Flink程序部署与提交

news2024/9/22 4:14:10

前言

我们看门见山，生产环境一般用的是在YARN上面采用应用模式进行部署flink程序。实际生产中一般需要和资源管理平台（如YARN）结合起来，选择特定的模式来分配资源、部署应用。

部署模式

在一些应用场景中，对于集群资源分配和占用的方式，可能会有特定的需求。Flink 为各
种场景提供了不同的部署模式，主要有以下三种：

会话模式（Session Mode）
单作业模式（Per-Job Mode）
应用模式（Application Mode）

它们的区别主要在于：

集群的生命周期以及资源的分配方式；
以及应用的 main 方法到底在哪里执行——客户端（Client）还是 JobManager。接下来我们就做一个展开说明。

1. 会话模式（Session Mode）
会话模式其实最符合常规思维。我们需要先启动一个集群，保持一个会话，在这个会话中
通过客户端提交作业，如图所示。集群启动时所有资源就都已经确定，所以所有提交的
作业会竞争集群中的资源。

在这里插入图片描述

（1）优点
只需要一个集群，所有作业都这个集群提交，作业结束直接释放资源，集群依然正常运行。
（2）缺点

资源共享、资源不够的时候，作业提交就会失败。
同一个 TaskManager 上可能运行了很多作业，如果其中一个发生故障导致 TaskManager 宕机，那么所有作业都会受到影响。
客户端需要占用大量网络带宽，去下载依赖和把二进制数据发送给
JobManager；加上很多情况下我们提交作业用的是同一个客户端，就会加重客户端所在节点的
资源消耗。

（3）适用场景
会话模式比较适合于单个规模小、执行时间短的大量作业。

单作业模式（Per-Job Mode）
会话模式因为资源共享会导致很多问题，所以为了更好地隔离资源，我们可以考虑为每个
提交的作业启动一个集群，这就是所谓的单作业（Per-Job）模式，如下图所示。

（1）优点
提交一个作业，就会启动一个集群，作业被提交给 JobManager，进而分发给 TaskManager 执行。作业作业完成后，集群就会关闭，所有资源也会释放。这样一来，每个作业都有它自己的 JobManager
管理，占用独享的资源，即使发生故障，它的 TaskManager 宕机也不会影响其他作业。
（2）缺点
客户端需要占用大量网络带宽，去下载依赖和把二进制数据发送给
JobManager；加上很多情况下我们提交作业用的是同一个客户端，就会加重客户端所在节点的
资源消耗。
（3）适用场景
作业通常是短暂运行的，并且可能经常更改或更新，那么每次作业运行都启动一个新的JobManager实例可能会更有优势。
应用模式（Application Mode）
前面提到的两种模式下，应用代码都是在客户端上执行，然后由客户端提交给 JobManager
的。但是这种方式客户端需要占用大量网络带宽，去下载依赖和把二进制数据发送给
JobManager；加上很多情况下我们提交作业用的是同一个客户端，就会加重客户端所在节点的
资源消耗。
所以解决办法就是，我们不要客户端了，直接把应用提交到 JobManger 上运行。而这也就
代表着，我们需要为每一个提交的应用单独启动一个 JobManager，也就是创建一个集群。这
个 JobManager 只为执行这一个应用而存在，执行结束之后 JobManager 也就关闭了，这就是所
谓的应用模式，如下图所示。

应用模式与单作业模式，都是提交作业之后才创建集群；单作业模式是通过客户端来提交
的，客户端解析出的每一个作业对应一个集群；而应用模式下，是直接由 JobManager 执行应
用程序的，并且即使应用包含了多个作业，也只创建一个集群。

（3）适用场景
实际生产中最常用的模式。

YARN结合三种部署模式

独立（Standalone）模式由 Flink 自身提供资源，无需其他框架，这种方式降低了和其他
第三方资源框架的耦合性，独立性非常强。但我们知道，Flink 是大数据计算框架，不是资源
调度框架，这并不是它的强项；所以还是应该让专业的框架做专业的事，和其他资源调度框架
集成更靠谱。而在目前大数据生态中，国内应用最为广泛的资源管理平台就是 YARN 了。

一句话总结YARN上部署过程

客户端把 Flink 应用提交给 Yarn 的 ResourceManager,
Yarn 的 ResourceManager 会向 Yarn 的 NodeManager 申请容器。在这些容器上，Flink 会部署
JobManager 和 TaskManager 的实例，从而启动集群。Flink 会根据运行在 JobManger 上的作业
所需要的 Slot 数量动态分配 TaskManager 资源。

会话模式提交作业

 bin/flink run -c com.exmple.FlineDemo FlinkDemo-1.0-SNAPSHOT.jar

单作业模式模式提交作业

bin/flink run -d -t yarn-per-job -c com.exmple.FlineDemo FlinkDemo-1.0-SNAPSHOT.jar

早期的另一个写法：

bin/flink run -m yarn-cluster -c com.exmple.FlineDemo FlinkDemo-1.0-SNAPSHOT.jar

应用模式提交作业

bin/flink run-application -t yarn-application -c com.exmple.FlineDemo FlinkDemo-1.0-SNAPSHOT.jar

常用参数详解：

-yjm	指定JobManager所在的Container内存。单位：MB
-ytm	每一个TaskManager Container的内存,单位MB。
-ys	    每一个TaskManager中slots的数量。
-ynm	YARN中application的名称。
-c	    指定Job对应的jar包中主函数所在类名。
-yj,--yarnjar <arg>              jar包位置
-yt,--yarnship 传输指定目录下的文件(t用于传输)
-yqu,--yarnqueue <arg>      指定yarn队列
-yD <property=value>        自定义参数 
-yid,--yarnapplicationId <arg>    指定yarnid执行
-yq,--yarnquery       显示可用的YARN资源(内存,核心)                  
-d,--detached         后台执行

YARN高可用

YARN 的高可用是只启动一个 Jobmanager, 当这个 Jobmanager 挂了之后, YARN 会再次
启动一个, 所以其实是利用的 YARN 的重试次数来实现的高可用。

在 yarn-site.xml 中配置

<property>
 <name>yarn.resourcemanager.am.max-attempts</name>
 <value>4</value>
 <description>
 The maximum number of application master execution attempts.
 </description>
</property>

注意: 配置完不要忘记分发, 和重启 YARN。

在 flink-conf.yaml 中配置

yarn.application-attempts: 3
high-availability: zookeeper
high-availability.storageDir: hdfs://hadoop102:9820/flink/yarn/ha
high-availability.zookeeper.quorum: 
hadoop102:2181,hadoop103:2181,hadoop104:2181
high-availability.zookeeper.path.root: /flink-yarn