大数据系列文章目录

官方网址：https://flink.apache.org/

学习资料：https://flink-learning.org.cn/
在这里插入图片描述

Flink中的重要角⾊
Flink数据流编程模型
Libraries支持
Flink集群搭建
- Local 本地模式（开发测试）
- Standalone - 伪分布环境（开发测试）
- Standalone – 完全分布式集群环境（开发测试）
- Standalone – 完全分布式之高可用HA模式（生产可用）
- yarn集群环境（生产可用）
- - Flink on Yarn的运行机制
  - Flink on Yarn 的两种使用方式
  - 注意

Flink中的重要角⾊

在这里插入图片描述

JobManager处理器
也称之为Master，用于协调分布式执行，它们用来调度task，协调检查点，协调失败时恢复等。Flink运行时至少存在一个master处理器，如果配置高可用模式则会存在多个master处理器，它们其中有一个是leader，而其他的都是standby。
TaskManager处理器
也称之为Worker，用于执行一个dataflow的task(或者特殊的subtask)、数据缓冲和data stream的交换，Flink运行时至少会存在一个worker处理器。
Slot 任务执行槽位
物理概念，一个TM(TaskManager)内会划分出多个Slot，1个Slot内最多可以运行1个Task(Subtask)或一组由Task(Subtask)组成的任务链。
多个Slot之间会共享平分当前TM的内存空间，Slot是对一个TM的资源进行固定分配的工具，每个Slot在TM启动后，可以获得固定的资源，比如1个TM是一个JVM进程，如果有6个Slot，那么这6个Slot平分这一个JVM进程的资源，但是因为在同一个进程内，所以线程之间共享TCP连接、内存数据等，效率更高（Slot之间交流方便）
Task
任务，每一个Flink的Job会根据情况（并行度、算子类型）将一个整体的Job划分为多个Task
Subtask
子任务，一个Task可以由多个Subtask组成，一个Task有多少个Subtask取决于这个Task的并行度也就是，每一个Subtask就是当前Task任务并行的一个线程，如，当前Task并行度为8，那么这个Task会有8个Subtask（8个线程并行执行这个Task）
并行度
并行度就是一个Task可以分成多少个Subtask并行执行的一个参数
这个参数是动态的，可以在任务执行前进行分配，而非Slot分配，TM启动就固定了
一个Task可以获得的最大并行度取决于整个Flink环境的可用Slot数量，也就是如果有8个Slot，那么最大并行度也就是8，设置的再大也没有意义

如下图：

一个Job分为了3个Task来运行，分别是TaskA TaskB TaskC
其中TaskA设置为了6个并行度，也就是TaskA可以有6个Subtask，如图可见，TaskA的6个Subtask各自在一个Slot内执行
其中在Slot的时候说过，Slot可以运行由Task（或Subtask）组成的任务链，如图可见，最左边的Slot运行了TaskA TaskB TaskC 3个Task各自的1个Subtask组成的一个Subtask执行链

在这里插入图片描述

并行度是一个动态的概念，可以在多个地方设置并行度：

配置文件默认并行度：conf/flink-conf.yaml的parallelism.default
启动Flink任务，动态提交参数：比如：bin/flink run -p 3
在代码中设置全局并行度：env.setParallelism(3);
针对每个算子进行单独设置：sum(1).setParallelism(3)

优先级：算子 > 代码全局 > 命令行参数 > 配置文件

Flink数据流编程模型

Flink 提供了不同的抽象级别以开发流式或批处理应用。

在这里插入图片描述

最顶层：SQL/Table API 提供了操作关系表、执行SQL语句分析的API库，供我们方便的开发SQL相关程序
中层：流和批处理API层，提供了一系列流和批处理的API和算子供我们对数据进行处理和分析
最底层：运行时层，提供了对Flink底层关键技术的操纵，如对Event（消息）、state（状态）、time（时间）、window（窗口）等进行精细化控制的操作API

Libraries支持

支持机器学习（FlinkML）
支持图分析（Gelly）
支持关系数据处理（Table）
支持复杂事件处理（CEP）

Flink集群搭建

Flink支持多种安装模式。

local（本地）——本地模式
standalone——独立模式，Flink自带集群，开发测试环境使用
yarn——计算资源统一由Hadoop YARN管理，生产环境测试

下面来说说下各个模式的使用场景及特点

Local 本地模式（开发测试）

本地模式一般在写代码的时候，用以测试Flink代码
原理是通过1个JVM进程，在其内部通过多个线程模拟出各个角色来得到完整的Flink执行环境
可以通过：

IDEA中启动Flink程序来获得Local模式的执行
在Flink中启动：start-scala-shell.sh local来启动一个Local的执行环境

Standalone - 伪分布环境（开发测试）

和Local模式不同的是，Standalone模式中Flink的各个角色都是独立的进程。

架构图
在这里插入图片描述

Flink程序需要提交给JobClient
JobClient将作业提交给JobManager
JobManager负责协调资源分配和作业执行。资源分配完成后，任务将提交给相应的TaskManager
TaskManager启动一个线程以开始执行。TaskManager会向JobManager报告状态更改。例如开始执行，正在进行或已完成。
作业执行完成后，结果将发送回客户端（JobClient）

Standalone – 完全分布式集群环境（开发测试）

架构图

在这里插入图片描述

client客户端提交任务给JobManager
JobManager负责Flink集群计算资源管理，并分发任务给TaskManager执行
TaskManager定期向JobManager汇报状态
flink的TM就是运行在不同节点上的JVM进程（process）,这个进程会拥有一定量的资源。比如内存，cpu，网络，磁盘等。flink将进程的内存进行了划分到多个slot中.图中有2个TaskManager，每个TM有2个slot的，每个slot占有1/2的内存。

Standalone – 完全分布式之高可用HA模式（生产可用）

从上述架构图中，可发现JobManager存在单点故障，一旦JobManager出现意外，整个集群无法工作。所以，为了确保集群的高可用，需要搭建Flink的HA。（如果是部署在YARN上，部署YARN的HA），我们这里演示如何搭建Standalone 模式HA。

HA架构图
在这里插入图片描述

yarn集群环境（生产可用）

Local模式是通过一个JVM进程中，通过线程模拟出各个Flink角色来得到Flink环境
Standalone模式中，各个角色是独立的进程存在
YARN模式就是，Flink的各个角色，均运行在多个YARN的容器内，其整体上是一个YARN的任务

在一个企业中，为了最大化的利用集群资源，一般都会在一个集群中同时运行多种类型的 Workload。因此 Flink 也支持在 Yarn 上面运行；
flink on yarn的前提是：hdfs、yarn均启动

Flink on Yarn的运行机制

在这里插入图片描述
从图中可以看出，Yarn的客户端需要获取hadoop的配置信息，连接Yarn的ResourceManager。所以要有设置有 YARN_CONF_DIR或者HADOOP_CONF_DIR或者HADOOP_CONF_PATH,只要设置了其中一个环境变量，就会被读取。如果读取上述的变量失败了，那么将会选择hadoop_home的环境变量，都区成功将会尝试加载$HADOOP_HOME/etc/hadoop的配置文件。

当启动一个Flink Yarn会话时，客户端首先会检查本次请求的资源是否足够。资源足够将会上传包含HDFS配置信息和Flink的jar包到HDFS。
随后客户端会向Yarn发起请求，启动applicationMaster,随后NodeManager将会加载有配置信息和jar包，一旦完成，ApplicationMaster(AM)便启动。
当JobManager and AM 成功启动时,他们都属于同一个container，从而AM就能检索到JobManager的地址。此时会生成新的Flink配置信息以便TaskManagers能够连接到JobManager。同时，AM也提供Flink的WEB接口。用户可并行执行多个Flink会话。
随后，AM将会开始为分发从HDFS中下载的jar以及配置文件的container给TaskMangers.完成后Fink就完全启动并等待接收提交的job。