1、架构设计
架构设计图
- 分层设计说明(相关术语解释)
- 物理部署层-deploy层
- 负责解决Flink的部署模式问题,
- 支持多种部署模式:本地部署、集群部署(Standalone/Yarn/Mesos)、云(GCE/EC2)以及kubernetes。
- 通过该层支持不同平台的部署,用户可以根据自身场景和需求选择使用对应的部署模式。
- Runtime核心层
- 是Flink分布式计算框架的核心实现层,负责对上层不同接口提供基础服务。
- 支持分布式Stream作业的执行、JobGraph到ExecutionGraph的映射转换以及任务调度等。
- 将DataStream和DataSet转成统一的可执行的Task Operator,达到在流式计算引擎下同时处理批量计算和流式计算的目的。
- API & Libraries层
- 负责更好的开发用户体验,包括易用性、开发效率、执行效率、状态管理等方面。
- Flink同时提供了支撑流计算和批处理的接口,同时在这基础上抽象出不同的应用类型的组件库,如:
- 基于流处理的CEP(ComplexEvent Process,复杂事件处理库)
- Table & Sql库
- 基于批处理的FlinkML(ML,machine learning)(机器学习库)
- 图处理库(Gelly,凝胶-凝冻,取其意是指图是各个事务的统一整合体抽象)
- API层包括两部分
- 流计算应用的DataStream API 批处理应用的DataSet API 统一的API,方便用于直接操作状态和时间等底层数据
- 提供了丰富的数据处理高级API,例如Map、FllatMap操作等, 并提供了比较低级的Process Function API
- 负责更好的开发用户体验,包括易用性、开发效率、执行效率、状态管理等方面。
- 物理部署层-deploy层
2、运行模式
- 运模模式核心区分点
- 集群生命周期和资源隔离保证
- 应用程序的main()方法是在客户端还是在集群上执行
- 所有模式分类
- 本地运行模式-local
- standalone模式-独立Flink集群
- 集群运行模式
- 经常是指flink on yarn集群模式,yarn也可以换成mesos,Kubernetes(k8s)等资源管理平台替换。
- 共3种:
- session模式
- per-job模式
- application模式
- 本地运行模式
- 运行过程:一个机器启动一个进程的多线程来模拟分布式计算。
- 主要用于代码测试
- 基于流处理的CEP(ComplexEvent Process,复杂事件处理库)
- standalone模式
- 运行过程:完全独立的Flink集群的模式,各个环节均Flink自己搞定。并没有yarn、mesos的统一资源调度平台。
- 主要是只有纯Flink纯计算的场景,商用场景极少。
- 集群运行模式
- Flink Session 集群(会话模式)
- 集群生命周期:
- 在 Flink Session 集群中,客户端连接到一个预先存在的、长期运行的集群,该集群可以接受多个作业提交。即使所有作业完成后,集群(和 JobManager)仍将继续运行直到手动停止 session 为止。因此,Flink Session 集群的寿命不受任何 Flink 作业寿命的约束。
- 资源隔离:
- TaskManager slot 由 ResourceManager 在提交作业时分配,并在作业完成时释放。由于所有作业都共享同一集群,因此在集群资源方面存在一些竞争 — 例如提交工作阶段的网络带宽。此共享设置的局限性在于,如果 TaskManager 崩溃,则在此 TaskManager 上运行 task 的所有作业都将失败;再比如,如果 JobManager 上发生一些致命错误,它将影响集群中正在运行的所有作业。
- 其他注意事项:
- 拥有一个预先存在的集群可以节省大量时间申请资源和启动 TaskManager。有种应用场景很重要,即启动任务时间长但运行时间比较短的场景,即对端到端的用户体验有较大的好处,能够提升用户体验— 就像对简短查询的交互式分析一样,希望作业可以使用现有资源快速执行计算。
- Flink Session 集群也被称为 session 模式下的 Flink 集群。
- 工作模式
- 附加模式(默认)
- 特点
- 客户端与Flink作业集群相互同步
- 细节描述
- yarn-session.sh客户端将 Flink 集群提交给 YARN,但客户端保持运行,跟踪集群的状态。
- 如果集群失败,客户端将显示错误。如果客户端被终止,它也会通知集群关闭。
- 分离模式(-d或–detached)
- 特点
- 客户端与Flink作业集群相互异步,客户端提交完成后即可退出
- 细节描述
- yarn-session.sh客户端将Flink集群提交给YARN,然后客户端返回。
- 需要再次调用客户端或 YARN 工具来停止 Flink 集群。
- 特点
- 特点
- 附加模式(默认)
- 工作流程特征说明
- 多个不同的FlinkJob向同一个Flink Session会话上提交作业,由这一个统一的FlinkSession管理所有的Flink作业。
- 工作流程示意图
- 官方示例图
- 经典解析图
- 集群生命周期:
- Flink Job 集群(per-job模式)
- 集群生命周期:
- 在 Flink Job 集群中,可用的集群管理器(例如 YARN)用于为每个提交的作业启动一个集群,并且该集群仅可用于该作业。在这里客户端首先从集群管理器请求资源启动 JobManager,然后将作业提交给在这个进程中运行的 Dispatcher。然后根据作业的资源请求惰性的分配 TaskManager。一旦作业完成,Flink Job 集群将被拆除。
- 资源隔离:
- JobManager 中的致命错误仅影响在 Flink Job 集群中运行的一个作业。
- 其他注意事项:
- 由于 ResourceManager 必须应用并等待外部资源管理组件来启动 TaskManager 进程和分配资源,所以其实时计算性并没有session模式强,因此 Flink Job 集群更适合长期运行、具有高稳定性要求且对较长的启动时间不敏感的大型作业。
- Flink Job 集群也被称为 job (or per-job) 模式下的 Flink 集群。
- 工作流程特征说明
- 多个不同的FlinkJob向各自由统一资源管理器(Yarn)生成的专用Flink Session会话上提交作业,由作业所属的FlinkSession管理自己的Flink作业。
- 官方示例图
- 经典工作流程示意图
- 集群生命周期:
- Flink Application 集群(应用模式)
- 集群生命周期:
- Flink Application 集群是与Flink作业执行直接相关的运行模式,并且 main()方法在集群上而不是客户端上运行。
- 提交作业是一个单步骤过程:
- 无需先启动 Flink 集群,然后将作业提交到现有的 session 集群。
- 而是,将应用程序逻辑和依赖打包成一个可执行的作业 JAR 中,由入口机客户端提交jar包和相关资源到hdfs当中。
- 然后由调度启动的集群当中JobManager来拉取已由上一步上传完成的运行代码所需要的所有资源。如果有JobManager HA设置的话,将会同时启动多个JobManager作HA保障,此时将面临JobManager的选择,最终由一个胜出的JobManager作为Active进程推进下边的执行。
- 并由运行JobManager进程的集群入口点节点机器(ApplicationClusterEntryPoint)负责调用 main()方法来提取 JobGraph,即作为用户程序的解析和提交的客户端程序与集群进行交互,直到作业运行完成。
- 另外,如果一个main()方法中有多个env.execute()/executeAsync()调用,在Application模式下,这些作业会被视为属于同一个应用,在同一个集群中执行(如果在Per-Job模式下,就会启动多个集群)
- 该模式也允许我们像在 Kubernetes 上部署任何其他应用程序一样部署 Flink 应用程序。
- 因此,Flink Application 集群的寿命与 Flink 应用程序的寿命有关。
- 资源隔离:
- 在 Flink Application 集群中,ResourceManager 和 Dispatcher 作用于单个的 Flink 应用程序,相比于 Flink Session 集群,它提供了更好的隔离。
- Flink Job 集群可以看做是 Flink Application 集群”客户端运行“的替代方案。
- 该模式为yarn session和yarn per-job模式的折中选择。
- 工作流程特征说明
- 将各个环节更进一步进行专用化处理,相当于每个FlinkJob都有一套专用的服务角色进程。
- 官方示例图
- 经典工作流程示意图
- 集群生命周期:
- Flink Session 集群(会话模式)
- 总结
- 应用场景
- 本地布署模式:demo、代码测试场景。
- Session模式:集群资源充分、频繁任务提交、小作业居多、实时性要求高的场景。(该模式较少)
- Per-Job模式:作业少、大作业、实时性要求低的场景。
- Application模式:实时性要求不太高、安全性有一定要求均可以使用,普遍适用性最强。
- 生产环境使用说明
- 一般建议用per-job或是application模式,提供了更好的资源隔离性和安全性。
- 应用场景
3、运行流程
- 3.1) 运行时核心角色组成
- 由两种类型的进程组成,一个JobManager和一个或者多个TaskManager。
- 工作流程图
- 补充说明
- Client 客户端不是运行时和程序执行的一部分,而是用于准备数据流并将其发送给 JobManager。
- 提交任务完成之后,此时Client可以断开连接(分离模式),或保持连接来接收进程报告(附加模式)。
- Client可以作为触发执行 Java/Scala 程序的一部分运行,也可以在命令行进程./bin/flink run …中运行。
- 可以通过多种方式启动 JobManager 和 TaskManager:直接在机器上作为standalone 集群启动、在容器中启动、或者通过YARN或Mesos等资源框架管理并启动。TaskManager 连接到 JobManagers,宣布自己可用,并被分配工作。
- actor system
- 各个角色组件互相通信的消息传递系统中间件。
- actor是一种并发编程模型,与另一种模型共享内存完全相反,Actor模型share nothing,即没有任何共享。
- 所有的线程(或进程)通过消息传递的方式进行合作(通信),这些线程(或进程)称为Actor。
- 以其简单、高效著称
- 缺点
- 唯一的缺点是不能实现真正意义上的并行, 而是通过并发实现的并行效果,会存在一定的不确定性。
- 纯消息通信,实时性和粒度控制上会略弱于共享内存的方式。
- 核心组成角色剖析
- JobManager
- JobManager 具有许多与协调 Flink 应用程序的分布式执行有关的职责:它决定何时调度下一个 task(或一组 task)、对完成的 task 或执行失败做出反应、协调 checkpoint、并且协调从失败中恢复等等。这个进程由三个不同的组件组成:
- ResourceManager
- ResourceManager 负责 Flink 集群中的资源提供、回收、分配 - 它管理 task slots,这是 Flink 集群中资源调度的最小单位。Flink 为不同的环境和资源提供者(例如 YARN、Mesos、Kubernetes 和 standalone 部署)实现了对应的 ResourceManager。在 standalone 设置中,ResourceManager 只能分配可用 TaskManager 的 slots,而不能自行启动新的 TaskManager。
- Dispatcher
- Dispatcher 提供了一个 REST 接口,用来提交 Flink 应用程序执行,并为每个提交的作业启动一个新的 JobMaster。它还运行 Flink WebUI 用来提供作业执行信息。
- JobMaster
- JobMaster 负责管理单个JobGraph的执行。Flink 集群中可以同时运行多个作业,每个作业都有自己的 JobMaster。
- 始终至少有一个 JobManager。高可用(HA)设置中可能有多个 JobManager,其中一个始终是 leader,其他的则是 standby。
- ResourceManager
- JobManager 具有许多与协调 Flink 应用程序的分布式执行有关的职责:它决定何时调度下一个 task(或一组 task)、对完成的 task 或执行失败做出反应、协调 checkpoint、并且协调从失败中恢复等等。这个进程由三个不同的组件组成:
- TaskManager
- TaskManager(也称为 worker)执行作业流的 task,并且缓存和交换数据流。
- 必须始终至少有一个 TaskManager。在 TaskManager 中资源调度的最小单位是 task slot。TaskManager 中 task slot 的数量表示并发处理 task 的数量。请注意一个 task slot 中可以执行多个算子。
- JobManager
- 3.2)Yarn模式提交任务的工作流程
- 工作流程图(Flink-Application运行模式)