大数据之Flink运行架构

╰+哭是因爲堅強的太久メ 2022-09-13 05:25 211阅读 0赞

# 1、主要内容 #

• Flink 运行时的组件  
• 任务提交流程  
• 任务调度原理

# 2、Flink 运行时的组件 #

![watermark_type_ZHJvaWRzYW5zZmFsbGJhY2s_shadow_50_text_Q1NETiBA5aSp6b6Z6Iez5bCK_size_20_color_FFFFFF_t_70_g_se_x_16][]

##  2.1 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）和打包了所有的类、库和其它资源的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。

## 2.2 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。
 *  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。

##  2.3 资源管理器（ ResourceManager） ##

*  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。
 *  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。
 *  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。

## 2.4 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也会启动一个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需的，这取决于应用提交运行的方式。

#  3、任务提交流程 #

![watermark_type_ZHJvaWRzYW5zZmFsbGJhY2s_shadow_50_text_Q1NETiBA5aSp6b6Z6Iez5bCK_size_20_color_FFFFFF_t_70_g_se_x_16 1][]

#  4、任务提交流程（ YARN） #

![watermark_type_ZHJvaWRzYW5zZmFsbGJhY2s_shadow_50_text_Q1NETiBA5aSp6b6Z6Iez5bCK_size_20_color_FFFFFF_t_70_g_se_x_16 2][]

# 5、思考与解答 #

*  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？

## 5.1 并行度（ Parallelism） ##

![watermark_type_ZHJvaWRzYW5zZmFsbGJhY2s_shadow_50_text_Q1NETiBA5aSp6b6Z6Iez5bCK_size_20_color_FFFFFF_t_70_g_se_x_16 3][]

*  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 stream 的并行度，可以认为就是其所有算子中最大的并行度。

## 5.2 TaskManager 和 Slots ##

![watermark_type_ZHJvaWRzYW5zZmFsbGJhY2s_shadow_50_text_Q1NETiBA5aSp6b6Z6Iez5bCK_size_20_color_FFFFFF_t_70_g_se_x_16 4][]

*   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 taskslot 来进行控制（一个 TaskManager 至少有一个 slot）

![watermark_type_ZHJvaWRzYW5zZmFsbGJhY2s_shadow_50_text_Q1NETiBA5aSp6b6Z6Iez5bCK_size_20_color_FFFFFF_t_70_g_se_x_16 5][]

*  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。 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

## 5.3 并行子任务的分配 ##

![watermark_type_ZHJvaWRzYW5zZmFsbGJhY2s_shadow_50_text_Q1NETiBA5aSp6b6Z6Iez5bCK_size_20_color_FFFFFF_t_70_g_se_x_16 6][]

![watermark_type_ZHJvaWRzYW5zZmFsbGJhY2s_shadow_50_text_Q1NETiBA5aSp6b6Z6Iez5bCK_size_20_color_FFFFFF_t_70_g_se_x_16 7][]

![watermark_type_ZHJvaWRzYW5zZmFsbGJhY2s_shadow_50_text_Q1NETiBA5aSp6b6Z6Iez5bCK_size_20_color_FFFFFF_t_70_g_se_x_16 8][]

##  5.4 程序与数据流（ DataFlow） ##

![watermark_type_ZHJvaWRzYW5zZmFsbGJhY2s_shadow_50_text_Q1NETiBA5aSp6b6Z6Iez5bCK_size_20_color_FFFFFF_t_70_g_se_x_16 9][]

*  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

![watermark_type_ZHJvaWRzYW5zZmFsbGJhY2s_shadow_50_text_Q1NETiBA5aSp6b6Z6Iez5bCK_size_20_color_FFFFFF_t_70_g_se_x_16 10][]

## 5.5 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TaskManager 上部署 Task 后形成的“图” ，并不是一个具体的数据结构。

![watermark_type_ZHJvaWRzYW5zZmFsbGJhY2s_shadow_50_text_Q1NETiBA5aSp6b6Z6Iez5bCK_size_20_color_FFFFFF_t_70_g_se_x_16 11][]

# 5.6 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。  
➢ 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。

## 5.7 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_ZHJvaWRzYW5zZmFsbGJhY2s_shadow_50_text_Q1NETiBA5aSp6b6Z6Iez5bCK_size_20_color_FFFFFF_t_70_g_se_x_16 12][]

[watermark_type_ZHJvaWRzYW5zZmFsbGJhY2s_shadow_50_text_Q1NETiBA5aSp6b6Z6Iez5bCK_size_20_color_FFFFFF_t_70_g_se_x_16]: /images/20220828/41cc50408d094815b30803643de7a42a.png
[watermark_type_ZHJvaWRzYW5zZmFsbGJhY2s_shadow_50_text_Q1NETiBA5aSp6b6Z6Iez5bCK_size_20_color_FFFFFF_t_70_g_se_x_16 1]: /images/20220828/b13e1d63a83444e5a14d70368be6978b.png
[watermark_type_ZHJvaWRzYW5zZmFsbGJhY2s_shadow_50_text_Q1NETiBA5aSp6b6Z6Iez5bCK_size_20_color_FFFFFF_t_70_g_se_x_16 2]: /images/20220828/02d8530b567e4e8085842baf6f8913da.png
[watermark_type_ZHJvaWRzYW5zZmFsbGJhY2s_shadow_50_text_Q1NETiBA5aSp6b6Z6Iez5bCK_size_20_color_FFFFFF_t_70_g_se_x_16 3]: /images/20220828/ba51a0355fc44809b4eaa9e515751957.png
[watermark_type_ZHJvaWRzYW5zZmFsbGJhY2s_shadow_50_text_Q1NETiBA5aSp6b6Z6Iez5bCK_size_20_color_FFFFFF_t_70_g_se_x_16 4]: /images/20220828/a0b9316f768d40a78ed6e0176e34d93a.png
[watermark_type_ZHJvaWRzYW5zZmFsbGJhY2s_shadow_50_text_Q1NETiBA5aSp6b6Z6Iez5bCK_size_20_color_FFFFFF_t_70_g_se_x_16 5]: /images/20220828/703cc909c25e4798916379ec52942c0d.png
[watermark_type_ZHJvaWRzYW5zZmFsbGJhY2s_shadow_50_text_Q1NETiBA5aSp6b6Z6Iez5bCK_size_20_color_FFFFFF_t_70_g_se_x_16 6]: /images/20220828/ef5135574f9549e5a7a821967cdc003b.png
[watermark_type_ZHJvaWRzYW5zZmFsbGJhY2s_shadow_50_text_Q1NETiBA5aSp6b6Z6Iez5bCK_size_20_color_FFFFFF_t_70_g_se_x_16 7]: /images/20220828/cf40b9b81125436da5de69aa26c86195.png
[watermark_type_ZHJvaWRzYW5zZmFsbGJhY2s_shadow_50_text_Q1NETiBA5aSp6b6Z6Iez5bCK_size_20_color_FFFFFF_t_70_g_se_x_16 8]: /images/20220828/fea8cec93ba847da879924c8f56f808e.png
[watermark_type_ZHJvaWRzYW5zZmFsbGJhY2s_shadow_50_text_Q1NETiBA5aSp6b6Z6Iez5bCK_size_20_color_FFFFFF_t_70_g_se_x_16 9]: /images/20220828/2cc57e90a076400993acc6ffd7d62c9d.png
[watermark_type_ZHJvaWRzYW5zZmFsbGJhY2s_shadow_50_text_Q1NETiBA5aSp6b6Z6Iez5bCK_size_20_color_FFFFFF_t_70_g_se_x_16 10]: /images/20220828/7b2f68f6a9874d4280ffa7c7656bb03c.png
[watermark_type_ZHJvaWRzYW5zZmFsbGJhY2s_shadow_50_text_Q1NETiBA5aSp6b6Z6Iez5bCK_size_20_color_FFFFFF_t_70_g_se_x_16 11]: /images/20220828/730015ace07f4eaea48d0077a13ff973.png
[watermark_type_ZHJvaWRzYW5zZmFsbGJhY2s_shadow_50_text_Q1NETiBA5aSp6b6Z6Iez5bCK_size_20_color_FFFFFF_t_70_g_se_x_16 12]: /images/20220828/09124dd9dedc42549f1c26a9d9d68960.png