Flink入门

一、Flink 简介
1、Flink 是一个框架和分布式处理引擎，用于对无界和有界数据流进行有状态计算。Flink 被设计在所有常见的集群环境中运行，以内存执行速度和任意规模来执行计算。
2、Flink特点
2.1 事件驱动(Event-driven)
事件驱动型应用是一类具有状态的应用，它从一个或多个事件流提取数据，并根据到来的事件触发计算、状态更新或其他外部动作。比较典型的就是以kafka 为代表的消息队列几乎都是事件驱动型应用。
与之不同的就是SparkStreaming 微批次，如图：

2.2 流与批的世界观
批处理的特点是有界、持久、大量，非常适合需要访问全套记录才能完成的计算工作，一般用于离线统计。
流处理的特点是无界、实时, 无需针对整个数据集执行操作，而是对通过系统传输的每个数据项执行操作，一般用于实时统计。
在spark 的世界观中，一切都是由批次组成的，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。
而在flink 的世界观中，一切都是由流组成的，离线数据是有界限的流，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。

二、Flink 运行架构
1、Flink运行时的组件
Flink 运行时架构主要包括四个不同的组件，它们会在运行流处理应用程序时协同工作：作业管理（JobManager）、资源管理器（ResourceManager）、任务管理器（TaskManager），以及分发器（Dispatcher）。因为Flink 是用Java 和Scala 实现的，所以所有组件都会运行在Java 虚拟机上。
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（JobGraph）、逻辑数据流图（logical 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。JobManager 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，JobManager 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 资源管理器
主要负责管理任务管理器（TaskManager）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YARN、Mesos、K8s，以及standalone 部署。当JobManager 申请插槽资源时，ResourceManager会将有空闲插槽的TaskManager 分配给JobManager。如果ResourceManager 没有足够的插槽来满足JobManager 的请求，它还可以向资源提供平台发起会话，以提供启动TaskManager进程的容器。另外，ResourceManager 还负责终止空闲的TaskManager，释放计算资源。
1.3 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（slots）。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它的插槽；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（tasks）来执行了。在执行过程中，一个TaskManager 可以跟其它运行同一应用程序的TaskManager 交换数据。
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一个JobManager。由于是REST 接口，所以Dispatcher 可以作为集群的一个HTTP 接入点，这样就能够不受防火墙阻挡。Dispatcher 也会启动一个Web UI，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，这取决于应用提交运行的方式。
2、任务提交流程
如果我们将Flink 集群部署到YARN 上，那么就会有如下的提交流程：

Flink 任务提交后， Client 向HDFS 上传Flink 的Jar 包和配置， 之后向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。
2.1 任务调度原理

当Flink 集群启动后， 首先会启动一个JobManger 和一个或多个的
TaskManager。由Client 提交任务给JobManager，JobManager 再调度任务到各个
TaskManager 去执行，然后TaskManager 将心跳和统计信息汇报给JobManager。
TaskManager 之间以流的形式进行数据的传输。上述三者均为独立的JVM 进程。
Client 为提交Job 的客户端，可以是运行在任何机器上（与JobManager 环境
连通即可）。提交Job 后，Client 可以结束进程（Streaming 的任务），也可以不
结束并等待结果返回。
JobManager 主要负责调度Job 并协调Task 做checkpoint ， 职责上很像
Storm 的Nimbus。从Client 处接收到Job 和JAR 包等资源后，会生成优化后的
执行计划，并以Task 的单元调度到各个TaskManager 去执行。
TaskManager 在启动的时候就设置好了槽位数（Slot），每个slot 能启动一个
Task，Task 为线程。从JobManager 处接收需要部署的Task，部署启动后，与自
己的上游建立Netty 连接，接收数据并处理。
2.2 TaskManger 与Slots
Flink中每一个worker(TaskManager)都是一个JVM 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worker 能接收多少个task， worker 通
过task slot 来进行控制（一个worker 至少有一个task slot）。
每个task slot 表示TaskManager 拥有资源的一个固定大小的子集。假如一个
TaskManager 有三个slot，那么它会将其管理的内存分成三份给各个slot。资源slot
化意味着一个subtask 将不需要跟来自其他job 的subtask 竞争被管理的内存，取而
代之的是它将拥有一定数量的内存储备。需要注意的是，这里不会涉及到CPU 的隔
离，slot 目前仅仅用来隔离task 的受管理的内存。
通过调整task slot 的数量，允许用户定义subtask 之间如何互相隔离。如果一个
TaskManager 一个slot，那将意味着每个task group 运行在独立的JVM 中（该JVM
可能是通过一个特定的容器启动的），而一个TaskManager 多个slot 意味着更多的
subtask 可以共享同一个JVM。而在同一个JVM 进程中的task 将共享TCP 连接（基
于多路复用）和心跳消息。它们也可能共享数据集和数据结构，因此这减少了每个
task 的负载。
2.3 执行图（ExecutionGraph）
由Flink 程序直接映射成的数据流图是StreamGraph，也被称为逻辑流图，因为
它们表示的是计算逻辑的高级视图。为了执行一个流处理程序，Flink 需要将逻辑流
图转换为物理数据流图（也叫执行图），详细说明程序的执行方式。
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，这
样可以减少数据在节点之间流动所需要的序列化/反序列化/传输消耗。
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。
2.4 并行度（Parallelism）
Flink 程序的执行具有并行、分布式的特性。
在执行过程中，一个流（stream）包含一个或多个分区（stream partition），而
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彼此互不依赖地执行。
一个特定算子的子任务（subtask）的个数被称之为其并行度（parallelism）。
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。