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同的组件，它们会在运行流处理应用程序时协同工作：

作业管理器（JobManager）

任务管理器（TaskManager）

资源管理器（ResourceManager）

分发器（Dispatcher）

因为Flink是用于Java和Scala实现的，所以所有组件都会运行在Java虚拟机上

1.1 JobManager

1. 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
2. JobManager会先接收到要执行的应用程序，这个应用程序包括：
   • 作业图（JobGraph）
   • 逻辑数据流图（Logical Dataflow Graph）
   • 打包了所有的类、库
   • 其他资源的JAR包
3. 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
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；而在运行过程中，JobManager会负责所有需要*协调的操作，如检查点（checkpoints）的协调

1.2 TaskManager

1. 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
2. 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
   • task的数量由TaskManager内包含的slots的总数量决定，slot的总数量也决定了任务执行的并行度
3. 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

1.3 ResourceManager

1. 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
2. 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
3. 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
4. 另外，ResourceManager还负责终止空闲的TaskManager，释放计算资源

1.4 Dispatcher

1. 可以跨作业运行，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
3. Dispatcher也会启动一个Web UI，用来方便地展示和监控作业执行地信息
4. Dispatcher在架构中可能并不是必需地，这取决于应用提交运行的方式

2. 任务提交流程

Flink的各个组件的交互协作

如果部署的集群环境不同（如YARN、Mesos、K8s以及Standalone等），其中一些步骤可以被省略，或是有些组件会运行在同一个JVM进程中

Flink集群部署到YARN上

3. 任务调度原理

客户端不是运行时和程序执行的一部分，但它用于准备并发送Dataflow(JobGraph)给Master(JobManager)，然后，客户端断开连接或者维持连接以等待接收计算结果

当Flink集群启动后，首先会启动一个JobManager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，然后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：提交Job的客户端，可以是运行在任何机器上（与JonManager环境连通即可）；提交Job后，Client可以结束进程（Streaming的任务），也可以不结束并等待结果返回

JobManager：主要负责调度Job并协调Task做checkpoint，职责上很像Strom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），每个slot能启动一个Task，Task为线程；从JobManager处接收需要部署的Task，部署启动后，与自己的上游建立Netty连接，接收数据并处理

3.1 TaskManager与Slots

1. Flink中每一个worker(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subtask
2. 为了控制一个worker能接收多少个task，worker通过task slot来进行控制（一个worker至少有一个task slot）
3. 默认情况下，Flink允许子任务共享slot，集市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
4. Task Slot是静态的概念，是指TaskManager具有的并发执行能力，可以通过参数taskmanager.numberOfTaskSlots进行配置；

3.2 程序与数据流（DataFlow）

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）

大部分情况下，程序中的转换运行（transformation）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

3.3 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，因为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需要将逻辑流图转换为物理数据流图（也叫执行图）

Flink中的执行图可以分成四层：

StreamGraph：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链接在一起，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：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

3.4 并行度（Parallelism）

Flink程序的执行具有并行、分布式的特性

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

并行度是动态概念，即TaskManager运行程序时实际使用的并发能力，可以通过参数parallelism.default进行配置

Stream在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

1. One-to-one：类似于Spark中的窄依赖

   stream（比如在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

2. Redistributing：类似于Spark中的宽依赖

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

3.5 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这样相连的算子连接在一起形成一个task，原来的算子成为u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

本文地址：https://blog.csdn.net/weixin_45557389/article/details/108864268