关闭。
推荐的优化配置方案
# EXACTLY_ONCE语义。
blink.checkpoint.mode=EXACTLY_ONCE
# checkpoint间隔时间,单位毫秒。
blink.checkpoint.interval.ms=180000
blink.checkpoint.timeout.ms=600000
# 2.x使用niagara作为statebackend,以及设定state数据生命周期,单位毫秒。
state.backend.type=niagara
state.backend.niagara.ttl.ms=129600000
# 2.x开启5秒的microbatch。
blink.microBatch.allowLatencyMs=5000
# 整个Job允许的延迟。
blink.miniBatch.allowLatencyMs=5000
# 单个batch的size。
blink.miniBatch.size=20000
# local 优化,2.x默认已经开启,1.6.4需手动开启。
blink.localAgg.enabled=true
# 2.x开启PartialFina优化,解决COUNT DISTINCT热点。
blink.partialAgg.enabled=true
# union all优化。
blink.forbid.unionall.as.breakpoint.in.subsection.optimization=true
# object reuse优化,默认已开启。
#blink.object.reuse=true
# GC优化(SLS做源表不能设置该参数)。
blink.job.option=-yD heartbeat.timeout=180000 -yD env.java.opts='-verbose:gc -XX:NewRatio=3 -XX:+PrintGCDetails -XX:+PrintGCDateStamps -XX:ParallelGCThreads=4'
# 时区设置。
blink.job.timeZone=Asia/Shanghai
在文档使用中是否遇到以下问题
更多建议
匿名提交