Flink

1.概念

• 用Java和Scala编写的流处理框架和分布式处理引擎
• 对于无界和有界数据流进行有状态计算（无界，实时、有界，离线 批处理数据）
• 在所有常见集群环境运行，以内存速度和任何规模执行计算
  • 达到实时流处理引擎全部标准要求（低延迟、高吞吐量、容错性、窗口时间语义化）
• 实时和批处理数据过程，抽象成三个过程 Source->Transform->Sink

2.架构设计

物理部署层-deploy层

• 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。

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（Complex Event Process,复杂事件处理库）
  • Table & Sql库
  • 基于批处理的FlinkML（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

2.1.运行模式

区分点：main()方法是在客户端还是在集群上执行
运行模式分类：

• 本地运行模式-local（一机器一进程的多线程模拟分布式计算）
• standalone模式-独立Flink集群（各模式由Flink自己搞）
• 集群运行模式
  1. Flink Session集群（会话模式）
     • 生命周期（预先存在，长期运行的集群，接收作业提交，完成后仍运行直到手动结束）
     • 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。）
     • 长预备短执行 场景（端到端用户体验有较大好处）
     • 工作模式（附加模式：客户端与Flink集群相互同步 分离模式：相互异步，客户端提交完成后即退出）
  2. Flink Job集群（per-job模式）
     • 生命周期（为每个提交的作业启动一个集群，该集群仅可用于该作业）
     • 资源隔离（仅影响Flink Job集群中运行的一个作业）
     • 时计算性没有session模式强、因此更适合长期运行。（高稳定性，对启动作业不敏感的大型作业）
  3. Flink Application集群（应用模式）
     • 生命周期（与Flink作业执行直接相关的运行模式，main()方法在集群上不在客户端）
       • 提交作业是一个单步骤过程：无需启动Flink集群，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中。因此，集群寿命与应用程序的寿命有关。
     • 资源隔离（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。）
     • 该模式为yarn session和yarn per-job模式的折中选择。

总结

• 本地：demo、代码测试场景
• Session：频繁任务提交、小作业居多、实时性要求高的场景。少
• Per-Job：作业少、大作业、实时性要求低的场景。
• Application：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。

3.运行流程图

1. 核心角色
   两种类型的进程组成，一个JobManager和一个或多个TaskManager。
2. actor system
   • 各个角色组件互相通信的消息传递系统中间件
   • 所有线程（进程）通过消息传递的方式进行合作（通信），这些线程称为Actor
   • 缺点：不能实现真正意义上的并行，而是通过并发实现并行。纯消息，实时性和粒度控制上略低于共享内存的方式
3. 核心组件

Job Manager：①何时调度下一个task ②task完成和失败做出反应 ③协调checkpoint
- ResourceManager
给Flink集群中的资源提供回收、分配它管理的task slots（Flink集群中资源调度最小单位）。只能分配可用TaskManaer的slots不能自行启动新的TaskManager。
- Dispatch：提供REST接口，用来提交Flink应用程序执行，为每个提交作业启动新的JobMaster。运行Flink WebUI提供作业执行信息。
- JobMaster：负责管理单个JobGraph的执行，集群可以同时运行多个作业，每个作业有自己的JobMaster。始终至少有一个JobManager。

TaskManager（worker）：执行作业流的task，且缓存和交换数据流。必须始终有一个TaskManager。

4.执行方式

• Flink实现离线数据DataSet版本的WordCount经典案例
  1. 创建Flink代码执行离线数据流上下文环境变量（ExecutionEnvironment）
  2. 定义本地文件系统当中文件路径
  3. 获取输入文件对应的DataSet对象（DataSet）
  4. 对数据集进行多个算子处理，按空白符号分词展开，并转换成(word, 1)二元组进行统计（DataSet<Tuple2<String, Integer>>）
  5. 打印

1. 传统 yarn jar方式执行

   • 优点：简单、易操作，和MapReduce一样
   • 缺点：仅支持local模式，将Flink依赖去掉provided，将依赖包全部打入，会很大。
   • 命令格式：yarn jar jarPath Main_class_args

2. Flink建议执行方式

   • 优点：支持与flink交互的所有方式，灵活强大。不用讲flin包打入，依赖包减小。
   • 缺点：复杂。下载编译flink源码包，执行下载flink发布包使用
   • https://flink.apache.org/zh/downloads.html。解压即可使用 tar -xzvf flink-1.13.1-bin-scala_2.11.tgz
   • 注意：是hadoop环境变量生效（1.设置到linux profile中 cat /etc/profile 2.先执行export命令，再执行flink代码）
   • fink的三种运行模式实践

1. yarn application运行方式
   - 首先，进入Flink安装路径$Flink_HOME。
   - run-application：即运行作业类型，专指flink application类型的作业类型。-t：指定运行模式，此处是指用yarn方式来运行flink application作业。-c: 指定入口主类。app.jar : 后边的上传的jar包。参数：最后的入参为传给入口主类的参数

./bin/flink run-application -t yarn-application 
-c com.tl.bigdata.flink.demo.FlinkWordCount4DataSet 
../FirstFlink-0.0.1-SNAPSHOT.jar hdfs:///user/zel/input.txt

2. yarn per-job运行方式

#设置不需要进行classloader leaked check,在配置文件路径设置./conf/flink-conf.yaml，有则修改，无则新加即可
#注意yaml参数文件修改，请在value前加上一个空格
classloader.check-leaked-classloader: false
./bin/flink run -t yarn-per-job  -c com.tl.bigdata.flink.demo.FlinkWordCount4DataSet ../FirstFlink-0.0.1-SNAPSHOT.jar hdfs:///user/zel/input.txt

3. yarn session运行方式
   先在yarn上提前启动flink session会话任务，并得到session task任务的yarn app-id

./bin/yarn-session.sh

#第1种提交： 多加入-t yarn-session参数，此时必须指定app-id参数，即提前启动的session作业任务id
./bin/flink run -t yarn-session -Dyarn.application.id=application_1627998129686_0475 -c com.tl.bigdata.flink.demo.FlinkWordCount4DataSet ../FirstFlink-0.0.1-SNAPSHOT.jar hdfs:///user/zel/input.txt
#第2种提交： 不加入-t yarn-session参数，则不需要手动指定app-id，其是自行寻找提前启动的session作业任务id
./bin/flink run -c com.tl.bigdata.flink.demo.FlinkWordCount4DataSet ../FirstFlink-0.0.1-SNAPSHOT.jar hdfs:///user/zel/input.txt

• 分离模式-detached模式

./bin/yarn-session.sh --detached

#第1种提交： 多加入-t yarn-session参数，此时必须指定app-id参数，即提前启动的session作业任务id
./bin/flink run -t yarn-session -Dyarn.application.id=application_1627998129686_0475 
-c com.tl.bigdata.flink.demo.FlinkWordCount4DataSet ../FirstFlink-0.0.1-SNAPSHOT.jar 
hdfs:///user/zel/input.txt
#第2种提交： 不加入-t yarn-session参数，则不需要手动指定app-id，其是自行寻找提前启动的session作业任务id
./bin/flink run -c com.tl.bigdata.flink.demo.FlinkWordCount4DataSet 
../FirstFlink-0.0.1-SNAPSHOT.jar hdfs:///user/zel/input.txt