这两天正在折腾ClickHouse，折腾完再写文章记录，今天就先弄一篇关于Flink的小知识吧。
DataStream分区
Spark的RDD有分区的概念，Flink的DataStream同样也有，只不过没有RDD那么显式而已。Flink通过流分区器StreamPartitioner来控制DataStream中的元素往下游的流向，以StreamPartitioner抽象类为中心的类图如下所示。
在Flink的Web UI界面中，各算子之间的分区器类型会在箭头上标注出来，如下所示。
StreamPartitioner继承自ChannelSelector接口。这里的Channel概念与Netty不同，只是Flink对于数据写入目的地的简单抽象，我们可以直接认为它就是下游算子的并发实例（即物理分区）。所有StreamPartitioner的子类都要实现selectChannel()方法，用来选择分区号。下面分别来看看Flink提供的8种StreamPartitioner的源码，以加深理解。
GlobalPartitioner
// dataStream.global()
@Override
public int selectChannel(SerializationDelegate<StreamRecord<T>> record) {
return 0;
}GlobalPartitioner只会将数据输出到下游算子的第一个实例，简单暴力。
ShufflePartitioner
private Random random = new Random();
// dataStream.shuffle()
@Override
public int selectChannel(SerializationDelegate<StreamRecord<T>> record) {
return random.nextInt(numberOfChannels);
}ShufflePartitioner会将数据随机输出到下游算子的并发实例。由于java.util.Random生成的随机数符合均匀分布，故能够近似保证平均。
RebalancePartitioner
private int nextChannelToSendTo;
@Override
public void setup(int numberOfChannels) {
super.setup(numberOfChannels);
nextChannelToSendTo = ThreadLocalRandom.current().nextInt(numberOfChannels);
}
// dataStream.rebalance()
@Override
public int selectChannel(SerializationDelegate<StreamRecord<T>> record) {
nextChannelToSendTo = (nextChannelToSendTo + 1) % numberOfChannels;
return nextChannelToSendTo;
}RebalancePartitioner会先随机选择一个下游算子的实例，然后用轮询（round-robin）的方式从该实例开始循环输出。该方式能保证完全的下游负载均衡，所以常用来处理带有自然倾斜的原始数据流，比如各Partition之间数据量差距比较大的Kafka Topic。
KeyGroupStreamPartitioner
private final KeySelector<T, K> keySelector;
private int maxParallelism;
// dataStream.keyBy()
@Override
public int selectChannel(SerializationDelegate<StreamRecord<T>> record) {
K key;
try {
key = keySelector.getKey(record.getInstance().getValue());
} catch (Exception e) {
throw new RuntimeException("Could not extract key from " + record.getInstance().getValue(), e);
}
return KeyGroupRangeAssignment.assignKeyToParallelOperator(key, maxParallelism, numberOfChannels);
}
public static int assignKeyToParallelOperator(Object key, int maxParallelism, int parallelism) {
return computeOperatorIndexForKeyGroup(maxParallelism, parallelism, assignToKeyGroup(key, maxParallelism));
}
public static int assignToKeyGroup(Object key, int maxParallelism) {
return computeKeyGroupForKeyHash(key.hashCode(), maxParallelism);
}
public static int computeKeyGroupForKeyHash(int keyHash, int maxParallelism) {
return MathUtils.murmurHash(keyHash) % maxParallelism;
}
public static int computeOperatorIndexForKeyGroup(int maxParallelism, int parallelism, int keyGroupId) {
return keyGroupId * parallelism / maxParallelism;
}这就是keyBy()算子底层所采用的StreamPartitioner，可见是先在key值的基础上经过了两重哈希得到key对应的哈希值，第一重是Java自带的hashCode()，第二重则是MurmurHash。然后将哈希值乘以算子并行度，并除以最大并行度，得到最终的分区ID。
看官可能会觉得上面的代码有点眼熟，其实它们在之前讲解Key Group机制时出现过，详情参见这篇文章。
BroadcastPartitioner
// dataStream.broadcast()
@Override
public int selectChannel(SerializationDelegate<StreamRecord<T>> record) {
throw new UnsupportedOperationException("Broadcast partitioner does not support select channels.");
}
@Override
public boolean isBroadcast() {
return true;
}BroadcastPartitioner是广播流专用的分区器。由于广播流发挥作用必须靠DataStream.connect()方法与正常的数据流连接起来，所以实际上不需要BroadcastPartitioner来选择分区（广播数据总会投递给下游算子的所有并发），selectChannel()方法也就不必实现了。细节请参见Flink中BroadcastStream相关的源码，这里就不再列举了。
RescalePartitioner
private int nextChannelToSendTo = -1;
// dataStream.rescale()
@Override
public int selectChannel(SerializationDelegate<StreamRecord<T>> record) {
if (++nextChannelToSendTo >= numberOfChannels) {
nextChannelToSendTo = 0;
}
return nextChannelToSendTo;
}这个看起来也太简单了，并且与RebalancePartitioner的逻辑是相同的？实际上并不是。我们看看StreamingJobGraphGenerator类，它负责把Flink执行计划中的StreamGraph（逻辑执行计划）转换为JobGraph（优化的逻辑执行计划）。其connect()方法中有如下代码。
if (partitioner instanceof ForwardPartitioner || partitioner instanceof RescalePartitioner) {
jobEdge = downStreamVertex.connectNewDataSetAsInput(
headVertex,
DistributionPattern.POINTWISE,
resultPartitionType);
} else {
jobEdge = downStreamVertex.connectNewDataSetAsInput(
headVertex,
DistributionPattern.ALL_TO_ALL,
resultPartitionType);粗略地讲，如果分区逻辑是RescalePartitioner或ForwardPartitioner（下面会说），那么采用POINTWISE模式来连接上下游的顶点，对于其他分区逻辑，都用ALL_TO_ALL模式来连接。看下面两张图会比较容易理解。
也就是说，POINTWISE模式的RescalePartitioner在中间结果传送给下游节点时，会根据并行度的比值来轮询分配给下游算子实例的子集，对TaskManager来说本地性会比较好。而ALL_TO_ALL模式的RebalancePartitioner是真正的全局轮询分配，更加均衡，但是就会不可避免地在节点之间交换数据，如果数据量大的话，造成的网络流量会很可观。
ForwardPartitioner
// dataStream.forward()
@Override
public int selectChannel(SerializationDelegate<StreamRecord<T>> record) {
return 0;
}与GlobalPartitioner的实现相同。但通过上面对POINTWISE和ALL_TO_ALL连接模式的讲解，我们能够知道，它会将数据输出到本地运行的下游算子的第一个实例，而非全局。在上下游算子的并行度相同的情况下，默认就会采用ForwardPartitioner。反之，若上下游算子的并行度不同，默认会采用前述的RebalancePartitioner。
CustomPartitionerWrapper
Partitioner<K> partitioner;
KeySelector<T, K> keySelector;
// dataStream.partitionCustom()
@Override
public int selectChannel(SerializationDelegate<StreamRecord<T>> record) {
K key;
try {
key = keySelector.getKey(record.getInstance().getValue());
} catch (Exception e) {
throw new RuntimeException("Could not extract key from " + record.getInstance(), e);
}
return partitioner.partition(key, numberOfChannels);
}这就是自定义的分区逻辑了，我们可以通过继承Partitioner接口自己实现，并传入partitionCustom()方法。举个简单的栗子，以key的长度做分区：
sourceStream.partitionCustom(new Partitioner<String>() {
@Override
public int partition(String key, int numPartitions) {
return key.length() % numPartitions;
}
}, 0);
