文章目录
1、Flink 简介
1.1 Flink 的引入
这几年大数据的飞速发展,出现了很多热门的开源社区,其中著名的有Hadoop、Storm,以及后来的Spark,他们都有着各自专注的应用场景。Spark 掀开了内存计算的先河,也以内存为赌注,赢得了内存计算的飞速发展。Spark 的火热或多或少的掩盖了其他分布式计算的系统身影。就像Flink,也就在这个时候默默的发展着。
在国外一些社区,有很多人将大数据的计算引擎分成了4 代,当然,也有很多人不会认同。我们先姑且这么认为和讨论。
首先第一代的计算引擎,无疑就是Hadoop 承载的MapReduce。这里大家应该都不会对MapReduce 陌生,它将计算分为两个阶段,分别为Map 和Reduce。对于上层应用来说,就不得不想方设法去拆分算法,甚至于不得不在上层应用实现多个Job 的串联,以完成一个完整的算法,例如迭代计算。
由于这样的弊端,催生了支持DAG 框架的产生。因此,支持DAG 的框架被划分为第二代计算引擎。如Tez 以及更上层的Oozie。这里我们不去细究各种DAG 实现之间的区别,不过对于当时的Tez 和Oozie 来说,大多还是批处理的任务。
接下来就是以Spark 为代表的第三代的计算引擎。第三代计算引擎的特点主要是Job 内部的DAG 支持(不跨越Job),以及强调的实时计算。在这里,很多人也会认为第三代计算引擎也能够很好的运行批处理的Job。
随着第三代计算引擎的出现,促进了上层应用快速发展,例如各种迭代计算的性能以及对流计算和SQL 等的支持。Flink 的诞生就被归在了第四代。这应该主要表现在Flink 对流计算的支持,以及更一步的实时性上面。当然Flink 也可以支持Batch 的任务,以及DAG 的运算。
首先,我们可以通过下面的性能测试初步了解两个框架的性能区别,它们都可以基于内存计算框架进行实时计算,所以都拥有非常好的计算性能。经过测试,Flink 计算性能上略好。
1.2 什么是Flink
Flink 起源于Stratosphere 项目,Stratosphere 是在2010~2014 年由3 所地处柏林的大学和欧洲的一些其他的大学共同进行的研究项目,2014 年4 月Stratosphere 的代码被复制并捐赠给了Apache 软件基金会,参加这个孵化项目的初始成员是Stratosphere 系统的核心开发人员,2014 年12 月,Flink 一跃成为Apache 软件基金会的顶级项目。
在德语中,Flink 一词表示快速和灵巧,项目采用一只松鼠的彩色图案作为logo,这不仅是因为松鼠具有快速和灵巧的特点,还因为柏林的松鼠有一种迷人的红棕色,而Flink 的松鼠logo拥有可爱的尾巴,尾巴的颜色与Apache 软件基金会的logo 颜色相呼应,也就是说,这是一只Apache 风格的松鼠。
Flink 主页在其顶部展示了该项目的理念:“Apache Flink 是为分布式、高性能、随时可用以及准确的流处理应用程序打造的开源流处理框架”。
Apache 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。
1.3 Flink 流处理特性
-
支持高吞吐、低延迟、高性能的流处理
-
支持带有事件时间的窗口(Window)操作
-
支持有状态计算的Exactly-once 语义
-
支持高度灵活的窗口(Window)操作,支持基于time、count、session,以及data-driven的窗口操作
-
支持具有Backpressure 功能的持续流模型
-
支持基于轻量级分布式快照(Snapshot)实现的容错
-
一个运行时同时支持Batch on Streaming 处理和Streaming 处理
-
Flink 在JVM 内部实现了自己的内存管理
-
支持迭代计算
-
支持程序自动优化:避免特定情况下Shuffle、排序等昂贵操作,中间结果有必要进行缓存
1.4 Flink 基石
Flink 之所以能这么流行,离不开它最重要的四个基石:Checkpoint、State、Time、Window。
首先是Checkpoint 机制,这是Flink 最重要的一个特性。Flink 基于Chandy-Lamport 算法实现了一个分布式的一致性的快照,从而提供了一致性的语义。Chandy-Lamport 算法实际上在1985 年的时候已经被提出来,但并没有被很广泛的应用,而Flink 则把这个算法发扬光大了。Spark 最近在实现Continue streaming,Continue streaming 的目的是为了降低它处理的延时,其也需要提供这种一致性的语义,最终采用Chandy-Lamport 这个算法,说明Chandy-Lamport 算法在业界得到了一定的肯定。
提供了一致性的语义之后,Flink 为了让用户在编程时能够更轻松、更容易地去管理状态,还提供了一套非常简单明了的State API,包括里面的有ValueState、ListState、MapState,近期添加了BroadcastState,使用State API 能够自动享受到这种一致性的语义。除此之外,Flink 还实现了Watermark 的机制,能够支持基于事件的时间的处理,或者说基于系统时间的处理,能够容忍数据的延时、容忍数据的迟到、容忍乱序的数据。另外流计算中一般在对流数据进行操作之前都会先进行开窗,即基于一个什么样的窗口上做这个计算。Flink 提供了开箱即用的各种窗口,比如滑动窗口、滚动窗口、会话窗口以及非常灵活的自定义的窗口。
1.5 批处理与流处理
批处理的特点是有界、持久、大量,批处理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,流处理方式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 生态体系中,对于批处理和流处理采用了不同的技术框架,批处理由SparkSQL 实现,流处理由Spark Streaming 实现,这也是大部分框架采用的策略,使用独立的处理器实现批处理和流处理,而Flink 可以同时实现批处理和流处理。
Flink 是如何同时实现批处理与流处理的呢?答案是,Flink 将批处理(即处理有限的静态数据)视作一种特殊的流处理。
Flink 的核心计算架构是下图中的Flink Runtime 执行引擎,它是一个分布式系统,能够接受数据流程序并在一台或多台机器上以容错方式执行。
Flink Runtime 执行引擎可以作为YARN(Yet Another Resource Negotiator)的应用程序在集群上运行,也可以在Mesos 集群上运行,还可以在单机上运行(这对于调试Flink 应用程序来说非常有用)。
上图为Flink 技术栈的核心组成部分,值得一提的是,Flink 分别提供了面向流式处理的接口(DataStream API)和面向批处理的接口(DataSet API)。因此,Flink 既可以完成流处理,也可以完成批处理。Flink 支持的拓展库涉及机器学习(FlinkML)、复杂事件处理(CEP)、以及图计算(Gelly),还有分别针对流处理和批处理的Table API。能被Flink Runtime 执行引擎接受的程序很强大,但是这样的程序有着冗长的代码,编写起来也很费力,基于这个原因,Flink 提供了封装在Runtime 执行引擎之上的API,以帮助用户方便地生成流式计算程序。Flink 提供了用于流处理的DataStream API 和用于批处理的DataSetAPI。值得注意的是,尽管Flink Runtime 执行引擎是基于流处理的,但是DataSet API 先于DataStream API 被开发出来,这是因为工业界对无限流处理的需求在Flink 诞生之初并不大。
DataStream API 可以流畅地分析无限数据流,并且可以用Java 或者Scala 来实现。开发人员需要基于一个叫DataStream 的数据结构来开发,这个数据结构用于表示永不停止的分布式数据流。
Flink 的分布式特点体现在它能够在成百上千台机器上运行,它将大型的计算任务分成许多小的部分,每个机器执行一部分。Flink 能够自动地确保发生机器故障或者其他错误时计算能够持续进行,或者在修复bug 或进行版本升级后有计划地再执行一次。这种能力使得开发人员不需要担心运行失败。Flink 本质上使用容错性数据流,这使得开发人员可以分析持续生成且永远不结束的数据(即流处理)。
2、Flink 架构体系
2.1 Flink 中的重要角⾊
JobManager 处理器:
也称之为Master,用于协调分布式执行,它们用来调度task,协调检查点,协调失败时恢复等。Flink 运行时至少存在一个master 处理器,如果配置高可用模式则会存在多个master 处理器,它们其中有一个是leader,而其他的都是standby。
TaskManager 处理器:
也称之为Worker,用于执行一个dataflow 的task(或者特殊的subtask)、数据缓冲和datastream 的交换,Flink 运行时至少会存在一个worker 处理器。
2.2 无界数据流与有界数据流
无界数据流:
无界数据流有一个开始但是没有结束,它们不会在生成时终止并提供数据,必须连续处理无界流,也就是说必须在获取后立即处理event。对于无界数据流我们无法等待所有数据都到达,因为输入是无界的,并且在任何时间点都不会完成。处理无界数据通常要求以特定顺序(例如事件发生的顺序)获取event,以便能够推断结果完整性。
有界数据流:
有界数据流有明确定义的开始和结束,可以在执行任何计算之前通过获取所有数据来处理有界流,处理有界流不需要有序获取,因为可以始终对有界数据集进行排序,有界流的处理也称为批处理。
Apache Flink 是一个面向分布式数据流处理和批量数据处理的开源计算平台,它能够基于同一个Flink 运行时(Flink Runtime),提供支持流处理和批处理两种类型应用的功能。现有的开源计算方案,会把流处理和批处理作为两种不同的应用类型,因为它们要实现的目标是完全不相同的:流处理一般需要支持低延迟、Exactly-once 保证,而批处理需要支持高吞吐、高效处理,所以在实现的时候通常是分别给出两套实现方法,或者通过一个独立的开源框架来实现其中每一种处理方案。例如,实现批处理的开源方案有MapReduce、Tez、Crunch、Spark,实现流处理的开源方案有Samza、Storm。
Flink 在实现流处理和批处理时,与传统的一些方案完全不同,它从另一个视角看待流处理和批处理,将二者统一起来:Flink 是完全支持流处理,也就是说作为流处理看待时输入数据流是无界的;批处理被作为一种特殊的流处理,只是它的输入数据流被定义为有界的。基于同一个Flink 运行时(Flink Runtime),分别提供了流处理和批处理API,而这两种API 也是实现上层面向流处理、批处理类型应用框架的基础。
2.3 Flink 数据流编程模型
Flink 提供了不同的抽象级别以开发流式或批处理应用。
最底层级的抽象仅仅提供了有状态流,它将通过过程函数(Process Function)被嵌入到DataStream API 中。底层过程函数(Process Function) 与DataStream API 相集成,使其可以对某些特定的操作进行底层的抽象,它允许用户可以自由地处理来自一个或多个数据流的事件,并使用一致的容错的状态。除此之外,用户可以注册事件时间并处理时间回调,从而使程序可以处理复杂的计算。
实际上,大多数应用并不需要上述的底层抽象,而是针对核心API(Core APIs) 进行编程,比如DataStream API(有界或无界流数据)以及DataSet API(有界数据集)。这些API 为数据处理提供了通用的构建模块,比如由用户定义的多种形式的转换(transformations),连接(joins),聚合(aggregations),窗口操作(windows)等等。DataSet API 为有界数据集提供了额外的支持,例如循环与迭代。这些API 处理的数据类型以类(classes)的形式由各自的编程语言所表示。
Table API 是以表为中心的声明式编程,其中表可能会动态变化(在表达流数据时)。Table API 遵循(扩展的)关系模型:表有二维数据结构(schema)(类似于关系数据库中的表),同时API 提供可比较的操作,例如select、project、join、group-by、aggregate 等。Table API程序声明式地定义了什么逻辑操作应该执行,而不是准确地确定这些操作代码的看上去如何。尽管Table API 可以通过多种类型的用户自定义函数(UDF)进行扩展,其仍不如核心API 更具表达能力,但是使用起来却更加简洁(代码量更少)。除此之外,Table API 程序在执行之前会经过内置优化器进行优化。
你可以在表与DataStream/DataSet 之间无缝切换, 以允许程序将Table API 与DataStream 以及DataSet 混合使用。
Flink 提供的最高层级的抽象是SQL 。这一层抽象在语法与表达能力上与Table API 类似,但是是以SQL 查询表达式的形式表现程序。SQL 抽象与Table API 交互密切,同时SQL 查询可以直接在Table API 定义的表上执行。
Spark | Flink |
---|---|
RDD/DataFrame/DStream | DataSet/Table/DataStream |
Transformation | Transformation |
Action | Sink |
Task | subTask |
Pipeline | Oprator chains |
DAG | DataFlow Graph |
Master + Driver | JobManager |
Worker + Executor | TaskManager |
2.4 Libraries 支持
支持机器学习(FlinkML)
支持图分析(Gelly)
支持关系数据处理(Table)
支持复杂事件处理(CEP)
3、Flink 集群搭建
Flink 支持多种安装模式。
- local(本地)——单机模式,一般不使用
- standalone——独立模式,Flink 自带集群,开发测试环境使用
- yarn——计算资源统一由Hadoop YARN 管理,生产环境测试
3.1 standalone 集群环境
3.1.1 准备工作
- jdk1.8 及以上【配置JAVA_HOME 环境变量】
- ssh 免密码登录【集群内节点之间免密登录】
3.1.2 下载安装包
http://archive.apache.org/dist/flink/flink-1.10.0/flink-1.10.1-bin-scala_2.12.tgz
3.1.3 集群规划
服务器配置如下:
master(JobManager)+slave/worker(TaskManager)
hadoop01(master+slave) hadoop02(slave) hadoop03(slave)
3.1.4 步骤
-
解压Flink 压缩包到指定目录
-
配置Flink
-
配置Slaves 节点
-
分发Flink 到各个节点
-
启动集群
-
递交wordcount 程序测试
-
查看Flink WebUI
3.1.5 具体操作
- 上传Flink 压缩包到指定目录
- 解压缩flink 到/opt/servers 目录
cd /opt/servers
tar -xvzf flink-1.10.1-bin-scala_2.12.tgz -C ../servers/
- 修改安装目录下conf 文件夹内的flink-conf.yaml 配置文件,指定JobManager
cd /opt/servers/flink-1.10.1/conf/
创建目录
mkdir -p /opt/servers/flink-1.10.1/tmp
修改配置文件:flink-conf.yaml
#配置Master 的机器名(IP 地址)
jobmanager.rpc.address: hadoop01
#配置每个taskmanager 生成的临时文件夹
taskmanager.tmp.dirs: /opt/servers/flink-1.10.1/tmp
- 修改安装目录下conf 文件夹内的slave 配置文件,指定TaskManager
hadoop01
hadoop02
hadoop03
- 使用vi 修改/etc/profile 系统环境变量配置文件,添加HADOOP_CONF_DIR 目录
export HADOOP_CONF_DIR=/opt/servers/hadoop-2.7.7/etc/hadoop
YARN_CONF_DIR 或者HADOOP_CONF_DIR 必须将环境变量设置为读取YARN 和HDFS 配置
新版本需要增加hadoop的附加组件,下载一个jar包放在Flink的lib目录下
下载地址:https://repo.maven.apache.org/maven2/org/apache/flink/flink-shaded-hadoop-2-uber/
[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-IGg12yvt-1644828219134)(…/…/%E5%A4%A7%E6%95%B0%E6%8D%AE6%E9%98%B6%E6%AE%B5/%E6%95%99%E5%AD%A6%E7%AC%94%E8%AE%B0/day10_Flink01.assets/1627891293772.png)]
- 分发/etc/profile 到其他两个节点
scp -r /etc/profile hadoop02:/etc
scp -r /etc/profile hadoop03:/etc
- 每个节点重新加载环境变量
source /etc/profile
- 将配置好的Flink 目录分发给其他的两台节点
cd /opt/servers
scp -r flink-1.10.1/ hadoop02:$PWD
scp -r flink-1.10.1/ hadoop03:$PWD
- 启动Flink 集群
cd /opt/servers/flink-1.10.1
bin/start-cluster.sh
- 通过jps 查看进程信息
--------------------- hadoop01 ----------------
86583 Jps
85963 StandaloneSessionClusterEntrypoint
86446 TaskManagerRunner
--------------------- hadoop03 ----------------
44099 Jps
43819 TaskManagerRunner
--------------------- hadoop03 ----------------
29461 TaskManagerRunner
29678 Jps
- 启动HDFS 集群
start-all.sh
- 在HDFS 中创建/test/input 目录
hadoop fs -mkdir -p /test/input
- 上传wordcount.txt 文件到HDFS /test/input 目录
hadoop fs -put /root/wordcount.txt /test/input
- 并运行测试任务
bin/flink run examples/batch/WordCount.jar --input hdfs://hadoop01:8020/test/input/wordcount --output hdfs://hadoop01:8020/test/output/001
- 浏览Flink Web UI 界面
http://hadoop01:8081
16)启动/停止flink 集群
启动:bin/start-cluster.sh
停止:bin/stop-cluster.sh
17) Flink 集群的重启或扩容
启动/停止jobmanager
如果集群中的jobmanager 进程挂了,执行下面命令启动
bin/jobmanager.sh start
bin/jobmanager.sh stop
启动/停止taskmanager
添加新的taskmanager 节点或者重启taskmanager 节点
bin/taskmanager.sh start
bin/taskmanager.sh stop
3.1.6Standalone 集群架构
- client 客户端提交任务给JobManager
- JobManager 负责Flink 集群计算资源管理,并分发任务给TaskManager 执行
- TaskManager 定期向JobManager 汇报状态
3.2 高可用HA 模式
从上述架构图中,可发现JobManager 存在单点故障,一旦JobManager 出现意外,整个集群无法工作。所以,为了确保集群的高可用,需要搭建Flink 的HA。(如果是部署在YARN 上,部署YARN 的HA),我们这里演示如何搭建Standalone 模式HA。
3.2.1 HA 架构图
3.2.2 集群规划
master(JobManager)+slave/worker(TaskManager)
hadoop01(master+slave) hadoop02(master+slave) hadoop03(slave)
3.2.3 步骤
-
在flink-conf.yaml 中添加zookeeper 配置
-
将配置过的HA 的flink-conf.yaml 分发到另外两个节点
-
分别到另外两个节点中修改flink-conf.yaml 中的配置
-
在masters 配置文件中添加多个节点
-
分发masters 配置文件到另外两个节点
-
启动zookeeper 集群
-
启动flink 集群
3.2.4 具体操作
- 在flink-conf.yaml 中添加zookeeper 配置
#开启HA,使用文件系统作为快照存储
state.backend: filesystem
#默认为none,用于指定checkpoint 的data files 和meta data 存储的目录
state.checkpoints.dir: hdfs://hadoop01:8020/flink-checkpoints
#默认为none,用于指定savepoints 的默认目录
state.savepoints.dir: hdfs://hadoop01:8020/flink-checkpoints
#使用zookeeper 搭建高可用
high-availability: zookeeper
# 存储JobManager 的元数据到HDFS,用来恢复JobManager 所需的所有元数据
high-availability.storageDir: hdfs://hadoop01:8020/flink/ha/
high-availability.zookeeper.quorum: hadoop01:2181,hadoop02:2181,hadoop03:2181
- 将配置过的HA 的flink-conf.yaml 分发到另外两个节点
cd /opt/servers/flink-1.10.1/conf/
scp -r flink-conf.yaml hadoop02:$PWD
scp -r flink-conf.yaml hadoop03:$PWD
- 到节点2 中修改flink-conf.yaml 中的配置,将JobManager 设置为自己节点的名称
jobmanager.rpc.address: hadoop02
- 在masters 配置文件中添加多个节点
hadoop01:8081
hadoop02:8081
- 分发masters 配置文件到另外两个节点
cd /opt/servers/flink-1.10.1/conf/
scp -r masters hadoop02:$PWD
scp -r masters hadoop03:$PWD
- 启动zookeeper 集群
三个节点启动zookeeper集群
bin/zkServer.sh start
- 启动HDFS 集群
start-all.sh
- 启动flink 集群
bin/start-cluster.sh
Starting HA cluster with 2 masters.
Starting standalonesession daemon on host hadoop01.
Starting standalonesession daemon on host hadoop02.
Starting taskexecutor daemon on host hadoop01.
Starting taskexecutor daemon on host hadoop02.
Starting taskexecutor daemon on host hadoop03.
- 分别查看两个节点的Flink Web UI
http://hadoop01:8081
http://hadoop02:8081
- kill 掉一个节点,查看另外的一个节点的Web UI
注意事项
切记搭建HA,需要将第二个节点的jobmanager.rpc.address 修改为hadoop02
3.3 yarn 集群环境
在一个企业中,为了最大化的利用集群资源,一般都会在一个集群中同时运行多种类型的Workload。因此Flink 也支持在Yarn 上面运行;
flink on yarn 的前提是:hdfs、yarn 均启动
3.3.1 准备工作
-
jdk1.8 及以上【配置JAVA_HOME 环境变量】
-
ssh 免密码登录【集群内节点之间免密登录】
-
至少hadoop2.3
-
hdfs & yarn
3.3.2 集群规划
无
3.3.3 修改hadoop 的配置参数
vim etc/hadoop/yarn-site.xml
添加:
<property>
<name>yarn.nodemanager.vmem-check-enabled</name>
<value>false</value>
</property>
是否启动一个线程检查每个任务正使用的虚拟内存量,如果任务超出分配值,则直接将其杀掉,默认是true。
在这里面我们需要关闭,因为对于flink 使用yarn 模式下,很容易内存超标,这个时候yarn会自动杀掉job
3.3.4 修改全局变量/etc/profile
添加:
export HADOOP_CONF_DIR=/export/servers/hadoop-2.7.7/etc/Hadoop
YARN_CONF_DIR 或者HADOOP_CONF_DIR 必须将环境变量设置为读取YARN 和HDFS 配置
新版本需要增加hadoop的附加组件,下载一个jar包放在Flink的lib目录下
下载地址:https://repo.maven.apache.org/maven2/org/apache/flink/flink-shaded-hadoop-2-uber/
3.3.5 Flink on Yarn 的运行机制
从图中可以看出,Yarn 的客户端需要获取hadoop 的配置信息,连接Yarn 的ResourceManager。
所以要有设置有YARN_CONF_DIR 或者HADOOP_CONF_DIR 或者HADOOP_CONF_PATH,只要设置了其中一个环境变量,就会被读取。如果读取上述的变量失败了,那么将会选择hadoop_home 的环境变量,都区成功将会尝试加载$HADOOP_HOME/etc/hadoop 的配置文件。
1、当启动一个Flink Yarn 会话时,客户端首先会检查本次请求的资源是否足够。资源足将会上传包含HDFS 配置信息和Flink 的jar 包到HDFS。
2、随后客户端会向Yarn 发起请求,启动applicationMaster,随后NodeManager 将会加载有配置信息和jar 包,一旦完成,ApplicationMaster(AM)便启动。
3、当JobManager and AM 成功启动时,他们都属于同一个container,从而AM 就能检索到JobManager 的地址。此时会生成新的Flink 配置信息以便TaskManagers 能够连接到JobManager。
同时,AM 也提供Flink 的WEB 接口。用户可并行执行多个Flink 会话。
4、随后,AM 将会开始为分发从HDFS 中下载的jar 以及配置文件的container 给TaskMangers.完成后Fink 就完全启动并等待接收提交的job.
3.3.6 Flink on Yarn 的两种使用方式
yarn-session 提供两种模式
- 会话模式
使用Flink 中的yarn-session ( yarn 客户端) , 会启动两个必要服务JobManager 和TaskManagers
客户端通过yarn-session 提交作业
yarn-session 会一直启动,不停地接收客户端提交的作用
有大量的小作业,适合使用这种方式
- 分离模式
直接提交任务给YARN
大作业,适合使用这种方式
3.3.6.1 第一种方式:YARN session
yarn-session.sh(开辟资源)+flink run(提交任务)
这种模式下会启动yarn session,并且会启动Flink 的两个必要服务:JobManager 和Task-managers,然后你可以向集群提交作业。同一个Session 中可以提交多个Flink 作业。需要注意的是,这种模式下Hadoop 的版本至少是2.2,而且必须安装了HDFS(因为启动YARN session的时候会向HDFS 上提交相关的jar 文件和配置文件)
通过./bin/yarn-session.sh 脚本启动YARN Session
脚本可以携带的参数:
Usage:
Required
-n,--container <arg> 分配多少个yarn 容器(=taskmanager 的数量)
Optional
-D <arg> 动态属性
-d,--detached 独立运行(以分离模式运行作业,不启动客户端进程,不打印YARN返回信息)
-id,--applicationId <arg> YARN 集群上的任务id,附着到一个后台运行的yarn
session 中
-j,--jar <arg> Path to Flink jar file
-jm,--jobManagerMemory <arg> JobManager 的内存[in MB]
-m,--jobmanager <host:port> 指定需要连接的jobmanager(主节点)地址
使用这个参数可以指定一个不同于配置文件中的jobmanager
-n,--container <arg> 分配多少个yarn 容器(=taskmanager 的数量)
-nm,--name <arg> 在YARN 上为一个自定义的应用设置一个名字
-q,--query 显示yarn 中可用的资源(内存, cpu 核数)
-qu,--queue <arg> 指定YARN 队列
-s,--slots <arg> 每个TaskManager 使用的slots 数量
-st,--streaming 在流模式下启动Flink
-tm,--taskManagerMemory <arg> 每个TaskManager 的内存[in MB]
-z,--zookeeperNamespace <arg> 针对HA 模式在zookeeper 上创建NameSpace
注意:
如果不想让Flink YARN 客户端始终运行,那么也可以启动分离的YARN 会话。该参数被称为-d 或–detached。
启动:
bin/yarn-session.sh -n 2 -tm 800 -s 1 -d
上面的命令的意思是, 同时向Yarn 申请3 个container( 即便只申请了两个, 因为ApplicationMaster 和Job Manager 有一个额外的容器。一旦将Flink 部署到YARN 群集中,它就会显示Job Manager 的连接详细信息),其中2 个Container 启动TaskManager(-n 2),每个TaskManager 拥有两个Task Slot(-s 2),并且向每个TaskManager 的Container 申请800M 的内存,以及一个ApplicationMaster(Job Manager)。
启动成功之后,控制台显示:
去yarn 页面:ip:8088 可以查看当前提交的flink session
点击ApplicationMaster 进入任务页面:
上面的页面就是使用:yarn-session.sh 提交后的任务页面;
使用flink 提交任务
bin/flink run examples/batch/WordCount.jar
在控制台中可以看到wordCount.jar 计算出来的任务结果;
在yarn-session.sh 提交后的任务页面中也可以观察到当前提交的任务:
停止当前任务:
yarn application -kill application_1527077715040_0007
3.3.6.2 第二种方式:在YARN 上运行一个Flink 作业
上面的YARN session 是在Hadoop YARN 环境下启动一个Flink cluster 集群,里面的资源是可以共享给其他的Flink 作业。我们还可以在YARN 上启动一个Flink 作业,这里我们还是使用./bin/flink,但是不需要事先启动YARN session:
使用flink 直接提交任务
bin/flink run -m yarn-cluster examples/batch/WordCount.jar
在8088 页面观察:
停止yarn-cluster
yarn application -kill application 的ID
4、Flink 运行架构
4.1 任务提交流程
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。
4.2 任务调度原理
客户端不是运行时和程序执行的一部分,但它用于准备并发送dataflow 给Master,然后,客户端断开连接或者维持连接以等待接收计算结果,客户端可以以两种方式运行:要么作为Java/Scala 程序的一部分被程序触发执行,要么以命令行./bin/flink run 的方式执行。
4.3 Worker 与Slots
每一个worker(TaskManager)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。
Task Slot 是静态的概念, 是指TaskManager 具有的并发执行能力, 可以通过参数taskmanager.numberOfTaskSlots 进行配置,而并行度parallelism 是动态概念,即TaskManager运行程序时实际使用的并发能力,可以通过参数parallelism.default 进行配置。也就是说,假设一共有3 个TaskManager,每一个TaskManager 中的分配3 个TaskSlot,也就是每个TaskManager 可以接收3 个task , 一共9 个TaskSlot , 如果我们设置parallelism.default=1,即运行程序默认的并行度为1,9 个TaskSlot 只用了1 个,有8 个空闲,因此,设置合适的并行度才能提高效率。
4.4 程序与数据流
Flink 程序的基础构建模块是流(streams) 与转换(transformations)(需要注意的是,Flink 的DataSet API 所使用的DataSets 其内部也是stream)。一个stream 可以看成一个中间结果,而一个transformations 是以一个或多个stream 作为输入的某种operation,该operation利用这些stream 进行计算从而产生一个或多个result stream。
在运行时,Flink 上运行的程序会被映射成streaming dataflows,它包含了streams 和transformations operators。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),当然特定形式的环可以通过iteration 构建。在大部分情况下,程序中的transformations 跟dataflow 中的operator 是一一对应的关系,但有时候,一个transformation 可能对应多个operator。
4.5 并行数据流
Flink 程序的执行具有并行、分布式的特性。在执行过程中,一个stream 包含一个或多个stream partition ,而每一个operator 包含一个或多个operator subtask,这些operator subtasks 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得执行。
一个特定operator 的subtask 的个数被称之为其parallelism(并行度)。一个stream 的并行度总是等同于其producing operator 的并行度。一个程序中,不同的operator 可能具有不同的并行度。
Stream 在operator 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operator 的种类。
One-to-one:stream(比如在source 和map operator 之间)维护着分区以及元素的顺序。那意味着map operator 的subtask 看到的元素的个数以及顺序跟source operator 的subtask 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(map()跟keyBy/window 之间或者keyBy/window 跟sink 之间)的分区会发生改变。每一个operator subtask 依据所选择的transformation 发送数据到不同的目标subtask。例如,keyBy() 基于hashCode 重分区、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。
4.6 task 与operator chains
出于分布式执行的目的,Flink 将operator 的subtask 链接在一起形成task,每个task 在一个线程中执行。将operators 链接成task 是非常有效的优化:它能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。链接的行为可以在编程API 中进行指定。
下面这幅图,展示了5 个subtask 以5 个并行的线程来执行:
5、DataSet API 开发
5.1 案例
5.1.1 Flink 批处理程序的一般流程
-
获取Flink 批处理执行环境
-
构建source
-
数据处理
-
构建sink
5.1.2 JAVA示例
导入Flink 所需的Maven 依赖
<dependency>
<groupId>org.apache.flink</groupId>
<artifactId>flink-core</artifactId>
<version>1.10.1</version>
</dependency>
<dependency>
<groupId>org.apache.flink</groupId>
<artifactId>flink-java</artifactId>
<version>1.10.1</version>
</dependency>
<dependency>
<groupId>org.apache.flink</groupId>
<artifactId>flink-streaming-java_2.12</artifactId>
<version>1.10.1</version>
</dependency>
<dependency>
<groupId>org.apache.hadoop</groupId>
<artifactId>hadoop-common</artifactId>
<version>2.7.7</version>
</dependency>
<dependency>
<groupId>org.apache.hadoop</groupId>
<artifactId>hadoop-client</artifactId>
<version>2.7.7</version>
</dependency>
<dependency>
<groupId>org.apache.flink</groupId>
<artifactId>flink-connector-kafka_2.12</artifactId>
<version>1.10.1</version>
</dependency>
使用java编写Flink 程序,用来统计单词的数量。
import org.apache.flink.api.common.functions.FlatMapFunction;
import org.apache.flink.api.java.ExecutionEnvironment;
import org.apache.flink.api.java.operators.DataSource;
import org.apache.flink.api.java.tuple.Tuple2;
import org.apache.flink.util.Collector;
//批处理指的是离线数据的处理
public class BatchWordCount {
public static void main(String[] args) throws Exception {
/**
* 1.读取外部文件,word.txt,词频统计
*/
//1.创建批处理运行环境
ExecutionEnvironment env = ExecutionEnvironment.getExecutionEnvironment();
//2.创建数据源 source
//readTextFile用于读取外部文件,既可以是本地文件,也可以是hdfs
DataSource<String> source = env.readTextFile("hdfs://hadoop01:8020/test/input/word.txt");
//3.数据处理过程, 处理过程中会调用dataset的方法,这些方法称为算子,也叫作operator
//hello world hadoop --> hello 1 world 1 hadoop 1
//常用算子map:完成数据一对一转换操作
// flatMap(扁平化处理):数据压扁,数据会形成一对多的操作
// filter :数据的过滤
// reduce: 数据的聚合
FlatMapOperator<String, Tuple2<String, Integer>> wordAndOne = source.flatMap(
//泛型表示,接收的数据类型和返回的数据类型
new FlatMapFunction<String, Tuple2<String, Integer>>() {
/**
* 会一行一行数据处理
* @param value:获取一行一行的数据
* @param out:收集器,将数据收集输出
* @throws Exception
*/
@Override
public void flatMap(String value, Collector<Tuple2<String, Integer>> out) throws Exception {
// value :hello world hadoop
String[] words = value.split(" ");
//将每一个词循环输出
for (String word : words) {
//将数据收集输出
out.collect(new Tuple2<String, Integer>(word, 1));
}
}
});
//先分组,再聚合,0表示按照第一个字段分组
UnsortedGrouping<Tuple2<String, Integer>> groupByOperator = wordAndOne.groupBy(0);
//数据聚合,1表示第二个字段
AggregateOperator<Tuple2<String, Integer>> result = groupByOperator.sum(1);
//4.数据下沉 sink
//print是sink的方法,在下沉中使用
//result.print();
result.writeAsText("hdfs://hadoop01:8020/test/output111", FileSystem.WriteMode.OVERWRITE).setParallelism(1);
//flink中是惰性加载,必须加上execute
env.execute();
}
}
6、DataStream API 开发
6.1 案例
6.1.1 Flink 流处理程序的一般流程
-
获取Flink 流处理执行环境
-
构建source
-
数据处理
-
构建sink
6.1.2 示例
编写Flink 程序,用来统计单词的数量。
6.1.3 步骤
-
获取Flink 批处理运行环境
-
构建一个socket 源
-
使用flink 操作进行单词统计
-
打印
6.1.4 参考代码
public static void main(String[] args) throws Exception {
//1.创建流处理环境
StreamExecutionEnvironment env = StreamExecutionEnvironment.getExecutionEnvironment();
//2.指定数据源 socket数据源中输入一行一行的数据:hello world
DataStreamSource<String> source = env.socketTextStream("hadoop01", 9999);
//3.数据处理
//hello world --》 hello 1
SingleOutputStreamOperator<Tuple2<String, Integer>> flatMapOperator = source.flatMap(new FlatMapFunction<String, Tuple2<String, Integer>>() {
@Override
public void flatMap(String value, Collector<Tuple2<String, Integer>> out) throws Exception {
//value拆分
String[] words = value.split(" ");
for (String word : words) {
out.collect(new Tuple2<String, Integer>(word, 1));
}
}
});
//分流,聚合
KeyedStream<Tuple2<String, Integer>, Tuple> keyedStream = flatMapOperator.keyBy(0);
//集合的是无界的数据流
//SingleOutputStreamOperator<Tuple2<String, Integer>> result = keyedStream.sum(1);
//有界的数据流
WindowedStream<Tuple2<String, Integer>, Tuple, TimeWindow> windowStream = keyedStream.timeWindow(Time.seconds(10));
SingleOutputStreamOperator<Tuple2<String, Integer>> result = windowStream.sum(1);
//4.数据下沉
result.print();
env.execute();
}
注:安装netcat
yum -y install nc
6.2 基于kafka 的source 操作
addSource - 添加一个新的source function 。例如, 你可以addSource(new FlinkKafkaConsumer<>(…)) 以从Apache Kafka 读取数据。
上面几种的特点:
-
基于集合:有界数据集,更偏向于本地测试用
-
基于文件:适合监听文件修改并读取其内容
-
基于Socket:监听主机的host port,从Socket 中获取数据
-
自定义addSource:大多数的场景数据都是无界的,会源源不断的过来。比如去消费Kafka某个topic 上的数据,这时候就需要用到这个addSource,可能因为用的比较多的原因吧,Flink 直接提供FlinkKafkaConsumer 等类可供你直接使用。你可以去看看FlinkKafkaConsumerBase 这个基础类,它是Flink Kafka 消费的最根本的类。Flink 目前支持如下图里面常见的Source:
Flink 提供的Kafka 连接器,用于向Kafka 主题读取或写入数据。Flink Kafka Consumer集成了Flink 的检查点机制,可提供一次性处理语义。为实现这一目标,Flink 并不完全依赖kafka的消费者群体偏移跟踪,而是在内部跟踪和检查这些偏移。
6.2.1 不同版本兼容介绍
Flink版本 | Kafka版本 |
---|---|
1.12.X | 2.4.1 |
1.11.X | 2.4.1 |
1.10.X | 2.2.0 |
1.9.X | 2.2.0 |
1.8.X | 2.0.1 |
1.7.X | 2.0.1 |
0.10.x | 0.8.2.0 |
0.9.x | 0.8.2.0 |
在Maven仓库网站https://mvnrepository.com/中,找到flink-connector-kafka的详情页面:https://mvnrepository.com/artifact/org.apache.flink/flink-connector-kafka
6.2.2 构造函数参数说明
主题名称/主题名称列表
DeserializationSchema / KeyedDeserializationSchema 用于反序列化来自Kafka 的数据
Kafka 消费者的属性。需要以下属性:
“bootstrap.servers”(以逗号分隔的Kafka 经纪人名单)
“zookeeper.connect”(逗号分隔的Zookeeper 服务器列表)(仅Kafka 0.8 需要)
“group.id”消费者群组的ID
6.2.3 反序列化Schema 类型
作用:对kafka 里获取的二进制数据进行反序列化
FlinkKafkaConsumer 需要知道如何将kafka 中的二进制数据转换成Java/Scala 对象
DeserialzationSchema 定义了该转换模式,通过T deserialize(byte[] message)
FlinkKafkaConsumer 从kafka 获取的每条消息都会通过DeserialzationSchema 的T deserialize(byte[] message)反序列化处理
反序列化Schema 类型(接口)
DeserialzationSchema(只反序列化value)
KeyedDeserializationSchema(反序列化key 和value)
6.2.4 常用的反序列化shema
Schema | 描述 |
---|---|
SimpleStringSchema | 可以将消息反序列化为字符串。 当我们接收到消息并且反序列化失败的时候, 会出现以下两种情况: 1) Flink 从 deserialize(…)方法中抛出异常, 这会导致 job 的失败, 然后 job 会重启; (没有开启 容错) 2) 在 deserialize(…) 方法出现失败的时候返回 null, 这会让 Flink Kafka consumer 默默的忽略 这条消息。 请注意, 如果配置了 checkpoint 为 enable, 由于 consumer 的失败容忍机制, 失败的消 息会被继续消费, 因此还会继续失败, 这就会导致 job 被不断自动重启 |
JSONDeserializationSchema JSONKeyValueDeserializationSchema | 可以把序列化后的 Json 反序列化成 ObjectNode, ObjectNode 可以通过 objectNode.get(“field” ).as(Int/String/…)() 来访问指定的字段 |
TypeInformationSerializationSchema TypeInformationKeyValueSerializationSchema | (适合读写均是 flink 的场景)他们会基于 Flink 的 TypeInformation 来创建 schema。 这对于那些从 Flink 写入, 又从 Flink 读出的数据是很有用的。 这种 Flink-specific 的反序列化会比其他通用的序 列化方式带来更高的性能。 |
6.2.5 Kafka Consumers 消费模式配置(影响从哪里开始消费)
消费模式 | 说明 | |
---|---|---|
setStartFromEarliest | 从对头开始, 最早的记录 | 内部的 consumer 递交到 kafka/zk 的偏移量将被忽略 |
setStartFromLatest | 从对尾开始, 最新的记录 | 内部的 consumer 递交到 kafka/zk 的偏移量将被忽略 |
setStartFromGroupOffsets | 默认值, 从当前消费组记录 的偏移量开始, 接着上次的 偏移量消费 | 以 consumer 递交到 kafka/zk 中的偏移量为起始位置开始消费, group.id 设置在 consumer 的 properties 里面; 如果没有找到记录的偏移量, 则使用 consumer 的 properties 的 auto.offset.reset 设置的策略 |
setStartFromSpecificOffsets(Map<TopicPart ition, Long>的参数) | 从指定的具体位置开始消费 | |
setStartFromTimestamp(long) | 从指定的时间戳开始消费 | 对于每个分区, 时间戳大于或者等于指定时间戳的记录将用作起始位 置, 如果一个分区的最新时间早于时间戳, 那么只需要从最新记录中 读取该分区, 在此模式下, kafka/zk 中递交的偏移量将被忽略,时间 戳指的是 kafka 中消息自带的时间戳 |
简单理解:
如果是默认行为(setStartFromGroupOffsets),那么任务从检查点重启,按照重启前的offset 进行消费,如果直接重启不从检查点重启并且group.id 不变,程序会按照上次提交的offset 的位置继续消费。如果group.id 改变了,则程序按照auto.offset.reset 设置的属性进行消费。但是如果程序带有状态的算子,还是建议使用检查点重启。
如果是setStartFromEarliest()/ setStartFromLatest():那么任务只会从最新或最老消费。
6.2.6 Kafka 动态分区检测
对于有实时处理业务需求的企业,随着业务增长数据量也会同步增长,将导致原有的Kafka分区数不满足数据写入所需的并发度,需要扩展Kafka 的分区或者增加Kafka 的topic,这时就要求实时处理程序。
SparkStreaming(与Kafka 0.10 版本结合支持动态分区检测)、Flink(创建一个线程,该线程会定期检测Kafka 新增分区,然后将其添加到kafkaFetcher 里) 都能动态发现新增topic 分区并消费处理新增分区的数据。
Spark 无需做任何配置就可动态发现Kafka 新增分区, 而Flink 需要将flink.partition-discovery.interval-millis 该属性设置为大于0 ,属性值为时间间隔单位为毫秒。
6.2.7 使用案例
public static void main(String[] args) throws Exception {
//1.创建环境
StreamExecutionEnvironment env = StreamExecutionEnvironment.getExecutionEnvironment();
//2.指定数据源
//创建kafka消费者
/**
* String topic, 主题
* DeserializationSchema<T> valueDeserializer, 指定反序列化数据的类型
* new SimpleStringSchema():按照字符串反序列化
* Properties props:配置参数
*/
Properties properties = new Properties();
properties.setProperty("bootstrap.servers", "hadoop01:9092,hadoop02:9092");
properties.setProperty("group.id", "test");
properties.setProperty("flink.partition-discovery.interval-millis", "5000");
FlinkKafkaConsumer<String> consumer = new FlinkKafkaConsumer<>("test", new SimpleStringSchema(), properties);
String topic = "test";
HashMap<KafkaTopicPartition, Long> offsets = new HashMap<>();
offsets.put(new KafkaTopicPartition(topic, 0), 11111111l);
offsets.put(new KafkaTopicPartition(topic, 1), 222222l);
offsets.put(new KafkaTopicPartition(topic, 2), 33333333l);
/**
* Flink 从topic 中最初的数据开始消费
*/
consumer.setStartFromEarliest();
/**
* Flink 从topic 中指定的时间点开始消费,指定时间点之前的数据忽略
*/
consumer.setStartFromTimestamp(1559801580000l);
/**
* Flink 从topic 中指定的offset 开始,这个比较复杂,需要手动指定offset
*/
consumer.setStartFromSpecificOffsets(offsets);
/**
* Flink 从topic 中最新的数据开始消费
*/
consumer.setStartFromLatest();
/**
* Flink 从topic 中指定的group 上次消费的位置开始消费,所以必须 配置group.id 参数
*/
consumer.setStartFromGroupOffsets();
DataStreamSource<String> source = env.addSource(consumer);
//3.数据处理
//filter
SingleOutputStreamOperator<Tuple2<String, Integer>> mapOperator = source.map(new MapFunction<String, Tuple2<String, Integer>>() {
@Override
public Tuple2<String, Integer> map(String value) throws Exception {
//value就是一条记录
String[] attrs = value.split("\\|");
if (attrs.length == 5) {//etl
return new Tuple2<String, Integer>(attrs[4], 1);
}
return new Tuple2<String, Integer>("异常数据", 1);
}
});
//分流,聚合
KeyedStream<Tuple2<String, Integer>, Tuple> keyedStream = mapOperator.keyBy(0);
SingleOutputStreamOperator<Tuple2<String, Integer>> result = keyedStream.sum(1);
//4.数据输出
result.print();
//
//result.addSink()
env.execute();
}
启动kafka服务
先启动zookeeper在启动kafka
cd /opt/servers/kafka_2.12-2.2.0
nohup bin/kafka-server-start.sh config/server.properties 2>&1 &
启动kafka生产者测试数据
cd /opt/servers/kafka_2.12-2.2.0
bin/kafka-console-producer.sh --broker-list hadoop01:9092,hadoop02:9092,hadoop03:9092 --topic test
查看偏移量
kafka-consumer-groups.sh --bootstrap-server hadoop01:9092 --group test --describe