01.Flink简介、部署模式及其区别

1、Flink简介

​ Spark 和 Flink 一开始都都希望能够用同一个技术把流处理和批处理统一起来，但他们走了完全不一样的两条路。前者是以批处理的技术为根本，并尝试在批处理之上支持流计算；后者则认为流计算技术是最基本的，在流计算的基础之上支持批处理。通过Flink和Spark的对比来说：

	Spark	Flink
流批世界观	一切都是由批次组成。离线数据是一个大批次；而实时数据是由一个一个无限的小批次组成的。	一切都是由流组成。离线数据是有界限的流；实时数据是一个没有界限的流。
计算模型	微批处理模型（秒级）	连续流模型（毫秒级）
驱动	时间驱动型:主动拉取数据，（即使没有数据，到达一定时间，也会去计算，浪费资源）	事件驱动型:被动拉取数据，（如果没数据的时候什么也不干，节省资源）

2、Flink部署

• 开发模式（idea）
• 本地模式(零配置)
• Standalone模式
• Yarn模式
  • Session-Cluster
  • Application Mode
  • Per-Job-Cluster

2.1 Standalone模式部署

1. 配置文件flink-conf.yaml

   jobmanager.rpc.address: hadoop102
   

2.workers

hadoop102
hadoop103
hadoop104

3. 分发至其他节点

4. 启动集群

   bin/start-cluster.sh
   

5. 提交命令执行任务

   bin/flink run -m hadoop102:8081 -c com.hpu.flink.java.chapter_2.Flink03_WC_UnBoundedStream ./flink-learn-1.0-SNAPSHOT.jar
   

6. 通过8088端口访问WebUI

2.2 Standalone模式下的高可用

​ 任何时候都有一个主 JobManager和多个备用 JobManagers，以便在主节点失败时有备用 JobManagers 来接管集群。这可以避免单点故障，一旦备 JobManager 接管集群，作业就可以正常运行。主备 JobManager 实例之间没有明显的区别。每个 JobManager都可以充当主备节点。

1. 修改配置文件flink-conf.yaml

   high-availability: zookeeper
   high-availability.storageDir: hdfs://hadoop102:8020/flink/standalone/ha
   high-availability.zookeeper.quorum: hadoop102:2181,hadoop103:2181,hadoop104:2181
   high-availability.zookeeper.path.root: /flink-standalone
   high-availability.cluster-id: /cluster_hpu
   

2. masters

   hadoop102:8081
   hadoop103:8081
   

3. 分发至其他节点

4. 修改环境变量myenv.sh,并分发source

   export HADOOP_CLASSPATH=`hadoop classpath`
   

5. 启动flink集群

6. 先查看通过zookeeper客户端查看哪个是master，然后kill掉master进行测试

   zkCli.sh
   get /flink-standalone/cluster_hpu/leader/rest_server_lock
   

2.3 Yarn模式

仅需配置/etc/profile.d/my.sh中配置并分发

export HADOOP_CLASSPATH=`hadoop classpath`

Yarn模式的高可用配置：

Standalone模式中, 同时启动多个Jobmanager, 一个为leader其他为standby的, 当leader挂了, 其他的才会有一个成为leader。

yarn的高可用是同时只启动一个Jobmanager, 当这个Jobmanager挂了之后, yarn会再次启动一个, 其实是利用的yarn的重试次数来实现的高可用。

1. yarn-site.xml

   <property>
     <name>yarn.resourcemanager.am.max-attempts</name>
     <value>4</value>
     <description>
       The maximum number of application master execution attempts.
     </description>
   </property>
   

2. flink-conf.yaml

   yarn.application-attempts: 3
   high-availability: zookeeper
   high-availability.storageDir: hdfs://hadoop102:8020/flink/yarn/ha
   high-availability.zookeeper.quorum: hadoop102:2181,hadoop103:2181,hadoop104:2181
   high-availability.zookeeper.path.root: /flink-yarn
   

3. 启动yarn-session

4. 杀死Jobmanager，查看复活情况

注意: yarn-site.xml中是复活次数的上限, flink-conf.xml中的次数应该小于这个值。

测试过程中会发现一直kill不掉jobManager，是因为除了重试次数这个机制外，还有一个时间的机制（Akka超时时间），如果在一定的时间(这个时间很短)内jobManager重新拉取了几次还是挂掉的话，那就会真正的挂掉。

yarn模式中三种子模式的区别：

• Session模式：适合需要频繁提交的多个小job，并且执行时间都不长，因为flink会在yarn中启动一个session集群，这个集群主要用来申请资源的，后续提交的其他作业，都会直接提交到这个session集群中，不需要频繁创建flink集群，这样效率会变高，但是，作业之间相互不隔离。

• per-job模式:适合规模大长时间运行的作业。每次提交job都会创建一个新的flink集群，任务之间互相独立，互不影响，方便管理。任务执行完成之后创建的集群也会消失。

• application Mode模式：每提交一个任务（application）可能会包含多个job，一个application对应一个flink集群，main方法是在集群中运行。

  application Mode模式存在bug不使用。

  bug：每个job的id都为0000000，而checkpoint依赖于id命名在hdfs集群上进行存储。这将导致错误发生。

3、并行度

• 并行度优先级：

  算子指定>env全局指定>提交参数>配置文件

• slot个数与并行度的关系

  默认情况下，slot个数等于流程序的并行度（程序中最大算子的并行度）
  在有多个共享组时，slot个数等于每个共享组中最大算子并行的和

4、提交命令执行指定任务

flink提交任务脚本参数:
flink 类似于spark-submit用于提交作业
run 用来执行作业（除了applicationMode模式不需要）
run-application (applicaitonMode模式执行作业的命令)
-t yarn模式中指定以yarn哪种模式运行的参数
-d 后台提交(断开与客户端的连接)
-m 指定JobManager以及UI端口
-D 指定其他参数。比如多队列提交参数（-Dyarn.application.queue=hive）
-c 指定全类名

举例：

• 本地模式

  bin/flink run -m hadoop102:8081 -c com.hpu.flink.java.chapter_2.Flink03_WC_UnBoundedStream ./flink-prepare-1.0-SNAPSHOT.jar
  

• standalone模式

  bin/flink run -m hadoop102:8081 -c com.hpu.flink.java.chapter_2.Flink03_WC_UnBoundedStream ./flink-prepare-1.0-SNAPSHOT.jar
  

• yarn模式

  per-job：

  bin/flink run -d -t yarn-per-job -c com.hpu.flink.java.chapter_2.Flink03_WC_UnBoundedStream ./flink-prepare-1.0-SNAPSHOT.jar
  

  提交任务到Yarn的其他队列

  bin/flink run -d -m yarn-cluster -yqu hive -c com.hpu.flink.java.chapter_2.Flink03_WC_UnBoundedStream ./flink-prepare-1.0-SNAPSHOT.jar（老版本）
  
  bin/flink run -d -t yarn-per-job -Dyarn.application.queue=hive -c com.hpu.flink.java.chapter_2.Flink03_WC_UnBoundedStream ./flink-prepare-1.0-SNAPSHOT.jar
  

  session-cluster：

  bin/yarn-session.sh -d 
  
  bin/flink run -c com.hpu.flink.java.chapter_2.Flink03_WC_UnBoundedStream ./flink-prepare-1.0-SNAPSHOT.jar
  
  bin/flink run -t yarn-session -Dyarn.application.id=application_XXXX_YY -c com.hpu.flink.java.chapter_2.Flink03_WC_UnBoundedStream ./flink-prepare-1.0-SNAPSHOT.jar
  

  如果是1.12版本开启了Yarn模式的高可用，上面指定yarn-session集群的命令不能用，需要去掉 -t yarn-session （1.13版本已修复）

  bin/flink run -Dyarn.application.id=application_XXXX_YY -c com.hpu.flink.java.chapter_2.Flink03_WC_UnBoundedStream ./flink-prepare-1.0-SNAPSHOT.jar
  

  application mode:

  bin/flink run-application -t yarn-application -c com.atguigu.flink.java.chapter_2.Flink03_WC_UnBoundedStream ./flink-prepare-1.0-SNAPSHOT.jar
  

5、注意事项

在java语法的flink编程中调用一个方法，有以下三种实现方式

1. 自定义一个类实现接口 √
2. 写接口的匿名实现类 √
3. 写Lambda表达式

注意：在写Lambda表达式的时候，可能会因为类型擦除的原因报错，解决方式如下
在方法的最后调用.returns(Types.类型)解决
比如：
SingleOutputStreamOperator<Tuple2<String, Integer>> wordToOneDStream = wordDStream.map(value -> Tuple2.of(value, 1)).returns(Types.TUPLE(Types.STRING,Types.INT));