Flink 大数据 学习详情

参考视频：

     尚硅谷大数据Flink1.17实战教程从入门到精通_哔哩哔哩_bilibili

核心目标：

    **数据流上**的**有状态**的**计算**

    具体说明： Apache Flink是一个 **框架** 和 **分布式处理引擎**，用于对 **无界（eg：kafka）** 和 **有界（eg：文本）** 数据流进行有状态计算

    有状态： 存储中间的结果或者计算结果，保存在flink内部(内存/RockSDB)，定期存储到磁盘

    状态在内存中： 速度快，但可靠性差

    状态在分布式系统中：速度慢，但可靠性高

特点：

高吞吐和低延迟：

            每秒处理数百万个事件，毫秒级延迟

结果的准确性：

            Flink提供了事件时间（event-time） 和处理时间（processing-time）语义。对于乱序事件流，事件时间语义仍然能提供一致且准确的结果

精确一次(exactly-once)的状态一致性保证

可以连接到最常用的存储系统：

    Kafka，Hive，JDBC，HDFS，Redis等

高可用：

    本身高可用的设置，加上与 K8s，YARN和Mesos的紧密集成，再加上从故障中快速恢复和动态扩展任务的能力，Flink能做到以极少的停机时间7*24全天候运行

Flink和SparkStreaming比较

    本质：spark streaming是批处理（RDD模型），flink是流处理

FlinkStreaming计算模型流计算微批处理时间语义事件时间，处理时间处理时间窗口多，灵活少，不灵活（窗口必须是批次的整数倍）状态有无流式sql有无
ps：

Flink提供了三种时间语义，以满足不同计算场景的需求：处理时间，事件时间和注入时间。

• **处理时间(Processing Time)**：一种直观的时间语义，表示数据进入算子并开始处理的实际时间点。
• **事件时间(Event Time)**：表示事件实际发生的时间，通常在消息的时间戳字段中找到。由于可能会有数据乱序的问题，但它能保证精确度高的计算场景。
• **注入时间(Ingestion Time)**：介于处理时间和事件时间之间的折中选择，代表数据进入Flink处理系统的时间。

Flink分层API

最高层 SQL（最好用）声明式领域专用语言Table API（像表一样处理数据，还不够好用）核心APIsDataStream（数据流，流计算，高版本一般都用流计算） / DataSet API（数据集，批处理）底层APIs（处理函数）有状态流处理

有状态流处理：

    通过底层API（处理函数），对最原始数据加工处理。底层API与DataStream API相集成，可以处理复杂的计算

DataStream API(流处理) 和 DataSet API（批处理）

     封装了底层处理函数，提供了通用的模块，比如转换(transformations,包括map,flatmap等) ，连接(join),聚合(aggregations)，窗口(windows)操作等。

    注意：Flink1.12以后，DataStream API已经实现真正的批流一体，所以DataSet API已经过时

Table API

    以表未中心的声明式编程，其中表可能会动态变化。 Table API遵循关系模型：表有二维数据结构，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,group-by,aggregate等。 我们可以在表与 DataStream / DataSet之间无缝切换，以允许程序将Table API 与DataStream / DataSet 混合使用

SQL

    这一层在语法与表达能力上与Table API类似，但是以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

Flink快速上手

        <dependency>
            <groupId>org.apache.flink</groupId>
            <artifactId>flink-streaming-java</artifactId>
            <version>1.17.0</version>
        </dependency>
        <dependency>
            <groupId>org.apache.flink</groupId>
            <artifactId>flink-clients_2.10</artifactId>
            <version>1.17.0</version>
        </dependency>

看视频吧，不同的引包写法有差异

Flink集群部署

组件流程介绍

flink提交作业和执行任务，需要几个关键组件：

    客户端（client）：代码由客户端**获取**并作**转换**，之后**提交**给 jobManager

    JobManager：就是flink集群里的“管事人”，对作业进行中央调度管理；而它获取到要执行的作业后，会**进一步处理转换**，然后**分发**任务给众多的TaskManager

    TaskManager：就是真正“干活的人”，**数据的处理操作**都是它们来做的

注意：

   流程：

             Flink Client -> 一个JobManager（协调调度中心） -> N个TaskManager(工作节点)

            多个备用 JobManager

Flink是一个非常灵活的处理框架，它支持多种不同的部署场景，还可以和不同的资源管理平台方便地集成

集群搭建：

集群规划：

节点服务器hadoop102hadoop103hadoop104角色JobManager,TaskManagerTaskManagerTaskManager

下载解压安装包

    eg：flink-1.17.0-bin-scala_2.12.tgz

vim flink-conf.yaml

jobmanager.rpc.address: hadoop102 （rpc连接的地址）
jobmanager.bind-host: 0.0.0.0 （任何机器都可以访问）
rest.address: hadoop102 （Rest Api访问地址）
rest.bind-address: 0.0.0.0

taskmanager.bind-host: 0.0.0.0
taskmanager.host: hadoop102 (不同服务器配置相应的ip)

还可更改
jobmanager.rpc.port:6123
jobmanager.memory.process.size：48g (jobmanager进程可使用的全部内存，包括JVM和其他开销，默认1600M)
taskmanager.memory.process.size：8g (taskmanager进程可使用的全部内存，包括JVM和其他开销，默认1728M)
taskmanager.numberOfTaskSlots: 24 (对每个taskmanager能够分配的slot数量进行配置，默认1,可根据cpu进行决定)
parellelism.default: 8 # 并行数量，默认1，优先级低于代码中进行的并行度配置
high-availability: zookeeper
high-availability.storageDir: ftp://sjsy:[email protected]:6600/flink/ha/
high-availability.zookeeper.quorum: zk01:2181,zk02:2181,zk03:2181
jobmanager.execution.failover-strategy: region
#历史服务器
jobmanager.archive.fs.dir: ftp://sjsy:[email protected]:6600/flink/completed-jobs/
historyserver.web.address: 0.0.0.0
historyserver.web.port: 8082
historyserver.archive.fs.dir: ftp://sjsy:[email protected]:6600/flink/completed-jobs/
heartbeat.timeout: 180000
akka.ask.timeout: 60s
web.timeout: 1000000
state.checkpoints.num-retained: 3

vim workers

hadoop102
hadoop103
hadoop104

vim masters(jobmanager)

hadoop102:8081
//可以多个
hadoop105:8081
hadoop106:8081
...

命令行启动（也可以手动上传）

1 上传

2

bin/flink run -m hadoop102:8081 -c com.chinaoly.wc.WordCountStream ./FlinkTutorial-1.17-1.0-SNAPSHOT.jar 

-m ：后面跟 jobmanager的ip端口
-c : 后面跟全类名 
最后，相对路径或者绝对路径

部署模式

    会话模式（Session Mode

    单作业模式（Per-Job Mode）

    应用模式(Application Mode)

会话模式（Session Mode）

    最符合常规思维，我们先启动一个集群，保持一个会话，在这个会话中通过客户端提交作业。

    集群启动时所以资源都已经确定，所以所有提交的作业会竞争集群中的资源。

    会话模式比较适用于： 单个规模小，执行时间短的大量作业

单作业模式（Per-Job Mode）

    会话模式因为资源共享会导致很多问题，所以为了更好地隔离资源，我们可以考虑为每个提交的作业启动一个集群，这就是所谓的单作业模式

    作业完成后，集群就会关闭，所以资源也会释放

    这些特性使得单作业模式在生产环境运行中更加稳定，所以是 实际应用的首选模式

    需要注意：Flink本身无法直接这样允许，所以单作业模式一般需要借助一些资源管理框架来启动集群，比如 YARN，Kubernates(K8S)

应用模式(Application Mode)

    前面提到的两种模式下，应用代码都是在客户端执行，然后由客户端提交到JobManager的。但是这种方式客户端需要占用大量网络带宽，去下载依赖和把二进制数据发送给JobManager；加上很多情况下我们提交作业用的是同一个客户端，就会加重客户端所在节点的资源消耗。

    所以解决方法是： 我们不要客户端了，直接把应用提交到JobManager上运行。 而这也就代表着，我们需要为每一个提交的应用单独启动一个JobManager,也就是创建一个集群。这个JobManager只为执行一个应用而存在，执行结束后JobManager也就关闭了。这就是所谓的应用模式。

    应用模式与单作业模式，都是提交作业后才创建集群；单作业模式是通过客户端来提交的，客户端解析出的每一个作业对应一个集群；而应用模式下，是直接由JobManager执行应用程序的。

运行模式

    standalone运行模式

    yarn运行模式

    K8S运行模式

独立（Standalone）运行模式

    独立模式是独立运行的，不依赖任何外部的资源管理平台；当然独立也是有代价的： 如果资源不足，或者出现故障，没有自动扩展或重分配资源的保证，必须手动处理，所以独立模式一般只使用在开发测试或者作业非常少的情景下。

    此模式Flink自己管理资源

    比如页面提交运行，打包成一个完成的jar，命令运行等。     

会话模式支持，默认单作业模式不支持，单作业模式需要借助一些资源管理平台应用模式可是实现，应用模式下不会提前创建集群，所以不能调用start-cluster.sh脚本。我们可以使用同样在bin目录下的standalone-job.sh来创建一个JobManager
启动/停止，参考standalone脚本

Yarn运行模式（重点）

    yarn上部署过程： 客户端把flink应用提交给yarn的ResourceManager，Yarn的ResourceManager会启动ApplicationMaster，ApplicationMaster会向ResourceManager注册，申请NodeManager申请资源和容器，并且监控；这些容器上，Flink会部署JobManager和TaskMAnager的实例，从而启动集群。

    Flink会根据运行在JobManager上的作业所需要的Slot数量动态分配TaskManager资源

注意：确保安装hadoop，至少在2.2版本以上，并且集群中由HDFS服务

flink和hadoop的依赖集成，配置，加上

sudo vim /etc/profile.d/my_env.sh

HADOOP_HOME=/opt/moduae/hadoop-3.3.4
export PATH=$PATH:$HADOOP_HOME/bin:$HADOOP_HOME/sbin
# flink需要的
export HADOOP_CONF_DIR=${HADOOP_HOME}/etc/hadoop
export HADOOP_CLASSPATH=`hadoop classpath` 

source /etc/profile.d/my_env.sh

Yarn的运行模式需要先申请一个YARN会话（Yarn Session）来启动Flink集群

bin/yarn-session.sh -nm mytest

查看可以使用的参数
bin/yarn-session.sh --help 

-d: 分离模式，如果不想让Flink YARN客户端一致前台运行，可以使用这个参数，即后台运行
-j: 指定jar包
-jm（-jobManagerMemory）:  配置JobManager所需内存，默认单位MB
-nm（-name）: 配置在YARN UI界面上显示的任务名
-qu: 指定Yarn队列
-tm（-taskManagerMemory）: 配置TaskManager所需内存，默认单位MB

在hadoop里查看任务,hadoop里代理了端口，此处进入

注意：yarn模式会自动覆盖flink配置信息

Session部署模式

bin/flink run -c com.全类名.WordCount lib/FlinkTutorial-1.17-1.0-SNAPSHOT.jar

关闭
1 去yarn的WebUi页面关闭
2 启动的时候会打印
echo "stop" | ./bin/yarn-session.sh -id application_2322223334_003(yarn页面的应用id)

Per-job部署模式(标记为过时，但还能用)

启动
bin/flink run -d -t yarn-per-job -c lib/com.全类名.WordCount FlinkTutorial-1.0-SNAPSHOT.jar

查看
bin/flink list
bin/flink list -t yarn-per-job -Dyarn.application.id=application_XXX_YY

取消/停止(页面也可以停止)
bin/flink cancel -t yarn-per-job -Dyarn.application.id=application_XXX_YY <jobId>
注意：application_XXX_YY 是当前应用的ID，<jobId>是作业的id，如果取消作业，这个Flink集群也会停止

如果报错，但不影响
Trying to access closed classloader...
解决方法：
flink-conf.yml中配置：
classloader.check-leaked-classloader: false

WebUI访问:

http://hadoop102:8081/

脚本

停止运行
bin/stop-cluster.sh

查看
xcall jps
jps

standalone模式脚本

standalone模式下运行，需要把jar包放到lib下面
bin/standalone-job.sh start --job-classname com.chinaoly.SocketStreamWordCount

停止standalone
bin/standalone-job.sh stop

taskmanager脚本

启动taskmanager
bin/taskmanager.sh start

停止taskmanager
bin/taskmanager.sh stop

yarn运行模式脚本

session部署模式
bin/flink run -c com.全类名.WordCount lib/FlinkTutorial-1.17-1.0-SNAPSHOT.jar

per-job部署模式

参考文档：

【大数据】Flink 架构（三）：事件时间处理-CSDN博客

Flink架构、原理与部署测试_未来链flink-CSDN博客