Flink运行时架构

HigginCui
385 阅读5分钟

Mac安装Flink参考

blog.csdn.net/qq_20042935…

brew安装模式下，查看对应Flink安装地址
brew info apache-flink

Flink运行时架构

Flink运行时的组件

image.png

作业管理器

  • 控制一个应用程序的主进程，每个应用程序都会被一个不同的JobManager所控制
  • JobManager会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）
    打包了所有的类，库，和其他资源的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。
  • Job Manager会想资源管理器（Resource Manger）请求执行任务必要的资源，也就是任务管理器（Task Manger）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Task Manager上，在运行过程中，Job Manager会负责所有需要中央协调的操作，比如说检查点（check points）的协调。

任务管理器

  • 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可以跟其他运行同一应用程序的TaskManager交换数据。

资源管理器

  • 主要负责管理任务管理器（TaskManager）的插槽（slot），TaskManager插槽是Flink中定义的处理资源单元。
  • Flink为不同的环境和资源资源管理工具提供了不同的资源管理器，比如YARN、Mesos、K8S，以及standalone部署。
  • 当JobManger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。

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启动，并将应用移交给一个JobManager。
  • Dispatcher会启动一个Web UI，用来方便地展示和监控作业执行地信息。
  • Dispatcher在架构中可能并不是必须的，这取决于应用提交运行的方式。

任务提交流程

image.png

任务提交流程（YARN）

image.png

任务调度原理

image.png

思考

怎样实现并行度

并行的任务，需要占用多少slot？

一个流处理任务，到底要包含多少个任务？

什么是并行度？

一个特定算子的子任务（subtask）的个数被称之为并行度（parallelism），一般情况下，一个stream的并行度，可以任务就是其所有算子中最大的并行度。

image.png

TaskManager和Slots

  • 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task slots来进行控制（一个TaskManager至少有一个slot）

image.png

  • 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。
  • TaskSlot是静态的概念，是指TaskManager具有的并发执行能力。

image.png

并行子任务的分配

image.png

image.png

image.png

程序与数据流

  • 所有的Flink程序都是由3部分组成：Source、Transformation和Sink Source：负责读取数据源
    Transformation：利用各种算子进行加工
    Sink：负责输出

image.png

  • 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，程序的装换运算（Transformations）跟Dataflow中的算子（operator）是一一对应关系。

image.png

执行图（ExecutionGraph）

  • Flink中的执行图可以分为4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。

image.png

数据的传输格式

  • 一个程序中，不同的算子可能具有不同的并行度
  • 算子之间的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，具体是哪一种的模式，取决于算子的种类
  • one-to-one:stream维护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算子的子任务以及生产的元素的个数、顺序相同。map、filter、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一句所选择的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。

任务链

  • 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这样相连接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

image.png

avatar
文章
阅读
粉丝