flink介绍(一)

1 flink 简介

1.1 flink是什么

Apache Flink 是一个框架和分布式处理引擎，用于对无界和有界数据流进行状态计算

flink目前在国内企业的应用如下：

1.2 为什么要用flink

我们之所以要使用flink，因为：

• 流数据更真实地反映了我们的生活方式
• 传统的数据架构是基于有限数据集的
• 我们的目标：低延迟、高吞吐、结果的准确性和良好的容错性

flink的应用场景有：

• 电商和市场营销，如数据报表、广告投放、业务流程需要
• 物联网（IOT），传感器实时数据采集和显示、实时报警，交通运输业
• 电信业，基站流量调配
• 银行和金融业，实时结算和通知推送，实时检测异常行为

1.3 flink特点

• 事件驱动（Event-driven）

• 基于流的世界观在 Flink 的世界观中，一切都是由流组成的，离线数据是有界的流；实时数据是一个没有界限的流： 这就是所谓的有界流和无界流
• 分层API越顶层越抽象，表达含义越简明，使用越方便；越底层越具体，表达能力越丰富，使用越灵活
• 支持事件时间（event-time）和处理时间（processing-time）语义
• 精确一次（exactly-once）的状态一致性保证
• 低延迟，每秒处理数百万个事件，毫秒级延迟
• 与众多常用存储系统的连接
• 高可用，动态扩展，实现7*24小时全天候运行

1.4 flink架构

Flink是一个分层架构的系统，每一层所包含的组件都提供了特定的抽象，用来服务于上层组件。Flink分层的组件栈如下图所示：

从下至上：

• 部署层：Flink 支持本地运行、能在独立集群或者在被YARN、kubernetes管理的集群上运行， 也能部署在云上。
• 运行时：Runtime层提供了支持Flink计算的全部核心实现，为上层API层提供基础服务。
• API：DataStream、DataSet、Table、SQL API。
• 扩展库：Flink 还包括用于复杂事件处理，机器学习，图形处理和 Apache Storm 兼容性的专用代码库。

2. flink部署

2.1 Standalone模式

./bin/start-cluster.sh 
./flink run -c com.atguigu.wc.StreamWordCount –p 2

2.2 Yarn模式

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 提供了两种在 yarn 上运行的模式，分别为Session-Cluster和Per-Job-Cluster模式

• Session-Cluster

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。

• Per-Job-Cluster

一个 Job 会对应一个集群，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。

2.3 Kubernetes模式

容器化部署时目前业界很流行的一项技术，基于 Docker 镜像运行能够让用户更加方便地对应用进行管理和运维。 容器管理工具中最为流行的就是Kubernetes（k8s），而Flink也在最近的版本中支持了k8s部署模式。

flink k8s方式部署参考 flink-on-k8s-operator

3. flink运行架构

3.1 Flink 运行时的组件

Flink 运行时架构主要包括四个不同的组件，分别是作业管理器（JobManager）、资源管理器（ResourceManager）、任务管理器（TaskManager）以及分发器（Dispatcher），它们会在运行流处理应用程序时协同工作：

3.1.1 作业管理器（JobManager）

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）
• 打包了所有的类、库和其它资源的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”（ExecutionGraph），包含了所有可以并发执行的任务。

JobManager会向资源管理器（ResourceManager）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它们的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（checkpoints）的协调。

3.1.2 任务管理器（TaskManager）

taskmanager是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就可以向插槽分配任务（tasks）来执行了。

在执行过程中，一个TaskManager可以跟其它运行同一应用程序的TaskManager交换数据。

3.1.3 资源管理器（ResourceManager）

主要负责管理TaskManager的插槽（slot），TaskManger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。

3.1.4 分发器（Dispatcher）

可以跨作业运行，它为应用提交提供了restful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JobManager。

Dispatcher也会启动一个Web UI，用来方便地展示和监控作业执行的信息。Dispatcher在架构中可能并不是必需的，这取决于应用提交运行的方式。

3.2 任务提交流程

当一个应用提交执行时， Flink 的各个组件是交互协作的过程如下所示：

上图是从一个较为高层级的视角，来看应用中各组件的交互协作。如果部署的集群环境不同（例如 YARN， Mesos， Kubernetes， standalone 等），其中一些步骤可以被省略，或是有些组件会运行在同一个JVM进程中。

具体地 Flink on K8S Session 的提交流程、安装部署如下图所示：

在 K8S 集群上使用 Session 模式提交 Flink 作业的过程会分为 3 个阶段：首先在 K8S 上启动 Flink Session 集群；其次通过 Flink Client 提交作业；最后进行作业调度。具体步骤如下：

• 启动集群

1. 准备好Flink 集群的资源描述文件，包含:

flink-configuration-configmap.yaml

jobmanager-service.yaml

jobmanager-rest-service.yaml #可选

jobmanager-deployment.yaml

taskmanager-deployment.yaml

1. 创建 Flink Master Deployment、TaskManager Deployment、ConfigMap、SVC 等资源，同时初始化 Dispatcher 和 KubernetesResourceManager，并通过 K8S 服务对外暴露 Flink Master 端口。

• 作业提交

1. Client 用户使用 Flink run 命令，将相应任务提交上来，用户的 Jar 和 JobGrapth 会在 Flink Client 生成，通过 SVC 传给 Dispatcher。
2. Dispatcher 收到 JobGraph后，会为每个作业启动一个JobMaster，将JobGraph 交给JobMaster进行调度。

• 作业调度

1. JobMaster 会向 KubernetesResourceManager 申请资源，请求Slot。
2. KubernetesResourceManager 从 K8S 集群分配 TaskManager，每个 TaskManager 都是一个Pod。
3. K8S 集群分配一个新的 Pod 后，在上面启动 TaskManager。
4. TaskManager 启动后注册到 SlotManager。
5. SlotManager 向 TaskManager 请求 Slot。
6. TaskManager 提供 Slot 给 JobManager，然后任务被分配到 Slot 上运行。

3.3 任务调度

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-pGYoRIpD-1659267999908)(F:/note/image/task-scheduling.png)]

客户端不是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JobManger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

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（ Streaming 的任务），也可以不结束并等待结果返回。

• 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处接收需要部署的 Task，部署启动后，与自己的上游建立连接，接收数据并处理。

3.3.1 TaskManger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 竞争内存，因为同一个slot中只能是同一个job不同阶段的subtask。需要注意的是，这里不会涉及到 CPU 的隔离， slot 目前仅仅用来隔离 task 的受管理的内存。

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。

3.3.2 Slots与parallelism

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 stream的并行度，可以认为就是其所有算子中最大的并行度

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。

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，如果我们设置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。

3.3.3 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。

3.3.4 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，详细说明程序的执行方式。

Flink 转换过程中的图可以分成四层： 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。

3.3.5 数据传输形式

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。

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维护着分区以及元素的顺序(比如source和map之间)。这意味着 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。

• 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 broadcast和rebalance会随机重新分区，这些算子都会引起 redistribute 过程。

3.3.5 任务链

Flink采用了一种称为任务链的优化技术，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。

形成任务链的条件有如下两个：

• 相同并行度
• one-to-one操作