01-Flink运行架构

 

1.flink运行时的组件

 

​

 

 

 

Flink 运行时架构主要包括四个不一样的组件，它们会在运行流处理应用程序时协同工做：

 

做业管理器（JobManager）、资源管理器（ResourceManager）、任务管理器（TaskManager），

 

以及分发器（Dispatcher）。由于 Flink 是用 Java 和 Scala 实现的，因此全部组件都会运行在

 

Java 虚拟机上。每一个组件的职责以下：

 

1.1做业管理器(jobmanager)

 

1. 控制一个应用程序执行的主进程，也就是说，每一个应用程序都会被一个不一样的JobManager 所控制执行。
2. JobManager 会先接收到要执行的应用程序， 这个应用程序会包括：做业图（JobGraph）、逻辑数据流图（logical dataflow graph）和打包了全部的类、库和其它资源的 JAR 包(也就是咱们所说的job做业提交)。
3. jobManager 会把 JobGraph 转换成一个物理层面的数据流图，这个图被叫作“执行图”（ExecutionGraph），包含了全部能够并发执行的任务。
4. 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。而在运行过程当中， JobManager 会负责全部须要中央协调的操做，好比说检查点（checkpoints）的协调。

 

1.2任务管理器(task manager)

 

1. Flink 中的工做进程。一般在 Flink 中会有多个 TaskManager 运行，每个 TaskManager都包含了必定数量的插槽（slots）。插槽的数量限制了 TaskManager 可以执行的任务数量。
2. 启动以后， 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 就能够向插槽分配任务（tasks）来执行了。
3. 在执行过程当中，一个 TaskManager 能够跟其它运行同一应用程序的 TaskManager 交换数据。

 

1.3资源管理器(resource manager)

 

1. 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。
2. Flink 为不一样的环境和资源管理工具提供了不一样资源管理器，好比YARN、 Mesos、 K8s，以及 standalone 部署。
3. 当 JobManager 申请插槽资源时， ResourceManager会将有空闲插槽的 TaskManager 分配给 JobManager。若是 ResourceManager 没有足够的插槽来知足 JobManager 的请求，它还能够向资源提供平台发起会话，以提供启动 TaskManager进程的容器。另外， ResourceManager 还负责终止空闲的 TaskManager，释放计算资源。

 

1.4分发器(dispatcher)

 

1. 能够跨做业运行，它为应用提交提供了 REST 接口。
2. 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。因为是 REST 接口，因此 Dispatcher 能够做为集群的一个 HTTP 接入点，这样就可以不受防火墙阻挡。
3. Dispatcher 也会启动一个 Web UI，用来方便地展现和监控做业执行的信息。
4.  Dispatcher 在架构中可能并非必需的，这取决于应用提交运行的方式。

 

 

2.任务提交流程

 

​

 

 

上图是从一个较为高层级的视角，来看应用中各组件的交互协做。

 

 

1. 首先     经过Rest接口提交给了分发器dispatcher
2. dispatcher启动jobmanager，而且将应用交给jobmanager
3. jobmanager向ResourceManager申请资源
4. ResourceManger就会启动taskmanager,空闲的slots就会向ResourceManager注册
5. ResourceManager会对taskmanager发出提供slot的指令
6. taskmanager与jobmanager进行通讯(心跳通讯)
7. taskmanager提供slots给jobmanager
8. jobmanager给slots分配任务
9. 不一样的taskmanager在执行任务时，会根据须要交换数据

 

 

若是部署的集群环境不一样（例如 YARN， Mesos， Kubernetes， standalone 等），其中一些步骤能够被省略，或是有些组件会运行在同一个 JVM 进程中。

 

具体地，若是咱们将 Flink 集群部署到 YARN 上，那么就会有以下的提交流程：

 

​

 

 

 

 

 

 

1. Flink 任务提交后， Client 向 HDFS 上传 Flink 的 Jar 包和配置
2. 以后向 YarnResourceManager 提交任务， ResourceManager(YARN的资源管理器) 分配 Container 资源并通知对应的NodeManager 启动 ApplicationMaster， ApplicationMaster 启动后加载hdfs上的 Flink 的 Jar 包和配置构建环境
3. 而后启动 JobManager，以后 ApplicationMaster 向 ResourceManager申 请 资 源 启 动 TaskManager
4. ResourceManager 分 配 Container 资 源 后 ， 由ApplicationMaster 通 知 资 源 所 在 节 点 的 NodeManager 启 动 TaskManager ，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，并等待 JobManager 向其分配任务。

 

3.任务调度流程

 

​

 

 

 

 

 

 

1. flink程序代码，编译打包后，会先生成初始的逻辑数据流图(Dataflow graph)
2. 经过提交任务的客户端（client）,提交给dispatcher或者resourcemanager(flink on yarn)。最终是给到jobmanager。
3. jobmanager将Dataflow graph 转换为可执行的execution graph（可执行的数据流图）。发送给全部的taskmanager
4. 每个taskmanager都有task slot。slots并行执行

 

当 Flink 集 群 启 动 后 ， 首 先 会 启 动 一 个 JobManger 和 一 个 或 多 个 的

 

TaskManager。由 Client 提交任务给 JobManager， JobManager 再调度任务到各个

 

TaskManager 去执行，而后 TaskManager 将心跳和统计信息汇报给 JobManager。

 

TaskManager 之间以流的形式进行数据的传输。上述三者均为独立的 JVM 进程。

 

Client 为提交 Job 的客户端，能够是运行在任何机器上（与 JobManager 环境

 

连通便可）。提交 Job 后， Client 能够结束进程（ Streaming 的任务），也能够不

 

结束并等待结果返回。

 

JobManager 主 要 负 责 调 度 Job 并 协 调 Task 作 checkpoint， 职 责 上 很 像

 

Storm 的 Nimbus。从 Client 处接收到 Job 和 JAR 包等资源后，会生成优化后的

 

执行计划，并以 Task 的单元调度到各个 TaskManager 去执行。

 

TaskManager 在启动的时候就设置好了槽位数（ Slot），每一个 slot 能启动一个

 

Task， Task 为线程。从 JobManager 处接收须要部署的 Task，部署启动后，与自

 

己的上游创建 Netty 链接，接收数据并处理。

 

 

4.TaskManager与Slots

 

      每一个 task slot 表示 TaskManager 拥有资源的一个固定大小的子集。假如一个TaskManager 有三个 slot，那么它会将其管理的内存分红三份给各个 slot。资源 slot化意味着一个 subtask 将不须要跟来自其余 job 的 subtask 竞争被管理的内存，取而代之的是它将拥有必定数量的内存储备。须要注意的是，这里不会涉及到 CPU 的隔离， slot 目前仅仅用来隔离 task 的受管理的内存。

 

      经过调整 task slot 的数量，容许用户定义 subtask 之间如何互相隔离。若是一个TaskManager 一个 slot，那将意味着每一个 task group 运行在独立的 JVM 中（该 JVM多是经过一个特定的容器启动的），而一个 TaskManager 多个 slot 意味着更多的subtask 能够共享同一个 JVM。而在同一个 JVM 进程中的 task 将共享 TCP 链接（基于多路复用）和心跳消息。它们也可能共享数据集和数据结构，所以这减小了每一个task 的负载。

 

​

 

 

1. flink中每个TaskManager都是一个JVM进程，它可能在独立的线程上执行一个或者多个subtask
2. 为了控制一个TaskManager能接受多少个task，Taskmanager经过task slot来进行控制（一个Taskmanager至少有一个slot）
3. 每台机子设置的slot数量，一般能够设置为cpu的线程数
4. 默认状况下， Flink 容许子任务共享 slot，即便它们是不一样任务的子任务（前提是它们来自同一个 job） 。 这样的结果是，一个 slot 能够保存做业的整个管道。
5. Task Slot 是静态的概念，是指 TaskManager 具备的并发执行能力

 

     

 

能够经过参数 taskmanager.numberOfTaskSlots 进行配置； 而并行度 parallelism 是动态概念，即 TaskManager 运行程序时实际使用的并发能力，能够经过参数 parallelism.default进行配置。也就是说，假设一共有 3 个 TaskManager，每个 TaskManager 中的分配 3 个TaskSlot，也就是每一个 TaskManager 能够接收 3 个 task，一共 9 个 TaskSlot，若是咱们设置 parallelism.default=1，即运行程序默认的并行度为 1， 9 个 TaskSlot 只用了 1个，有 8 个空闲，所以，设置合适的并行度才能提升效率。

 

 

5.程序与数据流（DataFlow）

 

​

 

 

全部的 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 利用各类算子进行处理加工， 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。 每个 dataflow 以一个或多个 sources 开始以一个或多个 sinks 结束。 dataflow 相似于任意的有向无环图（ DAG）。在大部分状况下，程序中的转换运算（ transformations） 跟 dataflow 中的算子（operator） 是一一对应的关系，但有时候，一个 transformation 可能对应多个 operator。

 

 

6.执行图（ExecutionGraph）

 

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

 

 

Flink 中的执行图能够分红四层： StreamGraph -> JobGraph -> ExecutionGraph ->物理执行图。

 

1. StreamGraph：是根据用户经过 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。
2. JobGraph： StreamGraph 通过优化后生成了 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 在一块儿做为一个节点，这样能够减小数据在节点之间流动所须要的序列化/反序列化/传输消耗。
3. 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。
4. 物理执行图： JobManager 根据 ExecutionGraph 对 Job 进行调度后，在各个TaskManager 上部署 Task 后造成的“图”，并非一个具体的数据结构。

 

 

 

​

 

 

 

7.并行度（Parallelism）

 

Flink 程序的执行具备并行、分布式的特性。

 

在执行过程当中，一个流（ stream） 包含一个或多个分区（ stream partition） ，而每个算子（ operator）能够包含一个或多个子任务（ operator subtask） ，这些子任务在不一样的线程、不一样的物理机或不一样的容器中彼此互不依赖地执行。

 

一个特定算子的子任务（ subtask） 的个数被称之为其并行度（ parallelism） 。

 

通常状况下， 一个流程序的并行度，能够认为就是其全部算子中最大的并行度。一

 

个程序中，不一样的算子可能具备不一样的并行度。

 

尚硅谷大数据技术之 Flink

 

      ​

 

 

 

 

 

Stream 在算子之间传输数据的形式能够是 one-to-one(forwarding)的模式也能够

 

是 redistributing 的模式，具体是哪种形式，取决于算子的种类。

 

 

One-to-one： stream(好比在 source 和 map operator 之间)维护着分区以及元素的

 

顺序。那意味着 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

 

任务生产的元素的个数、顺序相同， map、 fliter、 flatMap 等算子都是 one-to-one 的

 

对应关系。(PS.相似于 spark 中的窄依赖)

 

Redistributing： stream(map()跟 keyBy/window 之间或者 keyBy/window 跟 sink

 

之间)的分区会发生改变。每个算子的子任务依据所选择的 transformation 发送数

 

据到不一样的目标任务。例如， keyBy() 基于 hashCode 重分区、 broadcast 和 rebalance

 

会随机从新分区，这些算子都会引发 redistribute 过程，而 redistribute 过程就相似于

 

Spark 中的 shuffle 过程。(PS.相似于 spark 中的宽依赖)

 

 

8.任务链（Operator Chains）

 

相同并行度的 one to one 操做， Flink 这样相连的算子连接在一块儿造成一个 task，原来的算子成为里面的一部分。将算子连接成 task 是很是有效的优化：它能减小线程之间的切换和基于缓存区的数据交换，在减小时延的同时提高吞吐量。连接的行为能够在编程 API 中进行指定。

 

 

​