四大组件
- 作业管理器(JobManager)
- 控制一个应用程序执行的主进程,也就是说,每个应用程序都会被一个不同的JobManager所控制执行。
- JobManager会先接收到要执行的应用程序,这个应用程序会包括:作业图、逻辑数据流图和打包了所有的类、库和其他资源的JAR包。
- JobManager会把JobGraph转换成一个物理层面的数据流图,这个图被叫做“执行图”,包含了所有可以并发执行的任务。
- JobManager会向资源管理器请求执行任务必要的资源,也就是任务管理器上的插槽slot、一旦它获取到了足够的资源,就会执行图分发到真正运行他们的TaskManager上。而在运行过程汇总,JobManger会负责所有需要中央协调的操作,比如说检查点的协调。
- 资源管理器(ResourceManager)
- 主要负责管理任务管理器TaskManager的插槽slot。TaskManager插槽slot是Flink中定义的处理资源单元。
- Flink为不同的环境和资源管理工具提供了不同资源管理器,比如Yarn、Mesos、K8s,以及standalone部署。
- 当JobManager申请插槽slot资源时,RM会将有空闲插槽slot的TaskManager分配给JobManager。如果RM没有足够的插槽slot来满足JobManager的请求,它还可以向资源提供平台发起会话,以提供启动TM进程的容器。
- 任务管理器(TaskManager)
- Flink中的工作进程。通常在Flink中会有多个TaskManager运行,每一个TaskManager都包含了一定数量的插槽。插槽的数量限制了TaskManager能够执行的任务数量。
- 启动之后,TaskManager会向资源管理器注册插槽;收到资源管理器的指令后,TaskManager就会将一个或者多个插槽提供给JobManager调用。JobManager就可以向插槽分配任务来执行。
- 在执行过程中,一个TaskManager可以跟其他同一应用程序的TM交换数据。
- 分发器(Dispatcher)
- 可以跨作业运行,他为应用提供了REST接口。
- 当一个应用被提交执行时,分发器就会启动并将应用功能移交给一个JobManager。
- Dispatcher也会启动一个Web UI,用来方便的展示和监控作业执行的信息。
- Dispatcher在架构中可能并不是必需的,这取决于应用提交运行的方式。
任务提交流程
standalone 模式任务提交流程
Flink on Yarn 模式任务提交流程
和Spark on Yarn差不多。
任务调度原理
并行度
在代码中可以直接指定算子的子任务(stbtask)个数,算子的子任务个数被称之为其并行度(parallelism)。
Flink中一个TM就是一个JVM进程,他可能会在独立的线程上执行一个或多个子任务。
为了控制一个TM能够接收多个task,TM通过task slot来进行控制。
一个TM至少有一个Slot。
默认情况下,Flink 允许子任务共享 slot,即使它们是不同任务的子任务。 这样
的结果是,一个 slot 可以保存作业的整个管道。
Task Slot 是静态的概念,是指 TaskManager 具有的并发执行能力
数据流(DataFlow)
所有的Flink程序都是由三部分组成的: Source 、Transformation 和 Sink。
Source 负责读取数据源,Transformation 利用各种算子进行处理加工,Sink 负责输出
在运行时,Flink上运行的程序会被映射成“逻辑数据流”(dataflows),它包含了这三部分
每一个dataflow以一个或多个sources开始以一个或多个sinks结束。dataflow类似于任意的有向无环图(DAG)
在大部分情况下,程序中的转换运算(transformations)跟dataflow中的算子(operator)是一一对应的关系
执行图(ExecutionGraph)
Flink 中的执行图可以分成四层:StreamGraph -> JobGraph -> ExecutionGraph -> 物理执行图
StreamGraph:是根据用户通过 Stream API 编写的代码生成的最初的图。用来表示程序的拓扑结构。
JobGraph:StreamGraph经过优化后生成了 JobGraph,提交给 JobManager 的数据结构。主要的优化为,将多个符合条件的节点 chain 在一起作为一个节点
ExecutionGraph:JobManager 根据 JobGraph 生成ExecutionGraph。ExecutionGraph是JobGraph的并行化版本,是调度层最核心的数据结构。
物理执行图:JobManager 根据 ExecutionGraph 对 Job 进行调度后,在各个TaskManager 上部署 Task 后形成的“图”,并不是一个具体的数据结构。
数据传输形式
一个程序中,不同的算子可能具有不同的并行度。
算子之间传输数据的形式可以是 one-to-one (forwarding) 的模式也可以是redistributing 的模式,具体是哪一种形式,取决于算子的种类。
One-to-one:stream维护着分区以及元素的顺序(比如source和map之间)。 这意味着map 算子的子任务看到的元素的个数以及顺序跟 source 算子的子任务生产的元素的个数、顺序相同。map、fliter、flatMap等算子都是one-to-one的对应关系。
Redistributing:stream的分区会发生改变。每一个算子的子任务依据所选择的transformation发送数据到不同的目标任务。例如,keyBy 基于 hashCode 重分区、而 broadcast 和 rebalance 会随机重新分区,这些算子都会引起redistribute过程,而 redistribute 过程就类似于 Spark 中的 shuffle 过程。
任务链(Operator Chains)
Flink 采用了一种称为任务链的优化技术,可以在特定条件下减少本地通信的开销。为了满足任务链的要求,必须将两个或多个算子设为相同的并行度,并通过本地转发(local forward)的方式进行连接
相同并行度的 one-to-one 操作,Flink 这样相连的算子链接在一起形成一个 task,原来的算子成为里面的 subtask
并行度相同、并且是 one-to-one 操作,两个条件缺一不可