02- Flink 部署、运行架构

Flink 部署、运行架构

1. Flink 部署

Flink有多种部署方案：standalone 方式、yarn模式，k8s部署。

由于环境限制，这里只展示 standalone 单机部署方案。

首先下载最新版，然后进行解压。

解压后，目录如下所示：

通过start-cluster.sh启动 flink。

flink默认占用本机的 8081 端口，可以在配置文件中更改端口。

通过浏览器打开，可以看到如下主页。

向Flink 提交一个Word Count任务，可以通过Flink的主页提交，也可以通过命令进行提交。

我们通过如下命令，提交flink提供的示例。

./bin/flink run examples/streaming/WordCount.jar

打开主页，可以看到一个已经完成了的job。

点击即可进入该job的主页，查看job的详细信息。

2. 运行架构四大组件

Flink有如下四大组件:

Job Manager

控制应用程序执行的主进程，每个应用程序都会被一个 Job Manager 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，这个图被交租“执行图”（ExecutionGraph），包含了所有可以并发执行的任务。
JobManager会向资源管理器请求执行任务必要的资源，也就是任务管理器上的插槽（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任务管理器。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。

Task Manager

Flink 中的工作进程。通常在 Flink 中会有多个 TaskManager 运行，每一个 TaskManager 都包含了一个数量的插槽（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 可以跟其他运行同一应用程序的 TaskManager 交换数据。

Resource Manager

主要负责管理任务管理器（Task Manager）的插槽（slot），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的资源管理器，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 Resource Manager 没有足够的插槽来满足 JobManager 的请求，它还可以想资源提供平台发起会话，以提供 TaskManager 进程的容器。

Dispatcher

作业提交流程

yarn环境下，作业提交流程如下：

任务调度原理

Slot 和任务调度并行度

一个特定算子的子任务（subtask）的个数称之为其并行度（parallelism）。
一般情况下，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。

TaskManager 和 Slot

Flink中每一个 TaskManager 都是一个 JVM 进程，它可能会在独立的线程上至下一个任务或多个子任务。

为了控制一个 TaskManager 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）。

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。这样的结果就是，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。

Slot 和并行度的关系

并行子任务的分配如下所示：

程序结构和数据流图

执行图（ExecutionGraph）

Flink 中的执行图可以分成以下几层：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。主要的优化未，将多个符合条件的节点 chain 在一起作为一个节点。
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。

数据传输形式

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，取决于算子的种类。
one-to-one：stream 维护着分区以及元素的顺序（比如 source 和 map 之间）。着意味着 map 算子的字任务看到的元素的个数以及顺序跟 source 算子的字任务生产的元素的个数、顺序相同。map、filter、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 hashcode 重分区、而 boradcast 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。

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（local 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。