Flink架构

Posted 2023-04-04 今天好好洗头了嘛

Flinks所需组件

JobManager

1. 接受需要执行的应用，此应用包含一个JobGraph(逻辑Dataflow图)，以及打包了全部所需类、库以及其他资源的JAR文件。JobManager将JobGraph转化为ExecutionGraph(物理Dataflow图)，此图包含了那些可以并行的任务。
2. JobManager向ResourceManager申请执行任务所需资源(TaskManager的slot槽)。
3. 将ExecutionGraph中的任务分发给TaskManager来执行。
4. 负责所有需要集中协调的操作，如创建检查点等。

ResourceManager

1. 分配TaskManager给JobManager。
2. 负责终止空闲的TaskManager以释放资源。

TaskManager

1. 向ResourceManager注册它的slot槽。
2. 接受ResourceManager的指示，向JobManager提供一个或多个槽。
3. 接受并执行JobManager提供的任务。

Dispatcher

1. 提供一个REST接口来让我们提交需要执行的应用。
2. 转交提交的应用给JobManager。
3. 启动WebUI，用来提供有关作业执行的信息。

Flink任务提交流程

• 通用提交流程（ResourceManager未指定）
• 运行在yarn上的提交流程

应用提交

参考文章。¹
Flink 应用的执行包含两个阶段：

• pre-flight: 在main()方法调用之后开始。
• runtime: 一旦用户代码调用 execute() 就会触发该阶段。

main()方法使用Flink的API（DataStream API，Table API，DataSet API）之一构造用户程序。当main()方法调用env.execute()时，用户定义的pipeline将转换为Flink运行时可以理解的形式，称为job graph，并将其传送到集群中。

尽管有一些不同，但是 对于 Session 模式 和 Per-Job模式 ， pre-flight 阶段都是在客户端完成的。

对于那些在自己本地计算机上提交任务的场景(本地计算机包含了所有运行Job所需的依赖)，这通常不是问题。但是，对于通过诸如部署服务之类的远程进行提交的场景，此过程包括：

• 下载应用所需的依赖
• 执行main()方法提取 job graph
• 将依赖和 job graph 传输到集群
• 有可能需要等待结果

Flink任务提交方式

• standalone
• yarn
  1）application模式(1.11版本之后)
  特点：一个集群运行一个作业，但是main()方法是在JobManager中运行。
  2）session模式
  特点：一个集群运行多个作业，适合短期作业。
  优点：启动的延迟小。
  缺点：JobManager或TaskManager挂掉后，影响多个job。不同job之间有资源竞争。
  ①开辟资源
  命令：./yarn-session.sh -n 2 -jm 1024 -tm 1024 -d
  -n 2 表示分配两个container容器，也就是taskmanager的数量
  -jm 1024 表示jobmanager 1024M内存
  -tm 1024 表示taskmanager 1024M内存
  -d 任务后台运行
  ②提交任务
  ./flink run jar包路径/jar包名.jar
  3）job模式
  特点：一个集群运行一个作业，作业执行完毕则集群销毁，适合长期作业。
  优点：不同job之间资源相互隔离。
  缺点：启动的延迟大。
  命令：./flink run -m yarn-cluster -yn 2 -yjm 1024 -ytm 1024 jar包路径/jar包名.jar
  -m yarn-cluster 指定需要连接的jobmanager(主节点)地址
  -yn 2 表示分配两个container容器，也就是taskmanager的数量
  -yjm 1024 表示jobmanager 1024M内存
  -ytm 1024 表示taskmanager 1024M内存

---

1. 链接: https://blog.csdn.net/CarloPan/article/details/117740819. ↩︎

Flink入门——Flink架构介绍

点击上方蓝字  关注我们

This browser does not support music or audio playback. Please play it in WeChat or another browser.

Flink入门（二）——Flink架构介绍

01-Flink运行架构

 

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，它们会在运行流处理应用程序时协同工作：

 

作业管理器（JobManager）、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。每个组件的职责如下：

 

1.1作业管理器(jobmanager)

 

1. 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。

2. 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）和打包了所有的类、库和其它资源的 JAR 包(也就是我们所说的job作业提交)。

3. 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。

4. 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。

 

1.2任务管理器(task manager)

 

1. 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。

2. 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。

3. 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。

 

1.3资源管理器(resource manager)

 

1. 主要负责管理任务管理器（TaskManager）的插槽（slot）， TaskManger 插槽是 Flink 中定义的处理资源单元。

2. 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。

3. 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。

 

1.4分发器(dispatcher)

 

1. 可以跨作业运行，它为应用提交提供了 REST 接口。

2. 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。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。

3. 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。

4.  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。

 

 

2.任务提交流程

 

 

 

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。

 

 

1. 首先     通过Rest接口提交给了分发器dispatcher

2. dispatcher启动jobmanager，并且将应用交给jobmanager

3. jobmanager向ResourceManager申请资源

4. ResourceManger就会启动taskmanager,空闲的slots就会向ResourceManager注册

5. ResourceManager会对taskmanager发出提供slot的指令

6. taskmanager与jobmanager进行通信(心跳通信)

7. taskmanager提供slots给jobmanager

8. jobmanager给slots分配任务

9. 不同的taskmanager在执行任务时，会根据需要交换数据

 

 

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，如果我们将 Flink 集群部署到 YARN 上，那么就会有如下的提交流程：

 

 

 

 

 

 

 

1. Flink 任务提交后， Client 向 HDFS 上传 Flink 的 Jar 包和配置

2. 之后向 YarnResourceManager 提交任务， ResourceManager(YARN的资源管理器) 分配 Container 资源并通知对应的NodeManager 启动 ApplicationMaster， ApplicationMaster 启动后加载hdfs上的 Flink 的 Jar 包和配置构建环境

3. 然后启动 JobManager，之后 ApplicationMaster 向 ResourceManager申 请 资 源 启 动 TaskManager

4. 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，

5.  TaskManager启动后向 JobManager 发送心跳包，并等待 JobManager 向其分配任务。

 

3.任务调度流程

 

 

 

 

 

 

 

1. flink程序代码，编译打包后，会先生成初始的逻辑数据流图(Dataflow graph)

2. 通过提交任务的客户端（client）,提交给dispatcher或者resourcemanager(flink on yarn)。最终是给到jobmanager。

3. jobmanager将Dataflow graph 转换为可执行的execution graph（可执行的数据流图）。发送给所有的taskmanager

4. 每一个taskmanager都有task slot。slots并行执行

 

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 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， 职 责 上 很 像

 

Storm 的 Nimbus。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 Netty 连接，接收数据并处理。

 

 

4.TaskManager与Slots

 

      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。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。

 

      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可能是通过一个特定的容器启动的），而一个 TaskManager 多个 slot 意味着更多的subtask 可以共享同一个 JVM。而在同一个 JVM 进程中的 task 将共享 TCP 连接（基于多路复用）和心跳消息。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。

 

 

 

1. flink中每一个TaskManager都是一个JVM进程，它可能在独立的线程上执行一个或者多个subtask

2. 为了控制一个TaskManager能接受多少个task，Taskmanager通过task slot来进行控制（一个Taskmanager至少有一个slot）

3. 每台机子设置的slot数量，通常可以设置为cpu的线程数

4. 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。

5. 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。

 

 

5.程序与数据流（DataFlow）

 

 

 

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。

 

 

6.执行图（ExecutionGraph）

 

       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。

 

1. 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。

2. 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。

3. 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。

4. 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。

 

 

 

 

 

 

7.并行度（Parallelism）

 

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。

 

尚硅谷大数据技术之 Flink

 

      

 

 

 

 

 

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。(PS.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。(PS.类似于 spark 中的宽依赖)

 

 

8.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。