本篇博客给大家讲解一下
Flink运行时架构(面试必问)
一、Flink运行时组件
1.1 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( Job Graph)、逻辑数据流图( ogical dataflow graph)和打包了所有的类、库和其它资源的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”(Executiongraph),包含了所有可以并发执行的任务。Job Manager会向资源管理器( Resourcemanager)请求执行任务必要的资源,也就是(
任务管理器( Taskmanager)上的插槽slot。一旦它获取到了足够的资源,就会将执行图分发到真正运行它们的 Taskmanager上。而在运行过程中Jobmanagera会负责所有需要中央协调的操作,比如说检查点( checkpoints的协调。
1.2 任务管理器(Taskmanager)
Flink中的工作进程。通常在 Flink中会有多个 Taskmanageria运行,
每个 Taskmanageri都包含了一定数量的插槽( slots)。
插槽的数量限制了Taskmanageri能够执行的任务数量。
启动之后,
Taskmanager会向资源管理器注册它的插槽;收到资源管理器的指令后,
Taskmanageri就会将一个或者多个插槽提供给Jobmanageri调用。
Jobmanager就可以向插槽分配任务( tasks)来执行了。
在执行过程中,
一个 Taskmanagera可以跟其它运行同一应用程序的Taskmanager交换数据。
1.3 资源管理器(Resource Manager)
主要负责管理任务管理器( Task Manager)的
插槽(slot)Taskmanger插槽是 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YARNMesos、K8s,以及 standalone部署。
当 Jobmanagerl申请插槽资源时,
Resourcemanager会将有空闲插槽的Taskmanager?分配给Jobmanager。
如果 Resourcemanagery没有足够的插槽来满足 Jobmanagerf的请求,
它还可以向资源提供平台发起会话,以提供启动 Taskmanageri进程的容器。
1.4 分发器(Dispatcher)
可以跨作业运行,它为应用提交提供了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移交给Jobmanage
Dispatcher他会启动一个
WebUi,用来方便地
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,这取決于应用提交运的方式。
二、任务提交流程
提交应用
启动并提交应用
请求slots
任务启动
注册slots
发出提供slot的指令
提供slots
提交要在slots中执行的任务
交换数据
2.1 任务提交流程(YARN)
Flink 任务提交后,
Client 向 HDFS 上传 Flink 的 Jar 包和配置
随后向 Yarn ResourceManager 提 交 任 务 ,
ResourceManager 分 配 Container 资 源 并 通 知 对 应 的 NodeManager 启 动
ApplicationMaster,ApplicationMaster 启动后加载 Flink 的 Jar 包 和
配 置 构 建 环 境
然 后 启 动 JobManager , 之 后 ApplicationMaster 向
ResourceManager 申 请 资 源 启 动 TaskManager
ResourceManager 分 配 Container 资 源 后 , 由 ApplicationMaster 通 知 资 源 所 在 节 点 的
NodeManager 启动 TaskManager
NodeManager
加载 Flink 的 Jar 包和配置构建环境并启动 TaskManager
TaskManager 启动后向
JobManager 发送心跳包,并等待 JobManager 向其分配任务。
三、任务调度原理
3.1 TaskManager 和 Slots
Flink中每一个 Taskmanageri都是一个
JMM进程,它可能会在独立的线程上执行
一个或多个 subtask
为了控制一个 Taskmanageri能接收多少个task, Taskmanager通过
task slot来进行控制(一个 Taskmanager至少有一个slot)
3. 默认情况下,Fink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。
4. Task Slot是静态的概念,是指 Taskmanager具有的并发执行能力
3.2 程序与数据流(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类以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
3.3 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Execution Graph: Jobmanager根据 Jobgraph生成
ExecutiongraphExecution Graph是 Job Graphi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。
3.4 并行度(Parallelism)
特定算子的子任务( subtask)的个数被称之为其并行度( parallelism)般情况下,一个 stream的并行度,可以认为就是其所有算子中最大的并行度。
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,取決于算子的种类
One-to-one: stream维护着分区以及元素的顺序(比如 Sources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 hash Code重分区、而 broadcast和 rebalance会随机重新分区,这些算子都会引起distributer过程,而 redistribute过程就类似于 Spark中的 shuffle过程。
3.5 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( ocal 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