Flink实战二 Flink的基本架构和原理

组件栈

API & Libraries层

基于流处理的：CEP（复杂事件处理库）、SQL&Table库

基于批处理的：FlinkML（机器学习库）、GElly（图处理库）等

API层： DataStream API（流计算）、DataSet API（批计算）

Core层

支持分布式Stream作业的执行、JobGraph到ExecutionGraph的映射转换、任务调度等。将DataStream 和 DataSet 转换成统一的可执行的Task Operator，达到在流引擎下同时处理批量计算和流计算。

Deploy层

支持本地、集群（Standalone/yarn）、云（GCE/EC2）、Kubernetes、Mesos 不同平台部署。

 

基本架构

Flink主要由两个组件组成Jobmanager和TaskManager，Jobmanager为master节点，TaskManager为worker（slave）节点。所有组件之间用Akka进行通信，包括任务的状态和Checkpoint触发等。

Client 客户端

通过Actor System（Akka）连接JobManager，然后将任务提交到JobManager，获取任务执行状态。

JobManager(Master)

负责整个集群的任务调度以及资源管理。获取客户端提交的任务，根据TaskManager上的TaskSlot使用情况，为提交的任务分配相应的TaskSlots资源并命令TaskManager启动从客户端中提交的任务。JobManager会触发Checkpoints，由TaskManager完成Checkpoint操作。JobManager将任务执行的信息反馈给客户端，并释放资源。

TaskManager(Worker)

负责具体的任务执行和对应任务在每个节点上资源申请与管理。TaskManager接受JobManager提交的任务，然后使用Task Slot启动task，开始执行数据处理。

 

参考以下资料：

https://flink.apache.org/

https://github.com/apache/flink