Flink常见面试题总结

1. 简单介绍一下Flink

Flink 是一个面向流处理和批处理的分布式数据计算引擎，能够基于同一个Flink运行，可以提供流处理和批处理两种类型的功能。 在 Flink 的世界观中，一切都是由流组成的，离线数据是有界的流；实时数据是一个没有界限的流：这就是所谓的有界流和无界流。

2. Flink 的运行必须依赖Hadoop组件吗?

Flink 可以完全独立于Hadoop，在不依赖Hadoop组件下运行。但是做为大数据的基础设施，Hadoop体系是任何大数据框架都绕不过去的。Flink可以集成众多Hadooop 组件，例如Yarn、Hbase、HDFS等等。例如，Flink可以和Yarn集成做资源调度，也可以读写HDFS，或者利用HDFS做检查点。

3. Flink 和 Spark Streaming 的区别？

1. Spark以批处理为根本
   • Spark数据模型：Spark 采用RDD 模型，Spark Streaming 的DStream实际上也就是一组组小批数据RDD 的集合
   • Spark运行时架构：Spark 是批计算，将DAG 划分为不同的stage，一个完成后才可以计算下一个
2. Flink以流处理为根本
   • Flink数据模型：Flink 基本数据模型是数据流，以及事件（Event）序列
   • Flink运行时架构：Flink 是标准的流执行模式，一个事件在一个节点处理完后可以直接发往下一个节点进行处理
3. 架构模型不同
   • Spark Streaming 在运行时的主要角色包括：Master、Worker、Driver、Executor
   • Flink 在运行时主要包含：Jobmanager、Taskmanager 和 Slot
4. 时间机制
   • Spark Streaming 支持的时间机制有限，只支持处理时间。
   • Flink 支持了流处理程序在时间上的三个定义：处理时间、事件时间、注入时间。

4. Flink集群角色

• 客户端（Client）：代码由客户端获取并做转换，之后提交给JobManager
• JobManager：就是Flink集群里的“管事人”，对作业进行中央调度管理；而它获取到要执行的作业后，会进一步处理转换，然后分发任务给众多的TaskManager。
• TaskManager：就是真正“干活的人”，数据的处理操作都是它们来做的。
  

5. Flink核心概念

5.1 并行度

1. 并行子任务和并行度

一个算子任务就被拆分成了多个并行的“子任务”（subtasks），再将它们分发到不同节点，就真正实现了并行计算。

在 Flink 执行过程中，每一个算子（operator）可以包含一个或多个子任务（operator subtask），这些子任务在不同的线程、不同的物理机或不同的容器中完全独立地执行。

一个特定算子的子任务（subtask）的个数被称之为其并行度（parallelism）。这样，包含并行子任务的数据流，就是并行数据流，它需要多个分区（stream partition）来分配并行任务。一般情况下，一个流程序的并行度，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。

例如：如上图所示，当前数据流中有source、map、window、sink四个算子，其中sink算子的并行度为1，其他算子的并行度都为2。所以这段流处理程序的并行度就是2。

2. 并行度的设置

在Flink中，可以用不同的方法来设置并行度，它们的有效范围和优先级别也是不同的。

设置并行度有多种方式，优先级：算子 > 全局Env> 命令行 > 配置文件

四种方式：

• 算子中设置
  我们在代码中，可以很简单地在算子后跟着调用setParallelism()方法，来设置当前算子的并行度：
  stream.map(word -> Tuple2.of(word, 1L)).setParallelism(2);
  这种方式设置的并行度，只针对当前算子有效。
• 全局Env
  我们也可以直接调用执行环境的setParallelism()方法，全局设定并行度：
  env.setParallelism(2);
  这样代码中所有算子，默认的并行度就都为 2了。我们一般不会在程序中设置全局并行度，因为如果在程序中对全局并行度进行硬编码，会导致无法动态扩容。
• 命令行设置
  在使用 flink run 命令提交应用时，可以增加-p 参数来指定当前应用程序执行的并行度，它的作用类似于执行环境的全局设置：
  bin/flink run –p 2 –c com.atguigu.wc.SocketStreamWordCount ./FlinkTutorial-1.0-SNAPSHOT.jar
• 配置文件中设置
  我们还可以直接在集群的配置文件flink-conf.yaml中直接更改默认并行度：
  parallelism.default: 2
  这个设置对于整个集群上提交的所有作业有效，初始值为 1。无论在代码中设置、还是提交时的-p 参数，都不是必须的；所以在没有指定并行度的时候，就会采用配置文件中的集群默认并行度。在开发环境中，没有配置文件，默认并行度就是当前机器的CPU核心数。

5.2 算子链（Operator Chain）

1. 算子间的数据传输
   
   一个数据流在算子之间传输数据的形式可以是一对一（one-to-one）的直通（forwarding）
   模式，也可以是打乱的重分区（redistributing）模式，具体是哪一种形式，取决于算子的种类。

• 一对一（One-to-one，forwarding）

  这种模式下，数据流维护着分区以及元素的顺序。比如图中的source和map算子，source算子读取数据之后，可以直接发送给 map算子做处理，它们之间不需要重新分区，也不需要调整数据的顺序。这就意味着map 算子的子任务，看到的元素个数和顺序跟source 算子的子任务产生的完全一样，保证着“一对一”的关系。map、filter、flatMap 等算子都是这种 one-to-one的对应关系。这种关系类似于Spark中的窄依赖。

• 重分区（Redistributing）

  在这种模式下，数据流的分区会发生改变。比如图中的map和后面的keyBy/window算子之间，以及keyBy/window算子和Sink算子之间，都是这样的关系。

  每一个算子的子任务，会根据数据传输的策略，把数据发送到不同的下游目标任务。这些传输方式都会引起重分区的过程，这一过程类似于Spark中的shuffle。

2. 合并算子链

   在Flink中，并行度相同的一对一（one to one）算子操作，可以直接链接在一起形成一个
   “大”的任务（task），这样原来的算子就成为了真正任务里的一部分，如下图所示。每个
   task 会被一个线程执行。这样的技术被称为“算子链”（ Operator Chain）。
   
   上图中Source和map之间满足了算子链的要求，所以可以直接合并在一起，形成了一个任务；因为并行度为 2，所以合并后的任务也有两个并行子任务。这样，这个数据流图所表示的作业最终会有5个任务，由5个线程并行执行。

   将算子链接成 task 是非常有效的优化：可以减少线程之间的切换和基于缓存区的数据交换，在减少时延的同时提升吞吐量。

5.3 任务槽（Task Slots）

1. 任务槽（Task Slots）

   Flink 中每一个TaskManager都是一个JVM进程，它可以启动多个独立的线程，来并行执行多个子任务（subtask）。

   很显然，TaskManager 的计算资源是有限的，并行的任务越多，每个线程的资源就会越少。那一个 TaskManager 到底能并行处理多少个任务呢？为了控制并发量，我们需要在TaskManager 上对每个任务运行所占用的资源做出明确的划分，这就是所谓的任务槽（task slots）。

   每个任务槽（task slot）用来独立执行一个子任务的。

   假如一个TaskManager有三个slot，那么它会将管理的内存平均分成三份，每个slot独自占据一份。这样一来，我们在slot上执行一个子任务时，相当于划定了一块内存“专款专用”，就不需要跟来自其他作业的任务去竞争内存资源了。

   所以现在我们只要2个TaskManager，就可以并行处理分配好的5个任务了。
   

2. 任务槽数量的设置
   在Flink的/opt/module/flink-1.17.0/conf/flink-conf.yaml配置文件中，可以设置TaskManager
   的slot数量，默认是1个slot。
   taskmanager.numberOfTaskSlots: 8

   需要注意的是，slot 目前仅仅用来隔离内存，不会涉及 CPU的隔离。在具体应用时，可以将slot数量配置为机器的CPU核心数，尽量避免不同任务之间对CPU的竞争。这也是开发环境默认并行度设为机器CPU数量的原因。

3. 任务对任务槽的共享
   
   默认情况下，Flink是允许子任务共享slot的。如果我们保持sink任务并行度为1不变，而作业提交时设置全局并行度为6，那么前两个任务节点就会各自有6个并行子任务，整个流处理程序则有13个子任务。如上图所示，只要属于同一个作业，那么对于不同任务节点（算子）的并行子任务，就可以放到同一个slot上执行。所以对于第一个任务节点source→map，它的6个并行子任务必须分到不同的slot上，而第二个任务节点keyBy/window/apply的并行子任务却可以和第一个任务节点共享slot。

   当我们将资源密集型和非密集型的任务同时放到一个 slot 中，它们就可以自行分配对资源占用的比例，从而保证最重的活平均分配给所有的TaskManager。

   slot 共享另一个好处就是允许我们保存完整的作业管道。这样一来，即使某个TaskManager出现故障宕机，其他节点也可以完全不受影响，作业的任务可以继续执行。

5.4 任务槽和并行度的关系

• 任务槽是静态的概念，是指 TaskManager 具有的并发执行能力
• 并行度是动态的概念，也就是 TaskManager运行程序时实际使用的并发能力

整个流处理程序的并行度，就应该是所有算子并行度中最大的那个，这代表了运行程序需要slot数量。

设置合适的并行度能提高运算效率，太多太少都不合适。

怎样设置并行度效率最高呢？

当然是需要把所有的slot都利用起来。考虑到slot共享，我们可以直接把并行度设置为9，这样所有27个任务就会完全占用9个slot。这是当前集群资源下能执行的最大并行度，计算资源得到了充分的利用。

6. Flink 的部署模式及区别？

Flink 为各种场景提供了不同的部署模式，主要有以下三种：会话模式（Session Mode）、单作业模式（Per-Job Mode）、 应用模式（Application Mode）。

它们的区别主要在于：集群的生命周期以及资源的分配方式；以及应用的main方法到底
在哪里执行——客户端（Client）还是JobManager。

6.1 会话模式

会话模式其实最符合常规思维。我们需要先启动一个集群，保持一个会话，在这个会话中通过客
户端提交作业。集群启动时所有资源就都已经确定，所以所有提交的作业会竞争集群中的资源。

6.2 单作业模式（Per-Job Mode）

会话模式因为资源共享会导致很多问题，所以为了更好地隔离资源，我们可以考虑为每个提交的
作业启动一个集群，这就是所谓的单作业（Per-Job）模式。

作业完成后，集群就会关闭，所有资源也会释放。
这些特性使得单作业模式在生产环境运行更加稳定，所以是实际应用的首选模式。
需要注意的是，Flink本身无法直接这样运行，所以单作业模式一般需要借助一些资源管理框架来启动集群，比如YARN、Kubernetes（K8S）。

6.3 应用模式（Application Mode）

前面提到的两种模式下，应用代码都是在客户端上执行，然后由客户端提交给JobManager的。但是这种方式客户端需要占用大量网络带宽，去下载依赖和把二进制数据发送给JobManager；加上很多情况下我们提交作业用的是同一个客户端，就会加重客户端所在节点的资源消耗。

所以解决办法就是，我们不要客户端了，直接把应用提交到JobManger上运行。而这也就代表着，我们需要为每一个提交的应用单独启动一个JobManager，也就是创建一个集群。这个JobManager只为执行这一个应用而存在，执行结束之后JobManager也就关闭了，这就是所谓的应用模式。

应用模式与单作业模式，都是提交作业之后才创建集群；单作业模式是通过客户端来提交的，客户端解析出的每一个作业对应一个集群；而应用模式下，是直接由JobManager执行应用程序的。

6.4 具体运行模式的部署

1. Standalone运行模式
   Flink 作业在一个专门的 Flink集群上运行，独立模式不依赖于其他集群管理器（Yarn或者Kubernetes）
2. Yarn运行模式

• Session：共享资源，一套集群多个job
• Per-job：独享资源，代码解析在Client
• Application：独享资源，代码解析在JobMaster

2. K8s运行模式（了解）
   支持云原生，未来的趋势

   容器化部署是如今业界流行的一项技术，基于Docker镜像运行能够让用户更加方便地对应用进行管理和运维。容器管理工具中最为流行的就是Kubernetes（k8s），而 Flink也在最近的版本中支持了k8s部署模式。基本原理与YARN是类似的

7. 逻辑流图/作业图/执行图/物理流图

逻辑流图（StreamGraph）→ 作业图（JobGraph）→ 执行图（ExecutionGraph）→ 物理图（Physical Graph）

8. Yarn 应用模式作业提交流程

9. Flink 的三种时间语义

• 事件时间EventTime：是事件创建的时间。数据本身携带的时间。
• 进入时间Ingestion Time：是数据进入Flink的时间。
• 处理时间ProcessingTime：是每一个执行基于时间操作的算子的本地系统时间，与机器相关，默认的时间属性就是ProcessingTime。

在实际应用中，事件时间语义会更为常见。一般情况下，业务日志数据中都会记录数据生成的时间戳（timestamp），它就可以作为事件时间的判断基础。Flink已经将事件时间作为默认的时间语义了。