开源交流丨批流一体数据集成框架ChunJun数据传输模块详解分享

飞奔的炮台

课件获取：关注公众号“ChunJun”，后台私信 “课件” 获得直播课件
视频回放：点击这里
ChunJun开源项目地址：github 丨 gitee 喜欢我们的项目给我们点个__ STAR！STAR！！STAR！！！（重要的事情说三遍）__
技术交流钉钉 qun：30537511
本期我们带大家回顾一下六六同学的直播分享《ChunJun数据传输模块介绍》。
一、ChunJun数据类型转换
1、类型转换解决的问题
大家一听到「ChunJun数据类型转换」这个概念，可能会联想到上下游之间进行数据交互时会涉及到的隐式转换。如果上游和下游数据类型一致，则不需要对数据进行任何干预，直接进行下发即可。
但是大多数情况下会涉及到两个问题，一是上游的数据源类型和下游的数据源类型不一致。比如MySql的varchar类型要写到HdfsOrc文件里的string类型的话，在上游的表示是varchar，在下游的表示是string，但实际上中间段java的类型都是string。
另外一种情况则是，上下游之间不止数据源类型不一样，数据类型也不一样，除了要做类型的映射之外，还需要对数据本身进行改动。比如，MySql的date类型要写到下游timestamp类型，我们需要进行的操作是把date中的毫秒级的时间戳拿出来，转换成timestamp的类型，再往下游去写。
这样就引出了一个问题，如何建立所有数据源类型之间的映射/转换关系？下面将为大家解答这个问题。

2、类型映射概览
· client端：在Factory类中通过RawConverter类建立映射关系
· source端：将数据封装成AbstractBaseColumn
· sink端：通过AbstractBaseColumn中的转换方法将数据转换成对应类型

ChunJun目前支持的数据类型映射关系图如下：

3、类型映射详解
以Timestamp为例，如果要写入到Long类型的话，根据上文展示的ChunJun数据类型映射关系图，最终映射到TimestampColumn中，具体流程如下图：

上面这个例子描述的是一个单独的字段，正常情况下，会处理多个字段，这时的类型映射详解情况如下图：

as方法就是数据类型转换的方法。使用这个机制之后，在下游可以只关心需要的数据类型，增加开发效率。

二、ChunJun数据传输过程
了解完ChunJun数据类型转换后，我们来为大家分享ChunJun的数据传输过程。
1、上下游数据传输方式
在ChunJun中进行同步作业，有两种情况，一是算子链打开的情况，上游的Source和下游的Sink会被合并成一个task，有同一个线程去做调度；二是把算子链进行关闭，Source和Sink各自形成一个task，也有各自的线程去进行调度。
在算子链打开的情况下，上下游数据传输方式可分为两种，对象重用和拷贝。
● 对象重用
· 上下游数据传输使用方法调用的形式，将上游产生的数据的对象引用直接交给下游
· 上下游算子需要形成算子链，作业开启对象重用
· env.getConfig().enableObjectReuse();
● 拷贝
· 上游传输给下游的数据，需要经过一次深拷贝
· 上下游算子需要形成算子链
算子链的好处是可以减少序列化的操作，那么为什么我们还要引入序列化呢？因为ChunJun的特殊性。ChunJun同步作业的话，只有上下游两个算子，且都对接了正式的数据源，读写的时候会导致线程堵塞。因此上限由网络io决定，如果断开算子链，cpu会在一端线程阻塞的时候切换到另外一端。在序列化的性能较高时，线程上下文切换带来的性能下降完全可以被弥补。
经过测试，序列化的性能比对象重用和拷贝高30%左右。
● 序列化
· 上下游数据传输依赖于网络传输。上游数据进行序列化成byte数组后进行网络传输，下游收到数据后需要进行反序列化
· 上下游之间不形成算子链

知道要做序列化后，会产生一些思考，带着这些疑问，接着往下看。
· 序列化和反序列化在什么时候发生？
· Flink支持哪些序列化？
· 序列化是怎么做的？
· 怎么找到适合的序列化方式？
· 如何实现自定义的序列化？
2、序列化传输过程
下图是ChunJun在进行序列化操作时的数据传输链路图：

3、DataOutView

4、TypeInformation介绍

5、kryo序列化&BaseSerializer
同样是序列化一个int对象，对kryo来说，首先需要知道它的类型，然后从高位到低位依次去写入。
DataOutputView则是直接调用一个writeInt的方法，写一句关键代码即可：
UNSAFE.putInt(
this.buffer,
BASE_OFFSET + this.position, v);

三、ChunJun序列化实现
1、ColumnRowData序列化过程
ColumnRowData序列化过程采取标志位+实际数据的方式，具体流程如下图：

相对于kryo的序列化来说：
· 实现了更密集的存储
· 兼容null值
· 减少了不必要的数据传输
2、BinaryRowData结构

因为数据区一格只占8个字节，且每个index只能占到一位，所以肯定存在一些没法存储在8字节范围之内的数据，可变长度部分就是用来存放数据区无法存放的数据。

3、BinaryRowData-setNull操作
看到上文的null值判断区，有些同学可能会好奇这是什么，又是怎么进行操作的。下图将对一个下标为11的数据去做setnull操作，进行简单介绍：

4、BinaryRowData数据存储方式

袋鼠云开源框架钉钉技术交流群（30537511），欢迎对大数据开源项目有兴趣的同学加入交流最新技术信息，开源项目库地址：https://github.com/DTStack