接上一篇 Flink (三) Flink 的安装和部署- -Standalone模式
3. Flink 提交到 Yarn
Flink on Yarn 模式的原理是依靠 YARN 来调度 Flink 任务,目前在企业中使用较多。这种模式的好处是可以充分利用集群资源,提高集群机器的利用率,并且只需要 1 套 Hadoop集群,就可以执行 MapReduce 和 Spark 任务,还可以执行 Flink 任务等,操作非常方便,不需要维护多套集群,运维方面也很轻松。Flink on Yarn 模式需要依赖 Hadoop 集群,并且Hadoop 的版本需要是 2.2 及以上。我们的课程里面选择的 Hadoop 版本是 2.7.2。
Flink On Yarn 的内部实现原理:
a、 当启动一个新的 Flink YARN Client 会话时,客户端首先会检查所请求的资源(容器和内存)是否可用。之后,它会上传 Flink 配置和 JAR 文件到 HDFS。
b、 客 户 端的 下 一 步是 请 求 一个 YARN 容 器 启动 ApplicationMaster 。 JobManager 和ApplicationMaster(AM)运行在同一个容器中,一旦它们成功地启动了,AM 就能够知道
JobManager 的地址,它会为 TaskManager 生成一个新的 Flink 配置文件(这样它才能连上 JobManager),该文件也同样会被上传到 HDFS。另外,AM 容器还提供了 Flink 的Web 界面服务。Flink 用来提供服务的端口是由用户和应用程序 ID 作为偏移配置的,这使得用户能够并行执行多个 YARN 会话。
c、 之后,AM 开始为 Flink 的 TaskManager 分配容器(Container),从 HDFS 下载 JAR 文件和修改过的配置文件。一旦这些步骤完成了,Flink 就安装完成并准备接受任务了。
Flink on n Yarn 模式在使用的时候又可以分为两种 :
第 1 种模式(Session-Cluster):是在 YARN 中提前初始化一个 Flink 集群(称为 Flink yarn-session),开辟指定的资源,以后的 Flink 任务都提交到这里。这个 Flink 集群会常驻在 YARN 集群中,除非手工停止。这种方式创建的 Flink 集群会独占资源,不管有没有 Flink 任务在执行,YARN 上面的其他任务都无法使用这些资源。
第 2 种模式(Per-Job-Cluster):每次提交 Flink 任务都会创建一个新的 Flink 集群,每个 Flink 任务之间相互独立、互不影响,管理方便。任务执行完成之后创建的 Flink集群也会消失,不会额外占用资源,按需使用,这使资源利用率达到最大,在工作中推荐使用这种模式。
注意:Flink on Yarn 还需要两个先决条件:
a、 配置 Hadoop 的环境变量
b、 下载 Flink 提交到 Hadoop 的连接器(jar 包),并把 jar 拷贝到 Flink 的 lib 目录下
1) Session-Cluster 模式( yarn-session )
1 先启动 Hadoop 集群,然后通过命令启动一个 Flink 的 yarn-session 集群:
bin/yarn-session.sh -n 3 -s 3 -nm bjsxt -d
其中 yarn-session.sh 后面支持多个参数。下面针对一些常见的参数进行讲解:
a、 -n,--container <arg> 表示分配容器的数量(也就是 TaskManager 的数量)。
b、 -D <arg> 动态属性。
c、 -d,--detached 在后台独立运行。
d、 -jm,--jobManagerMemory <arg>:设置 JobManager 的内存,单位是 MB。
e、 -nm,--name:在 YARN 上为一个自定义的应用设置一个名字。
f、 -q,--query:显示 YARN 中可用的资源(内存、cpu 核数)。
g、 -qu,--queue <arg>:指定 YARN 队列。
h、 -s,--slots <arg>:每个 TaskManager 使用的 Slot 数量。
r、 -tm,--taskManagerMemory <arg>:每个 TaskManager 的内存,单位是 MB。
j、 -z,--zookeeperNamespace <arg>:针对 HA 模式在 ZooKeeper 上创建 NameSpace。
k、 -id,--applicationId <yarnAppId>:指定 YARN 集群上的任务 ID,附着到一个后台独立运行的 yarn session 中。
2 查看 WebUI: 由于还没有提交 Flink job,所以都是 0。
这个时候注意查看本地文件系统中有一个临时文件。有了这个文件可以提交 job 到 Yarn
3 提交 Job : 由于有了之前的配置,所以自动会提交到 Yarn 中。
bin/flink run -c com.bjsxt.flink.StreamWordCount /home/Flink-Demo-1.0-SNAPSHOT.jar
至此第一种模式全部完成。
2) Pre-Job-Cluster 模式(yarn-cluster)
这种模式下不需要先启动 yarn-session。所以我们可以把前面启动的 yarn-session 集群先停止,停止的命令是:
yarn application -kill application_1576832892572_0002
//其中 application_1576832892572_0002 是ID
确保 Hadoop 集群是健康的情况下直接提交 Job 命令:
bin/flink run -m yarn-cluster -yn 3 -ys 3 -ynm bjsxt02 -c
com.bjsxt.flink.StreamWordCount /home/Flink-Demo-1.0-SNAPSHOT.jar
可以看到一个全新的 yarn-session
任务提交参数讲解:相对于 Yarn-Session 参数而言,只是前面加了 y。
a、 -yn,--container <arg> 表示分配容器的数量,也就是 TaskManager 的数量。
b、 -d,--detached:设置在后台运行。
c、 -yjm,--jobManagerMemory<arg>:设置 JobManager 的内存,单位是 MB。
d、 -ytm,--taskManagerMemory<arg>:设置每个 TaskManager 的内存,单位是 MB。
e、 -ynm,--name:给当前 Flink application 在 Yarn 上指定名称。
f、 -yq,--query:显示 yarn 中可用的资源(内存、cpu 核数)
g、 -yqu,--queue<arg> :指定 yarn 资源队列
h、 -ys,--slots<arg> :每个 TaskManager 使用的 Slot 数量。
i、 -yz,--zookeeperNamespace<arg>:针对 HA 模式在 Zookeeper 上创建 NameSpace
j、 -yid,--applicationID<yarnAppId> : 指定 Yarn 集群上的任务 ID,附着到一个后台独立运行的 Yarn Session 中。
4. Flink 的 的 HA
默认情况下,每个 Flink 集群只有一个 JobManager,这将导致单点故障(SPOF),如果这个 JobManager 挂了,则不能提交新的任务,并且运行中的程序也会失败。使用JobManager HA,集群可以从 JobManager 故障中恢复,从而避免单点故障。用户可以在Standalone 或 Flink on Yarn 集群模式下配置 Flink 集群 HA(高可用性)。
Standalone 模式下,JobManager 的高可用性的基本思想是,任何时候都有一个 Alive JobManager 和多个 Standby JobManager。Standby JobManager 可以在 Alive JobManager挂掉的情况下接管集群成为 Alive JobManager,这样避免了单点故障,一旦某一个 StandbyJobManager 接管集群,程序就可以继续运行。Standby JobManagers 和 Alive JobManager实例之间没有明确区别,每个 JobManager 都可以成为 Alive 或 Standby。
1) Flink Standalone 集群的 HA 安装和配置( 目前测试 1.9 版本有 bug)
实现 HA 还需要依赖 ZooKeeper 和 HDFS,因此要有一个 ZooKeeper 集群和 Hadoop 集群,
首先启动 Zookeeper 集群和 HDFS 集群。我们的课程中分配 3 台 JobManager,如下表:
hadoop101 | hadoop102 | hadoop103 |
JobManager | JobManager | JobManager |
TaskManager | TaskManager | TaskManager |
1 修改配置文件 conf/masters
2 修改配置文件 conf/flink-conf.yaml
#要启用高可用,设置修改为zookeeper
high-availability: zookeeper
#Zookeeper的主机名和端口信息,多个参数之间用逗号隔开
high-availability.zookeeper.quorum:
hadoop103:2181,hadoop101:2181,hadoop102:2181
# 建议指定HDFS的全路径。如果某个Flink节点没有配置HDFS的话,不指定HDFS的全路径则无法识到,storageDir存储了恢复一个JobManager所需的所有元数据。
high-availability.storageDir: hdfs://hadoop101:9000/flink/h
3 把修改的配置文件拷贝其他服务器中
[root@hadoop101 conf]# scp masters flink-conf.yaml root@hadoop102:`pwd`
[root@hadoop101 conf]# scp masters flink-conf.yaml root@hadoop103:`pwd`
4 启动集群
版本问题:目前使用 Flink1.7.1 版本测试没有问题,使用 Flink1.9 版本存在 HA 界面不能自动跳转到对应的 Alive JobManager 的现象。
2) Flink On Yarn HA 安装和配置
正常基于 Yarn 提交 Flink 程序,无论是使用 yarn-session 模式还是 yarn-cluster 模式 , 基 于 yarn 运 行 后 的 application 只 要 kill 掉 对 应 的 Flink 集 群 进 程“YarnSessionClusterEntrypoint”后,基于 Yarn 的 Flink 任务就失败了,不会自动进行重试,所以基于 Yarn 运行 Flink 任务,也有必要搭建 HA,这里同样还是需要借助 zookeeper来完成,步骤如下:
1 修改所有 Hadoop 节点的 yarn-site.xml
将所有 Hadoop 节点的 yarn-site.xml 中的提交应用程序最大尝试次数调大
#在每台hadoop节点yarn-site.xml中设置提交应用程序的最大尝试次数,建议不低于4,这里重试指的是ApplicationMaster
<property>
<name>yarn.resourcemanager.am.max-attempts</name>
<value>4</value>
</property>
2 启动 Hadoop 集群
启动 zookeeper,启动 Hadoop 集群。
3 修改 Flink 对应 flink-conf.yaml 配置
配置对应的 conf 下的 flink-conf.yaml,配置内容如下:
#配置依赖zookeeper模式进行HA搭建 high-availability: zookeeper #配置JobManager原数据存储路径 high-availability.storageDir: hdfs://hadoop101:9000/flink/yarnha/ #配置zookeeper集群节点 high-availability.zookeeper.quorum: hadoop101:2181,hadoop102:2181,hadoop103:2181 #yarn停止一个application重试的次数 yarn.application-attempts: 10 |
4 启动 yarn-session.sh 测试 HA: yarn-session.sh -n 2 ,也可以直接提交 Job启动之后,可以登录 yarn 中对应的 flink webui,如下图示:
点击对应的 Tracking UI,进入 Flink 集群 UI:
查看对应的 JobManager 在哪台节点上启动:
进入对应的节点,kill 掉对应的“YarnSessionClusterEntrypoint”进程。然后进入到 Yarn中观察“applicationxxxx_0001”job 信息:
点击 job ID,发现会有对应的重试信息:
点击对应的“Tracking UI”进入到 Flink 集群 UI,查看新的 JobManager 节点由原来的hadoop103 变成了 hadoop101,说明 HA 起作用。
5. Flink 并行度和 Slot
Flink中每一个worker(TaskManager)都是一个JVM进程,它可能会在独立的线程(Solt)上执行一个或多个 subtask。Flink 的每个 TaskManager 为集群提供 Solt。Solt 的数量通常与每个 TaskManager 节点的可用 CPU 内核数成比例,一般情况下 Slot 的数量就是每个节点的 CPU 的核数。
Slot 的 数 量 由 集 群 中 flink-conf.yaml 配 置 文 件 中 设 置taskmanager.numberOfTaskSlots 的值为 3,这个值的大小建议和节点 CPU 的数量保持一致。
一个任务的并行度设置可以从 4 个层面指定:
a、Operator Level(算子层面)。
b、 Execution Environment Level(执行环境层面)。
c、 Client Level(客户端层面)。
d、 System Level(系统层面)。
这 些 并 行 度 的 优 先 级 为 Operator Level>Execution Environment Level>Client Level>System Level。
1) 并行度设置之 Operator Level
Operator、Source 和 Sink 目的地的并行度可以通过调用 setParallelism()方法来指定
2) 行度设置之 Execution Environment Level
任务的默认并行度可以通过调用 setParallelism()方法指定。为了以并行度 3 来执行所有的 Operator、Source 和 Sink,可以通过如下方式设置执行环境的并行度
3) 并行度设置之 Client Level
并行度还可以在客户端提交 Job 到 Flink 时设定。对于 CLI 客户端,可以通过-p 参数指定并行度。
4) 并行度设置之 System Level
在系统级可以通过设置flink-conf.yaml文件中的parallelism.default属性来指定所有执行环境的默认并行度。
5) 并行度 案例分析
Flink 集群中有 3 个 TaskManager 节点,每个 TaskManager 的 Slot 数量为 3