Flink

Flink 1.Flink介绍 1）概念说明：

• 由Apache软件基金会开发的开源流处理框架

• 其核心是用Java和Scala编写的框架和分布式处理引擎

• 用于对无界和有界数据流进行有状态计算。

  • 无界数据流:  即为实时流数据

  • 有界数据流：即为离线数据，也称为批处理数据

2）特点特征

• 被设计为在所有常见的集群环境中运行，以内存速度和任何规模执行计算。

• 能够达到实时流处理引擎的全部标准要求。

  • 低延迟、高吞吐量、容错性、窗口时间语义化、编程效率高与运行效果好的用户体验等主要方面。

3）应用场景

• 官方说明

  • 事件驱动型应用

  • 数据分析型应用

  • 数据管道 ETL  

• 实际情况

  • 要求严格的实时流处理场景

4）代码实现

• 实现方式

  • Java API

  • Scala API

• 统一数据处理过程抽象

  • 将实时和批处理的数据过程，均抽象成三个过程，即Source->Transform->Sink。

  • Source为源数据读入，即Source算子。

  • Transform是数据转换处理过程，即Transform算子。

  • Sink即数据接收器，即数据落地到存储层，即Sink算子。

• 代码实现复杂度

  • 丰富的API和算子 *** 作，抽象封装统一性较高，支持类SQL编程，编程复杂度并不高。

2.Flink架构设计 1）架构设计图

2）分层设计说明

• 物理部署层-deploy层

  • 负责解决Flink的部署模式问题，

  • 支持多种部署模式：本地部署、集群部署（Standalone/Yarn/Mesos）、云（GCE/EC2）以及kubernetes。

  • 通过该层支持不同平台的部署，用户可以根据自身场景和需求选择使用对应的部署模式。

• Runtime核心层

  • 是Flink分布式计算框架的核心实现层，负责对上层不同接口提供基础服务。

  • 支持分布式Stream作业的执行、JobGraph到ExecutionGraph的映射转换以及任务调度等。

  • 将DataStream和DataSet转成统一的可执行的Task Operator，达到在流式计算引擎下同时处理批量计算和流式计算的目的。

• API & Libraries层

  • 负责更好的开发用户体验，包括易用性、开发效率、执行效率、状态管理等方面。

  • Flink同时提供了支撑流计算和批处理的接口，同时在这基础上抽象出不同的应用类型的组件库，如：

    • 基于流处理的CEP（Complex Event Process,复杂事件处理库）

    • Table & Sql库

    • 基于批处理的FlinkML（机器学习库）

    • 图处理库(Gelly，凝胶-凝冻，取其意是指图是各个事务的统一整合体抽象)

• API层包括两部分

  • 流计算应用的DataStream API

  • 批处理应用的DataSet API

  • 统一的API，方便用于直接 *** 作状态和时间等底层数据

    • 提供了丰富的数据处理高级API，例如Map、FllatMap *** 作等，

    • 并提供了比较低级的Process Function API

3.运行模式 1）运模模式核心区分点

• 集群生命周期和资源隔离保证

• 应用程序的main()方法是在客户端还是在集群上执行

2）所有模式分类说明

• 本地运行模式-local

• standalone模式-独立Flink集群

• 集群运行模式

  • 经常是指flink on yarn集群模式，yarn也可以换成mesos,Kubernetes(k8s)等资源管理平台替换。

  • 共3种

    • session模式

    • per-job模式

    • application模式

• 本地运行模式

  • 运行过程：一个机器启动一个进程的多线程来模拟分布式计算。

  • 主要用于代码测试

• standalone模式

  • 运行过程：完全独立的Flink集群的模式，各个环节均Flink自己搞定。并没有yarn、mesos的统一资源调度平台。

  • 主要是只有纯Flink纯计算的场景，商用场景极少。

3）集群运行模式

• Flink Session 集群(会话模式)

  • 集群生命周期：

    • 在 Flink Session 集群中，客户端连接到一个预先存在的、长期运行的集群，该集群可以接受多个作业提交。即使所有作业完成后，集群（和 JobManager）仍将继续运行直到手动停止 session 为止。因此，Flink Session 集群的寿命不受任何 Flink 作业寿命的约束。

    • 资源隔离：

      • TaskManager slot 由 ResourceManager 在提交作业时分配，并在作业完成时释放。由于所有作业都共享同一集群，因此在集群资源方面存在一些竞争 — 例如提交工作阶段的网络带宽。此共享设置的局限性在于，如果 TaskManager 崩溃，则在此 TaskManager 上运行 task 的所有作业都将失败；再比如，如果 JobManager 上发生一些致命错误，它将影响集群中正在运行的所有作业。

  • 工作流程特征说明

    • 多个不同的FlinkJob向同一个Flink Session会话上提交作业，由这一个统一个的FlinkSession管理所有的Flink作业。

    • 工作流程示意图

• Flink Job 集群(per-job模式）

  • 集群生命周期：

    • 在 Flink Job 集群中，可用的集群管理器（例如 YARN）用于为每个提交的作业启动一个集群，并且该集群仅可用于该作业。在这里客户端首先从集群管理器请求资源启动 JobManager，然后将作业提交给在这个进程中运行的 Dispatcher。然后根据作业的资源请求惰性的分配 TaskManager。一旦作业完成，Flink Job 集群将被拆除。

  • 资源隔离：

    • JobManager 中的致命错误仅影响在 Flink Job 集群中运行的一个作业。

  • 其他注意事项：

    • 由于 ResourceManager 必须应用并等待外部资源管理组件来启动 TaskManager 进程和分配资源，所以其实时计算性并没有session模式强，因此 Flink Job 集群更适合长期运行、具有高稳定性要求且对较长的启动时间不敏感的大型作业。

  • 工作流程特征说明

    • 多个不同的FlinkJob向各自由统一资源管理器(Yarn)生成的专用Flink Session会话上提交作业，由作业所属的FlinkSession管理自己的Flink作业。

    • 工作流程示意图

• Flink Application 集群(应用模式)

  • 集群生命周期：

    • Flink Application 集群是与Flink作业执行直接相关的运行模式，并且 main()方法在集群上而不是客户端上运行。

    • 提交作业是一个单步骤过程：

      • 无需先启动 Flink 集群，然后将作业提交到现有的 session 集群。

      • 而是，将应用程序逻辑和依赖打包成一个可执行的作业 JAR 中，由入口机客户端提交jar包和相关资源到hdfs当中。

      • 然后由调度启动的集群当中JobManager来拉取已由上一步上传完成的运行代码所需要的所有资源。如果有JobManager HA设置的话，将会同时启动多个JobManager作HA保障，此时将面临JobManager的选择，最终由一个胜出的JobManager作为Active进程推进下边的执行。

      • 并由运行JobManager进程的集群入口点节点机器（ApplicationClusterEntryPoint）负责调用 main()方法来提取 JobGraph，即作为用户程序的解析和提交的客户端程序与集群进行交互，直到作业运行完成。

      • 另外，如果一个main()方法中有多个env.execute()/executeAsync()调用，在Application模式下，这些作业会被视为属于同一个应用，在同一个集群中执行（如果在Per-Job模式下，就会启动多个集群）

      • 该模式也允许我们像在 Kubernetes 上部署任何其他应用程序一样部署 Flink 应用程序。

      • 因此，Flink Application 集群的寿命与 Flink 应用程序的寿命有关。

  • 资源隔离：

    • 在 Flink Application 集群中，ResourceManager 和 Dispatcher 作用于单个的 Flink 应用程序，相比于 Flink Session 集群，它提供了更好的隔离。

4.运行流程 1）运行时核心角色组成

• 由两种类型的进程组成，一个 JobManager 和一个或者多个 TaskManager。

• 工作流程图

2）核心组成角色剖析

• JobManager

  • JobManager 具有许多与协调 Flink 应用程序的分布式执行有关的职责：它决定何时调度下一个 task（或一组 task）、对完成的 task 或执行失败做出反应、协调 checkpoint、并且协调从失败中恢复等等。这个进程由三个不同的组件组成：

    • ResourceManager

      • ResourceManager 负责 Flink 集群中的资源提供、回收、分配 - 它管理 task slots，这是 Flink 集群中资源调度的最小单位。Flink 为不同的环境和资源提供者（例如 YARN、Mesos、Kubernetes 和 standalone 部署）实现了对应的 ResourceManager。在 standalone 设置中，ResourceManager 只能分配可用 TaskManager 的 slots，而不能自行启动新的 TaskManager。

    • Dispatcher

      • Dispatcher 提供了一个 REST 接口，用来提交 Flink 应用程序执行，并为每个提交的作业启动一个新的 JobMaster。它还运行 Flink WebUI 用来提供作业执行信息。

    • JobMaster

      • JobMaster 负责管理单个JobGraph的执行。Flink 集群中可以同时运行多个作业，每个作业都有自己的 JobMaster。

      • 始终至少有一个 JobManager。高可用（HA）设置中可能有多个 JobManager，其中一个始终是 leader，其他的则是 standby。

  • TaskManager

    • TaskManager（也称为 worker）执行作业流的 task，并且缓存和交换数据流。

    • 必须始终至少有一个 TaskManager。在 TaskManager 中资源调度的最小单位是 task slot。TaskManager 中 task slot 的数量表示并发处理 task 的数量。请注意一个 task slot 中可以执行多个算子。

3）Yarn模式提交任务的工作流程

工作流程图