是否可以将 Riak CS 与 Apache Flink 一起使用？

Question

我要配置filesystem状态后端和zookeeper恢复模式：

state.backend: filesystem
state.backend.fs.checkpointdir: ???

recovery.mode: zookeeper
recovery.zookeeper.storageDir: ???

如您所见，我应该指定 checkpointdir 和 storageDir 参数，但我没有 Apache Flink 支持的任何文件系统（如 HDFS 或 Amazon S3）。但是我已经安装了 Riak CS 集群（好像是compatible with S3）。

那么，我可以将 Riak CS 与 Apache Flink 一起使用吗？如果可能：如何配置 Apache Flink 以使用 Riak CS？

Answer 1

回答：如何加入 Apache Flink 和 Riak CS？

Riak CS 具有 S3（第 2 版）兼容接口。因此，可以使用 Hadoop 的 S3 文件系统适配器与 Riak CS 一起工作。

我不知道为什么，但 Apache Flink 在 fat jar (lib/flink-dist_2.11-1.0.1.jar) 内只有部分 Hadoop 文件系统适配器，即它有 FTP 文件系统 (org.apache.hadoop.fs.ftp.FTPFileSystem) 但没有 S3 文件系统（即 @987654324 @)。所以，你有两种方法可以解决这个问题：

• 使用 Hadoop 安装中的这些适配器。我没有尝试过，但似乎您应该只配置 HADOOP_CLASSPATH 或 HADOOP_HOME evn 变量。
• monky 修补 Apache Flink 并将所需的 JAR 下载到 <flink home>/lib 目录

所以，我选择第二种方式，因为不想在我的环境中配置 Hadoop。您可以从 Hadoop dist 或 Internet 复制 JAR：

curl http://central.maven.org/maven2/org/apache/hadoop/hadoop-aws/2.7.2/hadoop-aws-2.7.2.jar -o /flink/lib/hadoop-aws-2.7.2.jar
curl http://central.maven.org/maven2/com/amazonaws/aws-java-sdk/1.7.4/aws-java-sdk-1.7.4.jar -o /flink/lib/aws-java-sdk-1.7.4.jar
curl http://central.maven.org/maven2/org/apache/httpcomponents/httpcore/4.2.5/httpcore-4.2.5.jar -o /flink/lib/httpcore-4.2.5.jar
curl http://central.maven.org/maven2/org/apache/httpcomponents/httpclient/4.2.5/httpclient-4.2.5.jar -o /flink/lib/httpclient-4.2.5.jar

如您所见，我使用的是旧版本，因为该版本在 Hadoop 2.7.2 中使用，并且我使用与该版本 Hadoop 兼容的 Flink。

仅供参考：如果您在自己的流程中使用这些 JAR 的最新版本，则此类 hack 可能会导致问题。为了避免与不同版本相关的问题，您可以在使用 flow 构建 fat jar 时重新定位包，使用类似（我正在使用 Gradle）：

// Relocate org.apache.http packages because Apache Flink include old version of this library (we place them for using S3 compatible FS)
shadowJar {
    dependencies {
        include(dependency('.*:.*:.*'))
    }

    relocate 'org.apache.http', 'relocated.org.apache.http'
    relocate 'org.apache.commons', 'relocated.org.apache.commons'
}

那么您应该在flink-conf.yaml 中指定core-site.xml 的路径，因为Hadoop 兼容文件系统使用此配置来加载设置：

...
fs.hdfs.hadoopconf: /flink/conf
...

如您所见，我只是将它放在<fink home>/conf 目录中。它具有以下设置：

<?xml version="1.0" encoding="UTF-8" ?>
<configuration>
    <property>
        <name>fs.s3a.impl</name>
        <value>org.apache.hadoop.fs.s3a.S3AFileSystem</value> // because S3A better then other: https://wiki.apache.org/hadoop/AmazonS3
    </property>
    <property>
        <name>fs.s3a.endpoint</name>
        <value>my-riak-cs.stage.local</value>  // this is my Riak CS host
    </property>
    <property>
        <name>fs.s3a.connection.ssl.enabled</name> // my Riak CS in staging doesn't support SSL
        <value>false</value>
    </property>
    <property>
        <name>fs.s3a.access.key</name>
        <value>????</value> // this is my access key for Riak CS
    </property>
    <property>
        <name>fs.s3a.secret.key</name>
        <value>????</value> // this is my secret key for Riak CS
    </property>
</configuration>

那么你应该在flink-conf.yaml中配置Riak CS buckets作为推荐者here：

...
state.backend.fs.checkpointdir: s3a://example-staging-flink/checkpoints
...
recovery.zookeeper.storageDir: s3a://example-staging-flink/recovery
...

并在 Riak CS 中创建存储桶。我正在使用s3cmd（安装在我的 OS X 开发环境中的brew）：

s3cmd mb s3://example-staging-flink

仅供参考：在使用s3cmd 之前，您应该使用s3cmd --configure 对其进行配置，然后修复~/.s3cmd 文件中的一些设置：

signature_v2 = True // because Riak CS using S3 V2 interface
use_https = False // if your don't use SSL
access_key = ???
secret_key = ???
host_base = my-riak-cs.stage.local // your Riak CS host
host_bucket = %(bucket).my-riak-cs.stage.local // format of bucket used by Riak CS

所以，这就是您应该为 Riak CS 中独立 HA Apache Flink 集群的保存/恢复状态配置的所有内容。