跳至主要內容

概念

概念

这里需要提到 Flink 中的几个关键组件:客户端(Client)、作业管理器(JobManager)和 任务管理器(TaskManager)。我们的代码，实际上是由客户端获取并做转换，之后提交给 JobManger 的。所以 JobManager 就是 Flink 集群里的“管事人”，对作业进行中央调度管理; 而它获取到要执行的作业后，会进一步处理转换，然后分发任务给众多的 TaskManager。这里的TaskManager，就是真正“干活的人”，数据的处理操作都是它们来做的。

复杂版

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。

高可用得多个，但是实际使用的还是一个，其他都是Standby。

资源管理器(ResourceManager)

在JobManager里

  • 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。另外，ResourceManager 还负责终止空闲的 TaskManager，释放计算资源。

分发器(Dispatcher)

在JobManager里

  • 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。由于是 REST 接口，所以 Dispatcher 可以作为集 群的一个 HTTP 接入点，这样就能够不受防火墙阻挡。
  • 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。

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。

三、提交作业流程

抽象的流程

Standalone（会话）作业提交流程

Yarn（会话）作业提交流程

Yarn（单作业）提交流程

四、一些重要概念

数据流图(DataFlow)

所有的Flink程序都是由三部分组成：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

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。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进行调整后，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。

算子链(Operator Chains)

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-toone(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维护者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。
  • Redistributing：stream的分区会发生改变。每一个算子的子任务根据所选择的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redistribut过程，而redistribute过程就类似于Spark中的shuffle过程。

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，并通过本地转发（local forward）的方式进行连接相同不行度的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

Task Slots

Task Slots是指TaskManager具有的并发执行能力，通过参数taskmanager.numberOfTaskSlots进行配置

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能接受多少个task，TaskManager通过task slot来进行控制（一个TaskManager至少有一个slot）

默认情况下，Flink允许子任务共享slot。这样的结果是，一个slot可以保存作业的整个管道。

当我们将资源密集型和非密集型的任务同时放到一个slot中，它们就可以自行分配对资源占用的比例，从而保证最重要的活平均分配给所有的TaskManager。

上次编辑于:
Copyright © 2019-present 数码乱炖