是否可以将 Riak CS 与 Apache Flink 一起使用？

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: ???

正如你所看到的，我应该指定checkpointdir and storageDir参数，但我没有 Apache Flink 支持的任何文件系统（例如 HDFS 或 Amazon S3）。但我已经安装了Riak CS集群（好像是这样兼容S3 http://docs.basho.com/riakcs/latest/).

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 与 Riak CS 配合使用？

答：如何加入 Apache Flink 和 Riak CS？

Riak CS 具有 S3（版本 2）兼容接口。因此，可以使用 Hadoop 的 S3 文件系统适配器与 Riak CS 配合使用。

我不知道为什么，但 Apache Flink 在 fat jar 中只有部分 Hadoop 文件系统适配器（lib/flink-dist_2.11-1.0.1.jar）即它有 FTP 文件系统（org.apache.hadoop.fs.ftp.FTPFileSystem）但没有 S3 文件系统（即org.apache.hadoop.fs.s3a.S3AFileSystem）。所以，你有两种方法来解决这个问题：

• 使用 Hadoop 安装中的这些适配器。我没有尝试这个，但似乎你应该只配置 HADOOP_CLASSPATH 或 HADOOP_HOME evn 变量。
• Monky 修补 Apache Flink 并下载所需的 JAR<flink home>/lib目录

因此，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 或互联网复制 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

正如你所看到的，我使用的是旧版本，因为这个版本在 Hadoop 2.7.2 中使用，并且我使用与这个版本的 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，此类 hack 可能会导致问题。为了避免与不同版本相关的问题，您可以在使用流构建 fat jar 时重新定位包，使用类似的东西（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'
}

然后你应该指定路径core-site.xml in flink-conf.yaml因为 Hadoop 兼容文件系统使用此配置来加载设置：

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

正如你所看到的，我只是把它放在<fink home>/conf目录。它有以下设置：

<?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>

然后你应该配置 Riak CS 存储桶flink-conf.yaml作为推荐人here https://ci.apache.org/projects/flink/flink-docs-release-1.0/setup/jobmanager_high_availability.html#standalone-cluster-high-availability:

...
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。我在用s3cmd（安装在brew在我的 OS X 开发环境中）：

s3cmd mb s3://example-staging-flink

仅供参考：使用前s3cmd你应该配置它使用s3cmd --configure然后修复一些设置~/.s3cmd file:

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

因此，这就是您在 Riak CS 中为独立 HA Apache Flink 集群的保存/恢复状态应该配置的所有内容。