Flink安装及运行说明

Flink部署Linux集群版

修改flink-conf.yaml，指定master节点地址

修改masters，配置master信息

修改workers，配置worker信息

分发配置到集群下，启动bin/start-cluster.sh

访问http://bigdata100:8081可以对flink集群和任务进行监控管理

Flink任务提交方式

直接flink启动任务

flink run -c czs.study.WordCount –p 2 flink-study.jar --host lcoalhost –port 7777

以Yarn模式部署Flink任务时，要求Flink是有Hadoop支持的版本，Hadoop环境需要保证版本在2.2以上，并且集群中安装有HDFS服务

Flink on Yarn-Session-cluster模式

Session-Cluster模式需要先启动集群，然后再提交作业，接着会向yarn申请一块空间后，资源永远保持不变。如果资源满了，下一个作业就无法提交，只能等到yarn中的其中一个作业执行完成后，释放了资源，下个作业才会正常提交。所有作业共享Dispatcher和ResourceManager共享资源。适合规模小执行时间短的作业。在yarn中初始化一个flink集群，开辟指定的资源，以后提交任务都向这里提交。这个flink集群会常驻在yarn集群中，除非手工停止

# 启动yarn-session
bin/yarn-session.sh -n 2 -s 2 -jm 1024 -tm 1024 -nm test -d

# 取消yarn-session
yarn application --kill application_id

-n(–container)：TaskManager的数量。

-s(–slots)： 每个TaskManager的slot数量，默认一个slot 一个 core，默认每个taskmanager的slot的个数为1，有时可以多一些taskmanager，做冗余

-jm：JobManager的内存(单位MB)

-tm：每个taskmanager的内存(单位MB)

-nm：yarn的appName(现在yarn的ui上的名字)

-d：后台执行

# 先开启yarn-session再执行任务
flink run -c czs.study.WordCount –p 2 flink-study.jar --host lcoalhost –port 7777

Flink on Yarn-Per-Job-Cluster模式

一个Job会对应一个集群，需要先启动Hadoop集群，每提交一个作业会根据自身的情况，都会单独向yarn申请资源，直到作业执行完成，一个作业的失败与否并不会影响下一个作业的正常 提交和运行。独享Dispatcher和ResourceManager，按需接受资源申请，适合规模大长时间运行的作业。每次提交都会创建一个新的flink集群，任务之间互相独立，互不影响，方便管理，任务执行完成之后创建的集群也会消失

bin/flink run \
-t yarn-per-job \
-d \
-p 1 \
-Djobmanager.memory.process.size=2048mb \
-Dtaskmanager.memory.process.size=4096mb \
-Dtaskmanager.numberOfTaskSlots=2 \
-c czs.study.flink.WordCount \
./flinkyarncluster-1.0-SNAPSHOT-jar-with-dependencies.jar

Flink运行架构

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。作业管理器(Job Manager)、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。

JobManager-作业管理器

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(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他们的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(checkpoint)的协调

ResourceManager-资源管理器

主要负责管理任务管理器的插槽，TaskManager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

TaskManager-任务管理器

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就可以向插槽中分配任务(tasks)来执行，在执行过程中，一个TaskManager可以跟其他运行同一应用程序的TaskManager交换数据

Dispatcher-分配器

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TaskManager。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，用于方便的展示和监控作业执行信息。Dispatcher在架构中可能并不是必须的，这取决于应用提交运行的方式

任务提交流程

YARN模式任务提交流程：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

任务调度原理

客户端部署运行时和程序执行的一部分，但它用于准备并发送dataflow(JobGraph)给Master(JobManager)然后客户端断开连接或者维持连接以等待接收计算结果

当Flink集群启动后，首先会启动一个JobManager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可以结束进程也可以不结束等待结果返回

JobManager主要负责调度Job并协调Task做checkpoint，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处接受需要部署的Task，部署启动后，与自己的上游建立Netty连接，接收数据并处理

TaskManager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。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可能是通过一个特点的容器启动的），而一个TaskManager多个slot意味着更多的subtask可以共享用一个JVM。而在同一个JVM进程中的task将共享tcp连接(基于多路复用)和心跳信息。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

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(前提是它们来自同一个 job)。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，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

DataFlow-程序与数据流

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，但有时候一个transformation可能对应多个operator

ExecutionGraph-执行图

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

Parallelism-并行度

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

Stream在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(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。类似于spark中的窄依赖

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、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。类似于spark中的宽依赖

任务链-Operator Chains

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一部分。将算子链接成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