Flink教程（05）Flink原理简单分析

01 引言

在前面的博客&＃xff0c;我们运行了简单的Flink案例了&＃xff0c;有兴趣的同学可以参阅下&＃xff1a;

• 《Flink教程&＃xff08;01&＃xff09;- Flink知识图谱》
• 《Flink教程&＃xff08;02&＃xff09;- Flink入门》
• 《Flink教程&＃xff08;03&＃xff09;- Flink环境搭建》
• 《Flink教程&＃xff08;04&＃xff09;- Flink入门案例》

本文简单讲解Flink的原理。

02 Flink角色

在实际生产中&＃xff0c;Flink 都是以集群在运行&＃xff0c;在运行的过程中包含了两类进程。

Flink有如下角色&＃xff1a;

• JobManager&＃xff1a;它扮演的是集群管理者的角色&＃xff0c;负责调度任务、协调 checkpoints、协调故障恢复、收集Job 的状态信息&＃xff0c;并管理Flink集群中的从节点 TaskManager&＃xff1b;
• TaskManager&＃xff1a;实际负责执行计算的 Worker&＃xff0c;在其上执行Flink Job的一组 Task&＃xff1b;TaskManager还是所在节点的管理员&＃xff0c;它负责把该节点上的服务器信息比如内存、磁盘、任务运行情况等向 JobManager 汇报。
• Client&＃xff1a;用户在提交编写好的 Flink工程时&＃xff0c;会先创建一个客户端再进行提交&＃xff0c;这个客户端就是 Client。

03 Flink执行流程

3.1 Standalone版本

3.2 on yarn

上述流程:

1. Client向HDFS上传Flink的Jar包和配置 ;
2. Client向Yarn ResourceManager提交任务并申请资源;
3. ResourceManager分配Container资源并启动ApplicationMaster,然后AppMaster加载Flink的Jar包和配置构建环境,启动JobManager;
4. ApplicationMaster向ResourceManager申请工作资源,NodeManager加载Flink的Jar包和配置构建环境并启动TaskManager;
5. TaskManager启动后向JobManager发送心跳包&＃xff0c;并等待JobManager向其分配任务。

04 Flink Streaming Dataflow

4.1 Flink相关词汇

官网关于Flink的词汇表&＃xff1a;https://ci.apache.org/projects/flink/flink-docs-release-1.11/concepts/glossary.html#glossary

• Dataflow&＃xff1a;Flink程序在执行的时候会被映射成一个数据流模型
• Operator&＃xff1a;数据流模型中的每一个操作被称作Operator&＃xff0c;Operator分为&＃xff1a;Source/Transform/Sink
• Partition&＃xff1a;数据流模型是分布式的和并行的,执行中会形成1~n个分区
• Subtask&＃xff1a;多个分区任务可以并行,每一个都是独立运行在一个线程中的,也就是一个Subtask子任务
• Parallelism&＃xff1a;并行度,就是可以同时真正执行的子任务数/分区数

4.2 Operator传递模式

数据在两个Operator(算子)之间传递的时候有两种模式&＃xff1a;

• One to One模式&＃xff1a;两个operator用此模式传递的时候&＃xff0c;会保持数据的分区数和数据的排序&＃xff1b;如上图中的Source1到Map1&＃xff0c;它就保留的Source的分区特性&＃xff0c;以及分区元素处理的有序性。
• Redistributing 模式&＃xff1a;这种模式会改变数据的分区数 &＃xff0c;每个一个operator subtask会根据选择transformation把数据发送到不同的目标subtasks&＃xff0c;比如keyBy()会通过hashcode重新分区&＃xff0c;broadcast()和rebalance()方法会随机重新分区。

4.3 Operator Chain

客户端在提交任务的时候会对Operator进行优化操作&＃xff0c;能进行合并的Operator会被合并为一个Operator&＃xff0c;合并后的Operator称为Operator chain&＃xff0c;实际上就是一个执行链&＃xff0c;每个执行链会在TaskManager上一个独立的线程中执行–就是SubTask。

4.4 任务槽与槽共享

4.4.1 任务槽(TaskSlot)

每个TaskManager是一个JVM的进程&＃xff0c;为了控制一个TaskManager(worker)能接收多少个task&＃xff0c;Flink通过Task Slot来进行控制。

• TaskSlot数量是用来限制一个TaskManager工作进程中可以同时运行多少个工作线程;
• TaskSlot是一个TaskManager 中的最小资源分配单位;
• 一个 TaskManager中有多少个 TaskSlot就意味着能支持多少并发的Task处理。

Flink将进程的内存进行了划分到多个slot中&＃xff0c;内存被划分到不同的slot之后可以获得如下好处:

• TaskManager最多能同时并发执行的子任务数是可以通过TaskSolt数量来控制的&＃xff1b;
• TaskSolt有独占的内存空间&＃xff0c;这样在一个TaskManager中可以运行多个不同的作业&＃xff0c;作业之间不受影响。

4.4.2 槽共享(Slot Sharing)

Flink允许子任务共享插槽&＃xff0c;即使它们是不同任务(阶段)的子任务(subTask)&＃xff0c;只要它们来自同一个作业。

比如上图图左下角中的map和keyBy和sink 在一个 TaskSlot里执行以达到资源共享的目的。

允许插槽共享有两个主要好处&＃xff1a;

• 资源分配更加公平&＃xff0c;如果有比较空闲的slot可以将更多的任务分配给它&＃xff1b;
• 有了任务槽共享&＃xff0c;可以提高资源的利用率。

注意:

• slot是静态的概念&＃xff0c;是指taskmanager具有的并发执行能力&＃xff1b;
• parallelism是动态的概念&＃xff0c;是指程序运行时实际使用的并发能力。

05 Flink运行时组件

Flink运行时架构主要包括四个不同的组件&＃xff0c;它们会在运行流处理应用程序时协同工作&＃xff1a;

• 作业管理器&＃xff08;JobManager&＃xff09;&＃xff1a;分配任务、调度checkpoint做快照
• 任务管理器&＃xff08;TaskManager&＃xff09;&＃xff1a;主要干活的
• 资源管理器&＃xff08;ResourceManager&＃xff09;&＃xff1a;管理分配资源
• 分发器&＃xff08;Dispatcher&＃xff09;&＃xff1a;方便递交任务的接口&＃xff0c;WebUI

因为Flink是用Java和Scala实现的&＃xff0c;所以所有组件都会运行在Java虚拟机上&＃xff0c;每个组件的职责如下&＃xff1a;

5.1 作业管理器&＃xff08;JobManager&＃xff09;

• 控制一个应用程序执行的主进程&＃xff0c;也就是说&＃xff0c;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&＃xff0c;这个应用程序会包括&＃xff1a;作业图&＃xff08;JobGraph&＃xff09;、逻辑数据流图&＃xff08;logical dataflow graph&＃xff09;和打包了所有的类、库和其它资源的JAR包&＃xff1b;
• JobManager 会把JobGraph转换成一个物理层面的数据流图&＃xff0c;这个图被叫做“执行图”&＃xff08;ExecutionGraph&＃xff09;&＃xff0c;包含了所有可以并发执行的任务&＃xff1b;
• JobManager会向资源管理器&＃xff08;ResourceManager&＃xff09;请求执行任务必要的资源&＃xff0c;也就是任务管理器&＃xff08;TaskManager&＃xff09;上的插槽&＃xff08;slot&＃xff09;&＃xff0c;一旦它获取到了足够的资源&＃xff0c;就会将执行图分发到真正运行它们的TaskManager上&＃xff0c;而在运行过程中&＃xff0c;JobManager会负责所有需要中央协调的操作&＃xff0c;比如说检查点&＃xff08;checkpoints&＃xff09;的协调。

5.2 任务管理器&＃xff08;TaskManager&＃xff09;

• Flink中的工作进程&＃xff0c;通常在Flink中会有多个TaskManager运行&＃xff0c;每一个TaskManager都包含了一定数量的插槽&＃xff08;slots&＃xff09;。插槽的数量限制了TaskManager能够执行的任务数量。
• 启动之后&＃xff0c;TaskManager会向资源管理器注册它的插槽&＃xff1b;收到资源管理器的指令后&＃xff0c;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&＃xff08;tasks&＃xff09;来执行了。
• 在执行过程中&＃xff0c;一个TaskManager可以跟其它运行同一应用程序的TaskManager交换数据。

5.3 资源管理器&＃xff08;ResourceManager&＃xff09;

• 主要负责管理任务管理器&＃xff08;TaskManager&＃xff09;的插槽&＃xff08;slot&＃xff09;&＃xff0c;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&＃xff0c;比如YARN、Mesos、K8s&＃xff0c;以及standalone部署。
• 当JobManager申请插槽资源时&＃xff0c;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&＃xff0c;它还可以向资源提供平台发起会话&＃xff0c;以提供启动TaskManager进程的容器。

5.4 分发器&＃xff08;Dispatcher&＃xff09;

• 可以跨作业运行&＃xff0c;它为应用提交提供了REST接口&＃xff1b;
• 当一个应用被提交执行时&＃xff0c;分发器就会启动并将应用移交给一个JobManager&＃xff1b;
• Dispatcher也会启动一个Web UI&＃xff0c;用来方便地展示和监控作业执行的信息&＃xff1b;
• Dispatcher在架构中可能并不是必需的&＃xff0c;这取决于应用提交运行的方式。

06 Flink执行图&＃xff08;ExecutionGraph&＃xff09;

由Flink程序直接映射成的数据流图是StreamGraph&＃xff0c;也被称为逻辑流图&＃xff0c;因为它们表示的是计算逻辑的高级视图&＃xff0c;为了执行一个流处理程序&＃xff0c;Flink需要将逻辑流图转换为物理数据流图&＃xff08;也叫执行图&＃xff09;&＃xff0c;详细说明程序的执行方式。

Flink 中的执行图可以分成四层&＃xff1a;StreamGraph -> JobGraph -> ExecutionGraph -> 物理执行图&＃xff1a;

6.1 原理

Flink执行executor会自动根据程序代码生成DAG数据流图&＃xff1b;

Flink 中的执行图可以分成四层&＃xff1a;StreamGraph -> JobGraph -> ExecutionGraph -> 物理执行图&＃xff1a;

• StreamGraph &＃xff1a;是根据用户通过 Stream API编写的代码生成的最初的图&＃xff0c;表示程序的拓扑结构。
• JobGraph &＃xff1a;StreamGraph经过优化后生成了JobGraph&＃xff0c;提交给JobManager的数据结构。主要的优化为&＃xff0c;将多个符合条件的节点 chain在一起作为一个节点&＃xff0c;这样可以减少数据在节点之间流动所需要的序列化/反序列化/传输消耗。
• ExecutionGraph &＃xff1a;JobManager根据 JobGraph生成ExecutionGraph。ExecutionGraph是JobGraph的并行化版本&＃xff0c;是调度层最核心的数据结构。
• 物理执行图 &＃xff1a;JobManager 根据 ExecutionGraph 对Job进行调度后&＃xff0c;在各个TaskManager 上部署 Task后形成的“图”&＃xff0c;并不是一个具体的数据结构。

可以简单理解为&＃xff1a;

• StreamGraph&＃xff1a;最初的程序执行逻辑流程&＃xff0c;也就是算子之间的前后顺序–在Client上生成&＃xff1b;
• JobGraph&＃xff1a;将OneToOne的Operator合并为OperatorChain–在Client上生成
• ExecutionGraph&＃xff1a;将JobGraph根据代码中设置的并行度和请求的资源进行并行化规划!–在JobManager上生成
• 物理执行图&＃xff1a;将ExecutionGraph的并行计划,落实到具体的TaskManager上&＃xff0c;将具体的SubTask落实到具体的TaskSlot内进行运行。