51、Flink的管理执行（执行配置、程序打包和并行执行）的介绍及示例

Flink 系列文章

一、Flink 专栏

Flink 专栏系统介绍某一知识点，并辅以具体的示例进行说明。

• 1、Flink 部署系列 本部分介绍Flink的部署、配置相关基础内容。
• 2、Flink基础系列 本部分介绍Flink 的基础部分，比如术语、架构、编程模型、编程指南、基本的datastream api用法、四大基石等内容。
• 3、Flik Table API和SQL基础系列 本部分介绍Flink Table Api和SQL的基本用法，比如Table API和SQL创建库、表用法、查询、窗口函数、catalog等等内容。
• 4、Flik Table API和SQL提高与应用系列 本部分是table api 和sql的应用部分，和实际的生产应用联系更为密切，以及有一定开发难度的内容。
• 5、Flink 监控系列 本部分和实际的运维、监控工作相关。

二、Flink 示例专栏

Flink 示例专栏是 Flink 专栏的辅助说明，一般不会介绍知识点的信息，更多的是提供一个一个可以具体使用的示例。本专栏不再分目录，通过链接即可看出介绍的内容。

两专栏的所有文章入口点击：Flink 系列文章汇总索引

文章目录

本文介绍了Flink的管理执行的三个内容，即执行配置、打包和分布式运行以及并行执行（设置并行度的几种方式）。

如果需要了解更多内容，可以在本人Flink 专栏中了解更新系统的内容。

本文除了maven依赖外，没有其他依赖。

一、执行配置

StreamExecutionEnvironment 包含了 ExecutionConfig，它允许在运行时设置作业特定的配置值。要更改影响所有作业的默认值，请参阅配置。

StreamExecutionEnvironment env =StreamExecutionEnvironment.getExecutionEnvironment();ExecutionConfig executionConfig = env.getConfig();

以下是可用的配置选项（下面粗体部分为系统默认值）：

• setClosureCleanerLevel() closure cleaner 的级别默认设置为 ClosureCleanerLevel.RECURSIVE。closure cleaner 删除 Flink 程序中对匿名 function 的调用类的不必要引用。禁用 closure cleaner 后，用户的匿名 function 可能正引用一些不可序列化的调用类。这将导致序列化器出现异常。 可设置的值是： NONE：完全禁用 closure cleaner ， TOP_LEVEL：只清理顶级类而不递归到字段中， RECURSIVE：递归清理所有字段。
• getParallelism() / setParallelism(int parallelism) 为作业设置默认的并行度。
• getMaxParallelism() / setMaxParallelism(int parallelism) 为作业设置默认的最大并行度。此设置决定最大并行度并指定动态缩放的上限。
• getNumberOfExecutionRetries() / setNumberOfExecutionRetries(int numberOfExecutionRetries) 设置失败任务重新执行的次数。 值为零会有效地禁用容错。 -1 表示使用系统默认值（在配置中定义）。 该配置已弃用，请改用重启策略 。
• getExecutionRetryDelay() / setExecutionRetryDelay(long executionRetryDelay) 设置系统在作业失败后重新执行之前等待的延迟（以毫秒为单位）。 在 TaskManagers 上成功停止所有任务后，开始计算延迟，一旦延迟过去，任务会被重新启动。 此参数对于延迟重新执行的场景很有用，当尝试重新执行作业时，由于相同的问题，作业会立刻再次失败，该参数便于作业再次失败之前让某些超时相关的故障完全浮出水面（例如尚未完全超时的断开连接）。 此参数仅在执行重试次数为一次或多次时有效。 该配置已被弃用，请改用重启策略 。
• getExecutionMode() / setExecutionMode()。默认的执行模式是 PIPELINED 设置执行模式以执行程序。 执行模式定义了数据交换是以批处理方式还是以流方式执行。
• enableForceKryo() / disableForceKryo() 默认情况下不强制使用 Kryo。 强制 GenericTypeInformation 对 POJO 使用 Kryo 序列化器，即使我们可以将它们作为 POJO 进行分析。 在某些情况下，应该优先启用该配置。 例如，当 Flink 的内部序列化器无法正确处理 POJO 时。
• enableForceAvro() / disableForceAvro() 默认情况下不强制使用 Avro。 强制 Flink AvroTypeInfo 使用 Avro 序列化器而不是 Kryo 来序列化 Avro 的 POJO。
• enableObjectReuse() / disableObjectReuse() 默认情况下，Flink 中不重用对象。 启用对象重用模式会指示运行时重用用户对象以获得更好的性能。 当一个算子的用户代码 function 没有意识到这种行为时可能会导致bug。
• getGlobalJobParameters() / setGlobalJobParameters() 此方法允许用户将自定义对象设置为作业的全局配置。 由于 ExecutionConfig 可在所有用户定义的 function 中访问，因此这是一种使配置在作业中全局可用的简单方法。
• addDefaultKryoSerializer(Class<?> type, Serializer<?> serializer) 为指定的类型注册 Kryo 序列化器实例。
• addDefaultKryoSerializer(Class<?> type, Class<? extends Serializer<?>> serializerClass) 为指定的类型注册 Kryo 序列化器的类。
• registerTypeWithKryoSerializer(Class<?> type, Serializer<?> serializer) 使用 Kryo 注册指定类型并为其指定序列化器。 通过使用 Kryo 注册类型，该类型的序列化将更加高效。
• registerKryoType(Class<?> type) 如果类型最终被 Kryo 序列化，那么它将在 Kryo 中注册，以确保只有标记（整数 ID）被写入。 如果一个类型没有在 Kryo 注册，它的全限定类名将在每个实例中被序列化，从而导致更高的 I/O 成本。
• registerPojoType(Class<?> type) 将指定的类型注册到序列化栈中。 如果该类型最终被序列化为 POJO，那么该类型将注册到 POJO 序列化器中。 如果该类型最终被 Kryo 序列化，那么它将在 Kryo 中注册，以确保只有标记被写入。 如果一个类型没有在 Kryo 注册，它的全限定类名将在每个实例中被序列化，从而导致更高的I/O成本。

用 registerKryoType() 注册的类型对 Flink 的 Kryo 序列化器实例来说是不可用的。

• disableAutoTypeRegistration() 自动类型注册在默认情况下是启用的。 自动类型注册是将用户代码使用的所有类型（包括子类型）注册到 Kryo 和 POJO 序列化器。
• setTaskCancellationInterval(long interval) 设置尝试连续取消正在运行任务的等待时间间隔（以毫秒为单位）。 当一个任务被取消时，会创建一个新的线程，如果任务线程在一定时间内没有终止，新线程就会定期调用任务线程上的 interrupt() 方法。 这个参数是指连续调用 interrupt() 的时间间隔，默认设置为 30000 毫秒，或 30秒 。

通过 getRuntimeContext() 方法在 Rich* function 中访问到的 RuntimeContext 也允许在所有用户定义的 function 中访问 ExecutionConfig。

二、程序打包和分布式运行

Flink 程序可以使用 remote environment 在集群上执行。或者，程序可以被打包成 JAR 文件（Java Archives）执行。如果使用命令行的方式执行程序，将程序打包是必需的。

1、打包程序

为了能够通过命令行或 web 界面执行打包的 JAR 文件，程序必须使用通过 StreamExecutionEnvironment.getExecutionEnvironment() 获取的 environment。

当 JAR 被提交到命令行或 web 界面后，该 environment 会扮演集群环境的角色。如果调用 Flink 程序的方式与上述接口不同，该 environment 会扮演本地环境的角色。

打包程序只要简单地将所有相关的类导出为 JAR 文件，JAR 文件的 manifest 必须指向包含程序入口点（拥有公共 main 方法）的类。

实现的最简单方法是将 main-class 写入 manifest 中（比如 main-class: org.apache.flinkexample.MyProgram）。

main-class 属性与 Java 虚拟机通过指令 java -jar pathToTheJarFile 执行 JAR 文件时寻找 main 方法的类是相同的。

大多数 IDE 提供了在导出 JAR 文件时自动包含该属性的功能。

2、总结

调用打包后程序的完整流程包括两步：

• 搜索 JAR 文件 manifest 中的 main-class 或 program-class 属性。如果两个属性同时存在，program-class 属性会优先于 main-class 属性。对于 JAR manifest 中两个属性都不存在的情况，命令行和 web 界面支持手动传入入口点类名参数。
• 系统接着调用该类的 main 方法。

三、并行执行

一个 Flink 程序由多个任务 task 组成（转换/算子、数据源和数据接收器）。一个 task 包括多个并行执行的实例，且每一个实例都处理 task 输入数据的一个子集。一个 task 的并行实例数被称为该 task 的 并行度 (parallelism)。

使用 savepoints 时，应该考虑设置最大并行度。当作业从一个 savepoint 恢复时，你可以改变特定算子或着整个程序的并行度，并且此设置会限定整个程序的并行度的上限。由于在 Flink 内部将状态划分为了 key-groups，且性能所限不能无限制地增加 key-groups，因此设定最大并行度是有必要的。

1、设置并行度

一个 task 的并行度可以从多个层次指定：

1）、算子层次

单个算子、数据源和数据接收器的并行度可以通过调用 setParallelism()方法来指定。如下所示：

// 设置 算子 并行度staticvoidtest1()throwsException{StreamExecutionEnvironment env =StreamExecutionEnvironment.getExecutionEnvironment();DataStream<String> source = env.socketTextStream("192.168.10.42",8888).map(o ->{String[] lines = o.split(",");return"name:"+ lines[0]+" age: "+ lines[1];}).setParallelism(8);// 设置map的并行度

     source.print();
     env.execute();}

2）、执行环境层次

Flink 程序运行在执行环境的上下文中。执行环境为所有执行的算子、数据源、数据接收器 (data sink) 定义了一个默认的并行度。可以显式配置算子层次的并行度去覆盖执行环境的并行度。

可以通过调用 setParallelism() 方法指定执行环境的默认并行度。如果想以并行度3来执行所有的算子、数据源和数据接收器。可以在执行环境上设置默认并行度，如下所示：

// 设置 执行环境层次 并行度staticvoidtest2()throwsException{StreamExecutionEnvironment env =StreamExecutionEnvironment.getExecutionEnvironment();
    env.setParallelism(8);DataStream<String> source = env.socketTextStream("192.168.10.42",8888).map(o ->{String[] lines = o.split(",");return"name:"+ lines[0]+" age: "+ lines[1];});

    source.print();
    env.execute();}

3）、客户端层次

将作业提交到 Flink 时可在客户端设定其并行度。客户端可以是 Java 或 Scala 程序，Flink 的命令行接口（CLI）就是一种典型的客户端。

在 CLI 客户端中，可以通过 -p 参数指定并行度，例如：

./bin/flink run -p10../examples/*WordCount-java*.jar

或者在 Java 程序中，可以通过如下方式指定并行度：
说明：
1、该种方法比较复杂，是不是相当于把Flink自身的客户端实现重新实现了一遍呢？大致逻辑如下，代码示例
2、具体实现可以参考其客户端的实现以及测试用例中的实现。
3、客户端的入口类为org.apache.flink.client.cli.CliFrontend；其测试用例类为org.apache.flink.client.program.ClientTest

importstaticorg.apache.flink.util.Preconditions.checkNotNull;importjava.io.File;importjava.net.URL;importjava.util.List;importjava.util.concurrent.CompletableFuture;importjava.util.stream.Stream;importjavax.annotation.Nonnull;importorg.apache.flink.api.common.JobID;importorg.apache.flink.api.common.Plan;importorg.apache.flink.api.java.ExecutionEnvironment;importorg.apache.flink.api.java.io.DiscardingOutputFormat;importorg.apache.flink.client.ClientUtils;importorg.apache.flink.client.FlinkPipelineTranslationUtil;importorg.apache.flink.client.cli.ExecutionConfigAccessor;importorg.apache.flink.client.deployment.ClusterClientJobClientAdapter;importorg.apache.flink.client.program.ClusterClient;importorg.apache.flink.client.program.MiniClusterClient;importorg.apache.flink.client.program.PackagedProgram;importorg.apache.flink.configuration.AkkaOptions;importorg.apache.flink.configuration.Configuration;importorg.apache.flink.configuration.CoreOptions;importorg.apache.flink.configuration.DeploymentOptions;importorg.apache.flink.configuration.JobManagerOptions;importorg.apache.flink.core.execution.DefaultExecutorServiceLoader;importorg.apache.flink.core.execution.JobClient;importorg.apache.flink.core.execution.PipelineExecutor;importorg.apache.flink.core.execution.PipelineExecutorFactory;importorg.apache.flink.core.execution.PipelineExecutorServiceLoader;importorg.apache.flink.runtime.jobgraph.JobGraph;importorg.apache.flink.runtime.jobgraph.SavepointRestoreSettings;importorg.apache.flink.runtime.testutils.InternalMiniClusterExtension;importorg.apache.flink.runtime.testutils.MiniClusterResourceConfiguration;/*
 * @Author: alanchan
 * @LastEditors: alanchan
 * @Description: 
 */publicclassTestParallelismByClientDemo{privatestaticfinalStringTEST_EXECUTOR_NAME="test_executor";privatestaticPlan plan;privatestaticConfiguration config;privatestaticfinalInternalMiniClusterExtensionMINI_CLUSTER_RESOURCE=newInternalMiniClusterExtension(newMiniClusterResourceConfiguration.Builder().build());publicstaticvoidmain(String[] args)throwsException{ExecutionEnvironment env =ExecutionEnvironment.createLocalEnvironment();
        env.generateSequence(1,1000).output(newDiscardingOutputFormat<>());
        plan = env.createProgramPlan();

        config =newConfiguration();
        config.setString(JobManagerOptions.ADDRESS,"localhost");

        config.set(AkkaOptions.ASK_TIMEOUT_DURATION,AkkaOptions.ASK_TIMEOUT_DURATION.defaultValue());// 1、构造PackagedProgramConfiguration configuration =newConfiguration();
        configuration.setString(DeploymentOptions.TARGET,TEST_EXECUTOR_NAME);
        configuration.set(CoreOptions.DEFAULT_PARALLELISM,2);// <dependency>// <groupId>org.apache.flink</groupId>// <artifactId>flink-runtime</artifactId>// <version>${flink.version}</version>// </dependency>String entryPointClass =TestExecute.class.getName();String jarFilePath ="../examples/flinktest.jar";//打包jar文件的路径File jarFile =newFile(jarFilePath);List<URL> classpaths =PackagedProgram.getJobJarAndDependencies(jarFile,entryPointClass);//    Creates an instance that wraps the plan defined in the jar file using the given arguments//    For generating the plan the class defined in the className parameter is used.//    private PackagedProgram(//            @Nullable File jarFile, //jarFile The jar file which contains the plan.//            List<URL> classpaths, //classpaths Additional classpath URLs needed by the Program.//            @Nullable String entryPointClassName, //entryPointClassName Name of the class which generates the plan. Overrides the class defined in the jar file manifest.//            Configuration configuration, //configuration Flink configuration which affects the classloading policy of the Program execution.//            SavepointRestoreSettings savepointRestoreSettings,//            String... args) //args Optional. The arguments used to create the pact plan, depend on implementation of the pact plan. See getDescription().PackagedProgram program =PackagedProgram.newBuilder().setJarFile(jarFile).setUserClassPaths(classpaths).setEntryPointClassName(entryPointClass).setConfiguration(configuration).setSavepointRestoreSettings(SavepointRestoreSettings.fromConfiguration(configuration)).setArguments(args).build();// 2、构造客户端执行环境// public static void executeProgram(//     PipelineExecutorServiceLoader executorServiceLoader,//     Configuration configuration,//     PackagedProgram program,//     boolean enforceSingleJobExecution,//     boolean suppressSysout)// ClientUtils.executeProgram(new DefaultExecutorServiceLoader(), configuration, program, false, false);ClusterClient<?> clusterClient =newMiniClusterClient(newConfiguration(),MINI_CLUSTER_RESOURCE.getMiniCluster());ClientUtils.executeProgram(newTestExecutorServiceLoader(clusterClient, plan), configuration, program,false,false);}publicstaticfinalclassTestExecute{publicstaticvoidmain(String[] args)throwsException{finalExecutionEnvironment env =ExecutionEnvironment.getExecutionEnvironment();for(int i =0; i <2; i++){
                env.fromElements(1,2).output(newDiscardingOutputFormat<>());JobClient jc = env.executeAsync();

                jc.getJobExecutionResult();}}}privatestaticfinalclassTestExecutorServiceLoaderimplementsPipelineExecutorServiceLoader{privatefinalClusterClient<?> clusterClient;privatefinalPlan plan;TestExecutorServiceLoader(finalClusterClient<?> clusterClient,finalPlan plan){this.clusterClient =checkNotNull(clusterClient);this.plan =checkNotNull(plan);}@OverridepublicPipelineExecutorFactorygetExecutorFactory(@NonnullConfiguration configuration){returnnewPipelineExecutorFactory(){@OverridepublicStringgetName(){return"my-name";}@OverridepublicbooleanisCompatibleWith(@NonnullConfiguration configuration){returnTEST_EXECUTOR_NAME.equalsIgnoreCase(configuration.getString(DeploymentOptions.TARGET));}@OverridepublicPipelineExecutorgetExecutor(@NonnullConfiguration configuration){return(pipeline, config, classLoader)->{finalint parallelism = config.getInteger(CoreOptions.DEFAULT_PARALLELISM);finalJobGraph jobGraph =FlinkPipelineTranslationUtil.getJobGraph(classLoader, plan, config, parallelism);finalExecutionConfigAccessor accessor =ExecutionConfigAccessor.fromConfiguration(config);
                        jobGraph.addJars(accessor.getJars());
                        jobGraph.setClasspaths(accessor.getClasspaths());finalJobID jobID = clusterClient.submitJob(jobGraph).get();returnCompletableFuture.completedFuture(newClusterClientJobClientAdapter<>(()-> clusterClient, jobID, classLoader));};}};}@OverridepublicStream<String>getExecutorNames(){thrownewUnsupportedOperationException("not implemented");}}}

4）、系统层次

可以通过设置 ./conf/flink-conf.yaml 文件中的 parallelism.default 参数，在系统层次来指定所有执行环境的默认并行度。

更多的信息参考下文链接：
11、Flink配置flink-conf.yaml详细说明（HA配置、checkpoint、web、安全、zookeeper、historyserver、workers、zoo.cfg）

2、设置最大并行度

最大并行度可以在所有设置并行度的地方进行设定（客户端和系统层次除外）。与调用 setParallelism() 方法修改并行度相似，你可以通过调用 setMaxParallelism() 方法来设定最大并行度。

默认的最大并行度等于将 operatorParallelism + (operatorParallelism / 2) 值四舍五入到大于等于该值的一个整型值，并且这个整型值是 2 的幂次方，注意默认最大并行度下限为 128，上限为 32768。

为最大并行度设置一个非常大的值将会降低性能，因为一些 state backends 需要维持内部的数据结构，而这些数据结构将会随着 key-groups 的数目而扩张（key-group 是状态重新分配的最小单元）。

从之前的作业恢复时，改变该作业的最大并发度将会导致状态不兼容。

以上，本文介绍了Flink的管理执行的三个内容，即执行配置、打包和分布式运行以及并行执行（设置并行度的几种方式）。