浅谈Flink架构及拓扑图

文章目录

01 引言

声明：本文是博主阅读云邪（Jark）博客整理后的笔记，如有侵权，可联系博主删除。

本文参考文章如下：

• https://wuchong.me/blog/2016/05/03/flink-internals-overview/
• https://wuchong.me/blog/2016/05/04/flink-internal-how-to-build-streamgraph/
• https://wuchong.me/blog/2016/05/10/flink-internals-how-to-build-jobgraph/
• https://developer.aliyun.com/article/225618#

02 Flink架构

无论是

flink on yarn

还是

flink on kubernetes

等其它模式，最终

Flink

启动成功之后的架构图如下：

从上述架构图，可以看到主要分为如下三个模块（且三者均为独立的

JVM

进程）：
模块描述Client是一个用于管理Flink作业的客户端（提交、取消、监听状态以及采集指标），只要确保与

JobManager

环境联通即可JobManager接收来自

Client

的请求并生成执行计划，并以

task

为单元，调度到各个

TaskManager

去执行，同时协调

task

做

checkpoint

，以及接收来自

TaskManager

的状态、心跳、统计等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，注意有可能不同的

Job/Task

混合在一个

TaskManager

进程中，因为

Flink

的任务调度是多线程模型的
我们注意到了，

JobManager

接收到

Client

的请求之后，会生成执行计划，也就是对应上图的

Dataflow Graph

，这一块在

flink

中比较核心，也是下面继续讲讲的

Flink

拓扑结构。

03 Flink拓扑结构

我们上传

Flink SDK

里面的

/examples/streaming/TopSpeedWindowing.jar

至

Flink

集群之后，点击“

show plan

”可以看到执行计划图：

执行计划图如下：

当然，也可以在

TopSpeedWindow

的主程序里，直接获取**执行计划的

json

**（

ExecutionEnvironment.getExecutionPlan()

），并复制

json

至https://wints.github.io/flink-web//visualizer/（官网的生成plan地址挂了，这里是博主另外找的），json如下：

{"nodes":[{"id":1,"type":"Source: Custom Source","pact":"Data Source","contents":"Source: Custom Source","parallelism":1},{"id":2,"type":"Timestamps/Watermarks","pact":"Operator","contents":"Timestamps/Watermarks","parallelism":1,"predecessors":[{"id":1,"ship_strategy":"FORWARD","side":"second"}]},{"id":4,"type":"Window(GlobalWindows(), DeltaTrigger, TimeEvictor, ComparableAggregator, PassThroughWindowFunction)","pact":"Operator","contents":"Window(GlobalWindows(), DeltaTrigger, TimeEvictor, ComparableAggregator, PassThroughWindowFunction)","parallelism":10,"predecessors":[{"id":2,"ship_strategy":"HASH","side":"second"}]},{"id":5,"type":"Sink: Print to Std. Out","pact":"Data Sink","contents":"Sink: Print to Std. Out","parallelism":10,"predecessors":[{"id":4,"ship_strategy":"FORWARD","side":"second"}]}]}

执行图如下：

3.1 Flink的四层执行图

到这里，会有很多小伙伴会有疑问，咋这么多图呢？实际上可能更多，但是，Flink 按执行流程，执行图可以分为四层：StreamGraph → JobGraph → ExecutionGraph → 物理执行图。

这里博主整理了每种“图”的概念，方便大家的理解：
图概念备注StreamGraph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。这里还提下

OptimizedPlan

，它是由

Batch API

转换而来的，

StreamGraph

是由

Stream API

转换而来的，而

Batch

和

Stream

的图结构和优化方法有很大的区别，所以分开了。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物理执行图就是最终分布式在各个机器上运行着的

tasks

了

3.2 执行图细节

Job的不同阶段都有不同的执行流程图，其目的都是为了解耦，细节流程图如下：

这里针对上述细节的流程图再做每一部分的名词解释。

StreamGraph：根据用户通过 Stream API 编写的代码生成的最初的图
名词概念StreamNode用来代表 operator 的类，并具有所有相关的属性，如并发度、入边和出边等StreamEdge表示连接两个StreamNode的边
JobGraph：StreamGraph经过优化后生成了 JobGraph，提交给 JobManager 的数据结构
名词概念JobVertex经过优化后符合条件的多个StreamNode可能会chain在一起生成一个JobVertex，即一个JobVertex包含一个或多个operator，JobVertex的输入是JobEdge，输出是IntermediateDataSetIntermediateDataSet表示JobVertex的输出，即经过operator处理产生的数据集。producer是JobVertex，consumer是JobEdgeJobEdge代表了job graph中的一条数据传输通道。source 是 IntermediateDataSet，target 是 JobVertex。即数据通过JobEdge由IntermediateDataSet传递给目标JobVertex
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。
名词概念ExecutionJobVertex和JobGraph中的JobVertex一一对应。每一个ExecutionJobVertex都有和并发度一样多的 ExecutionVertexExecutionVertex表示ExecutionJobVertex的其中一个并发子任务，输入是ExecutionEdge，输出是IntermediateResultPartitionIntermediateResult和JobGraph中的IntermediateDataSet一一对应。一个IntermediateResult包含多个IntermediateResultPartition，其个数等于该operator的并发度IntermediateResultPartition表示ExecutionVertex的一个输出分区，producer是ExecutionVertex，consumer是若干个ExecutionEdgeExecutionEdge表示ExecutionVertex的输入，source是IntermediateResultPartition，target是ExecutionVertex。source和target都只能是一个Execution是执行一个 ExecutionVertex 的一次尝试。当发生故障或者数据需要重算的情况下 ExecutionVertex 可能会有多个 ExecutionAttemptID。一个 Execution 通过 ExecutionAttemptID 来唯一标识。JM和TM之间关于 task 的部署和 task status 的更新都是通过 ExecutionAttemptID 来确定消息接受者。
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。
名词概念TaskExecution被调度后在分配的 TaskManager 中启动对应的 Task。Task 包裹了具有用户执行逻辑的 operatorResultPartition代表由一个Task的生成的数据，和ExecutionGraph中的IntermediateResultPartition一一对应ResultSubpartition是ResultPartition的一个子分区。每个ResultPartition包含多个ResultSubpartition，其数目要由下游消费 Task 数和 DistributionPattern 来决定InputGate代表Task的输入封装，和JobGraph中JobEdge一一对应。每个InputGate消费了一个或多个的ResultPartitionInputChannel每个InputGate会包含一个以上的InputChannel，和ExecutionGraph中的ExecutionEdge一一对应，也和ResultSubpartition一对一地相连，即一个InputChannel接收一个ResultSubpartition的输出

3.3 更多

本文仅仅是浅显的谈了Flink架构和拓扑，如果想对每一种“图”有一个更清晰的认识，可以参考：

• 《如何生成 StreamGraph？》 https://wuchong.me/blog/2016/05/04/flink-internal-how-to-build-streamgraph/
• 《如何生成 JobGraph？》 https://wuchong.me/blog/2016/05/10/flink-internals-how-to-build-jobgraph/
• 《如何生成ExecutionGraph及物理执行图？》： https://developer.aliyun.com/article/225618#