欢迎您访问365答案网,请分享给你的朋友!
生活常识 学习资料

Flink安装及运行说明

时间:2023-05-01
目录

Flink部署Linux集群版Flink任务提交方式Flink运行架构 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-sessionbin/yarn-session.sh -n 2 -s 2 -jm 1024 -tm 1024 -nm test -d# 取消yarn-sessionyarn 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

Copyright © 2016-2020 www.365daan.com All Rights Reserved. 365答案网 版权所有 备案号:

部分内容来自互联网,版权归原作者所有,如有冒犯请联系我们,我们将在三个工作时内妥善处理。