Flink运行架构

青旅半醒 2022-11-14 13:24 183阅读 0赞

## 一、Flink运行时的组件 ##

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3NpbmF0XzM0MjQxODYx_size_16_color_FFFFFF_t_70]

### 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，每一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）和打包的所有的类、库和其他资源的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

### 1.2 任务管理器（TaskManager） ###

*  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就会有一个或多个插槽提供给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

### 1.3 资源管理器（ResourceManager） ###

*  主要负责管理任务管理器（TaskManager）的插槽（slot），TaskManager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、Mecos、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

### 1.4 分发器（Dispatcher） ###

*  可以跨作业运行，它为应用提交提供了REST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也就启动一个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须的，这取决于应用提交运行的方式

## 二、作业提交流程 ##

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3NpbmF0XzM0MjQxODYx_size_16_color_FFFFFF_t_70 1]  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3NpbmF0XzM0MjQxODYx_size_16_color_FFFFFF_t_70 2]

## 三、作业调度原理及思考问题 ##

### 3.1 任务调度原理 ###

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3NpbmF0XzM0MjQxODYx_size_16_color_FFFFFF_t_70 3]

### 3.2 思考问题 ###

*  怎样实现并行计算？
 *  并行的任务，需要占用多少slot？
 *  一个流处理程序，到底包含多少个任务？

## 四、Slot和任务调度 ##

### 4.1 并行度（Parallelism） ###

一个特定算子的**子任务的个数**被称之为其并行度  
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  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3NpbmF0XzM0MjQxODYx_size_16_color_FFFFFF_t_70 4]  
**设置并行度的方式：**

（1）提交作业时可通过 -p 设置并行度（优先级**适中**）  
（2）flink集群默认配置文件中可以修改并行度（优先级**低**）  
（3）程序中每个任务都可以通过setParallelism(n)方法设置并行度（优先级**高**）

### 4.2 TaskManager 和Slots ###

#### 4.2.1 基本知识 ####

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3NpbmF0XzM0MjQxODYx_size_16_color_FFFFFF_t_70 5]

*  Flink中每一个TaskManager都是一个JVM**进程**，它可能会在独立的**线程**上执行一个或多个子任务
 *  为了控制一个TaskManager能接收多少个task，TaskManager通过 task slot来进行控制（一个TaskManager至少有一个slot）
 *  slot数量最好是按电脑的CPU核数设置（默认）

#### 4.2.2 一个slot允许多个子任务共享 ####

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3NpbmF0XzM0MjQxODYx_size_16_color_FFFFFF_t_70 6]

*  默认情况下，Flink允许子任务共享slot，即使他们是不同的子任务。这样的结果是，**一个slot可以保存作业的整个管道**
 *  Task Slot是静态的概念，是指TaskManager具有的并发执行能力
 *  **同时执行**的子任务必须在**不同的slot**中，**有先后执行顺序**的子任务可以在**同一个slot**中

#### 4.2.3 代码中允许指定slot共享组 ####

可以在每一个子任务后面使用 **slotSharingGroup(“group1”)** 方法指定该任务属于哪一个slot共享组。属于同一组的子任务，可以共享同一个slot

// 基于数据流进行转换计算
    DataStream<Tuple2<String, Integer>> resultStream = stringDataStream.flatMap(new WordCount.MyFlatMapper())
                    .keyBy(0).sum(1).setParallelism(2).slotSharingGroup("group1")
                    .disableChaining(); // 如果只想控制某两个任务不合并的话，可在两个任务之间使用 disableChaining() 方法

*  默认共享组是\*\*“default”\*\*，默认后一个任务的共享组与它前一个任务相同。因此，当全部是默认配置时，所有任务均可共享同一个slot
 *  并行度是每一个slot共享组最大值相加

#### 4.2.4 并行子任务的分配![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3NpbmF0XzM0MjQxODYx_size_16_color_FFFFFF_t_70 7] ####

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3NpbmF0XzM0MjQxODYx_size_16_color_FFFFFF_t_70 8]  
资源利用率最高的情况，如下图所示  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3NpbmF0XzM0MjQxODYx_size_16_color_FFFFFF_t_70 9]

## 五、程序结构和数据流图 ##

### 5.1 程序结构 ###

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3NpbmF0XzM0MjQxODYx_size_16_color_FFFFFF_t_70 10]

*  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

### 5.2 数据流图 ###

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3NpbmF0XzM0MjQxODYx_size_16_color_FFFFFF_t_70 11]

*  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source开始一个或多个sink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中的算子是一一对应的关系

### 5.3 执行图（ExecutionGraph） ###

Flink中的执行图可以分成四层：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
 *  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TasdkManager上部署Task后形成的“图”，并不是一个具体的数据结构

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3NpbmF0XzM0MjQxODYx_size_16_color_FFFFFF_t_70 12]

## 六、数据传输与任务链 ##

### 6.1 数据传输形式 ###

*  一个程序中，不同的算子可能具有不同的并行度
 *  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、filter、flapMap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，而redistribute过程就类似于Spark中的shuffle过程

### 6.2 任务链（Operator Chains） ###

*  Flink采用了一种称为任务链的优化技术，可以在特定条件下减少本地通信的开销。为了满足任务链的要求，必须将两个或者多个算子设为相同的并行度，并通过本地转发（local forward）的方式进行连接
 *  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subtask
 *  并行度相同，并且是one-to-one操作，两个条件缺一不可

[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3NpbmF0XzM0MjQxODYx_size_16_color_FFFFFF_t_70]: /images/20221022/15012c8b89f642dcb86844389a05c95b.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3NpbmF0XzM0MjQxODYx_size_16_color_FFFFFF_t_70 1]: /images/20221022/8a41ea93456543a4bd64575914fc59d9.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3NpbmF0XzM0MjQxODYx_size_16_color_FFFFFF_t_70 2]: /images/20221022/696c6012e30b471d953451a0541a9d1c.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3NpbmF0XzM0MjQxODYx_size_16_color_FFFFFF_t_70 3]: /images/20221022/04cf719700ec4f589772bdb87daacb91.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3NpbmF0XzM0MjQxODYx_size_16_color_FFFFFF_t_70 4]: /images/20221022/e4e91358505c427896a8b8e03368b158.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3NpbmF0XzM0MjQxODYx_size_16_color_FFFFFF_t_70 5]: /images/20221022/82a89806f00a435b97e1c72be144eef7.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3NpbmF0XzM0MjQxODYx_size_16_color_FFFFFF_t_70 6]: /images/20221022/f8649294208c4bd2b44248cdde3558ee.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3NpbmF0XzM0MjQxODYx_size_16_color_FFFFFF_t_70 7]: /images/20221022/469fdd476f7e4d2eb1319c63e966a80f.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3NpbmF0XzM0MjQxODYx_size_16_color_FFFFFF_t_70 8]: /images/20221022/278a1bfc8d414009b836cc2ba3d01d76.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3NpbmF0XzM0MjQxODYx_size_16_color_FFFFFF_t_70 9]: /images/20221022/30db977de9d242128e9961d4cd899ab1.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3NpbmF0XzM0MjQxODYx_size_16_color_FFFFFF_t_70 10]: /images/20221022/0599f6f40733441390c58e9c5232c216.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3NpbmF0XzM0MjQxODYx_size_16_color_FFFFFF_t_70 11]: /images/20221022/68cd27859b344bd39efce603a460ad98.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3NpbmF0XzM0MjQxODYx_size_16_color_FFFFFF_t_70 12]: /images/20221022/baa5056f5e6945a392a086917ead7d53.png