Flink简介及部署模式

MelodyYN2023-07-24 19:28

文章目录

1、Flink简介

​ Spark 和 Flink 一开始都都希望能够用同一个技术把流处理和批处理统一起来，但他们走了完全不一样的两条路。前者是以批处理的技术为根本，并尝试在批处理之上支持流计算；后者则认为流计算技术是最基本的，在流计算的基础之上支持批处理。通过Flink和Spark的对比来说：

Spark Flink
流批世界观 一切都是由批次组成。离线数据是一个大批次；而实时数据是由一个一个无限的小批次组成的。 一切都是由流组成。离线数据是有界限的流；实时数据是一个没有界限的流。
计算模型 微批处理模型（秒级），在批处理的基础上做流处理 连续流模型（毫秒级），在流的基础上做批处理
驱动 时间驱动型:主动拉取数据，（即使没有数据，到达一定时间，也会去计算，浪费资源） 事件驱动型:被动拉取数据，（如果没数据的时候什么也不干，节省资源）
checkpoint 小文件问题，一个分区一个小文件；重启任务会有很多小任务，浪费资源 无小文件问题
exactly once 自己实现 exactly once保证
窗口 灵活的窗口语义，Spark有的都有
吞吐量 大于Flink

2、Flink部署

  • 开发模式（idea）
  • 本地模式(零配置)
  • Standalone模式
  • Yarn模式
    • Session-Cluster
    • Application Mode
    • Per-Job-Cluster

2.1 本地模式

  1. 上传Flink安装包flink-1.13.1-bin-scala_2.12.tgz到节点zyn-node01

  2. 解压

    tar -zxvf flink-1.13.1-bin-scala_2.12.tgz -C /opt/module
cd /opt/module
cp -r flink-1.13.1 flink-local

  3. 启动Flink集群

    bin/start-cluster.sh
bin/stop-cluster.sh

  4. 在hadoop102启动netcat

    #sudo yum install -y nc
nc -lk 9999

  5. 命令行提交Flink命令

    bin/flink run -m zyn-node01:8081 -c com.sunmi.day01.Flink03_Stream_Unbounded_WordCount /home/hadoop/jars/Flink-202307-1.0-SNAPSHOT-jar-with-dependencies.jar

  6. 查看应用执行情况

    http://zyn-node01:8081

2.1 Standalone模式部署

  1. 配置文件flink-conf.yaml

    yaml 复制代码 
    jobmanager.rpc.address: zyn-node01

  2. workers、

    zyn-node02
zyn-node03
zyn-node04
zyn-node05
zyn-node06

  3. 分发至其他节点

  4. 启动集群

    bash 复制代码 
    bin/start-cluster.sh

  5. 提交命令执行任务

    bash 复制代码 
    bin/flink run -m zyn-node01:8081 -c com.sunmi.day01.Flink03_Stream_Unbounded_WordCount /home/hadoop/jars/Flink-202307-1.0-SNAPSHOT-jar-with-dependencies.jar

  6. 通过8081端口访问WebUI

一台节点可以同时启动多个TaskManager

启动集群后，再次启动bin/start-cluster.sh，则一台节点会有两个TaskManager，可通过jps查看

2.2 Standalone模式下的高可用

​ 任何时候都有一个主 JobManager和多个备用 JobManagers，以便在主节点失败时有备用 JobManagers 来接管集群。这可以避免单点故障，一旦备 JobManager 接管集群，作业就可以正常运行。主备 JobManager 实例之间没有明显的区别。每个 JobManager都可以充当主备节点。

  1. 修改配置文件flink-conf.yaml

    yaml 复制代码 
    high-availability: zookeeper
high-availability.storageDir: hdfs://hadoop102:8020/flink/standalone/ha
high-availability.zookeeper.quorum: hadoop102:2181,hadoop103:2181,hadoop104:2181
high-availability.zookeeper.path.root: /flink-standalone
high-availability.cluster-id: /cluster_hpu

  2. masters

    hadoop102:8081
hadoop103:8081

  3. 分发至其他节点

  4. 修改环境变量myenv.sh,并分发source

    bash 复制代码 
    export HADOOP_CLASSPATH=`hadoop classpath`

  5. 启动flink集群

  6. 先查看通过zookeeper客户端查看哪个是master，然后kill掉master进行测试

    zkCli.sh
get /flink-standalone/cluster_hpu/leader/rest_server_lock

2.3 Yarn模式

独立部署（Standalone）模式由Flink自身提供计算资源，无需其他框架提供资源，这种方式降低了和其他第三方资源框架的耦合性，独立性非常强。但是Flink主要是计算框架，而不是资源调度框架，所以本身提供的资源调度并不是它的强项，所以还是和其他专业的资源调度框架集成更靠谱，所以接下来我们来学习在强大的Yarn环境中Flink是如何使用的。

把Flink应用提交给Yarn的ResourceManager, Yarn的ResourceManager会申请容器从Yarn的NodeManager上面. Flink会创建JobManager和TaskManager在这些容器上.Flink会根据运行在JobManager上的job的需要的slot的数量动态的分配TaskManager资源。

  1. 复制flink-yarn

    cp -r flink-1.13.1 flink-yarn

  2. 仅需配置/etc/profile.d/my.sh中配置并分发

    export HADOOP_CLASSPATH=`hadoop classpath`

  3. 执行命令提交任务

    bin/flink run -t yarn-per-job -c com.sunmi.day01.Flink03_Stream_Unbounded_WordCount /home/hadoop/jars/Flink-202307-1.0-SNAPSHOT-jar-with-dependencies.jar

  4. 通过zyn-node03：8088查看任务

  1. 进入任务

  1. Yarn中启动两个Container，其中一个是JobManager一个TaskManager

Yarn模式的高可用配置：

Standalone模式中, 同时启动多个Jobmanager, 一个为leader其他为standby的, 当leader挂了, 其他的才会有一个成为leader。

yarn的高可用是同时只启动一个Jobmanager, 当这个Jobmanager挂了之后, yarn会再次启动一个, 其实是利用的yarn的重试次数来实现的高可用。

  1. yarn-site.xml

    xml 复制代码 
    <property>
  <name>yarn.resourcemanager.am.max-attempts</name>
  <value>4</value>
  <description>
    The maximum number of application master execution attempts.
  </description>
</property>

  2. flink-conf.yaml

    yaml 复制代码 
    yarn.application-attempts: 3
high-availability: zookeeper
high-availability.storageDir: hdfs://hadoop102:8020/flink/yarn/ha
high-availability.zookeeper.quorum: hadoop102:2181,hadoop103:2181,hadoop104:2181
high-availability.zookeeper.path.root: /flink-yarn

  3. 启动yarn-session

  4. 杀死Jobmanager，查看复活情况

注意: yarn-site.xml中是复活次数的上限, flink-conf.xml中的次数应该小于这个值。

测试过程中会发现一直kill不掉jobManager，是因为除了重试次数这个机制外，还有一个时间的机制（Akka超时时间），如果在一定的时间(这个时间很短)内jobManager重新拉取了几次还是挂掉的话，那就会真正的挂掉。

yarn模式中三种子模式的区别：

  • Session模式：适合需要频繁提交的多个小job，并且执行时间都不长，因为flink会在yarn中启动一个session集群，这个集群主要用来申请资源的，后续提交的其他作业，都会直接提交到这个session集群中，不需要频繁创建flink集群，这样效率会变高，但是，作业之间相互不隔离。

    Session-Cluster模式需要先启动Flink集群，向Yarn申请资源。以后提交任务都向这里提交。这个Flink集群会常驻在yarn集群中，除非手动停止。在向Flink集群提交Job的时候, 如果资源被用完了,则新的Job不能正常提交。

    缺点: 如果提交的作业中有长时间执行的大作业, 占用了该Flink集群的所有资源, 则后续无法提交新的job.

  • per-job模式:一个Job会对应一个Flink集群，每提交一个作业会根据自身的情况，都会单独向yarn申请资源，直到作业执行完成，一个作业的失败与否并不会影响下一个作业的正常提交和运行。独享Dispatcher和ResourceManager，按需接受资源申请；适合规模大长时间运行的作业。==每次提交job都会创建一个新的flink集群，任务之间互相独立，互不影响，方便管理。任务执行完成之后创建的集群也会消失。==同时main方法是在本地上运行。

  • application Mode模式：

    每提交一个任务（application）可能会包含多个job，一个application对应一个flink集群，main方法是在集群中运行。

    Application Mode会在Yarn上启动集群, 应用jar包的main函数(用户类的main函数)将会在JobManager上执行. 只要应用程序执行结束, Flink集群会马上被关闭。也可以手动停止集群。

    与Per-Job-Cluster的区别：就是Application Mode下, 用户的main函数式在集群中执行的，并且当一个application中有多个job的话，per-job模式则是一个job对应一个yarn中的application，而ApplicationMode则这个application中对应多个job。

    application Mode模式存在bug不使用。

    bug：每个job的id都为0000000，而checkpoint依赖于id命名在hdfs集群上进行存储。这将导致错误发生。

​

3、并行度

  • 并行度优先级：

    算子指定>env全局指定>提交参数>配置文件

  • slot个数与并行度的关系

    默认情况下，slot个数等于流程序的并行度（程序中最大算子的并行度）

    在有多个共享组时，slot个数等于每个共享组中最大算子并行的和

4、提交命令执行指定任务

flink提交任务脚本参数:

flink 类似于spark-submit用于提交作业

run 用来执行作业（除了applicationMode模式不需要）

run-application (applicaitonMode模式执行作业的命令)

-t yarn模式中指定以yarn哪种模式运行的参数

-d 后台提交(断开与客户端的连接)

-m 指定JobManager以及UI端口

-D 指定其他参数。比如多队列提交参数（-Dyarn.application.queue=hive）

-c 指定全类名

举例：

  • 本地模式

    bin/flink run -m hadoop102:8081 -c com.hpu.flink.java.chapter_2.Flink03_WC_UnBoundedStream ./flink-prepare-1.0-SNAPSHOT.jar

  • standalone模式

    bin/flink run -m hadoop102:8081 -c com.hpu.flink.java.chapter_2.Flink03_WC_UnBoundedStream ./flink-prepare-1.0-SNAPSHOT.jar

  • yarn模式

    per-job：

    bin/flink run -d -t yarn-per-job -c com.hpu.flink.java.chapter_2.Flink03_WC_UnBoundedStream ./flink-prepare-1.0-SNAPSHOT.jar

    提交任务到Yarn的其他队列

    bin/flink run -d -m yarn-cluster -yqu hive -c com.hpu.flink.java.chapter_2.Flink03_WC_UnBoundedStream ./flink-prepare-1.0-SNAPSHOT.jar（老版本）

bin/flink run -d -t yarn-per-job -Dyarn.application.queue=hive -c com.hpu.flink.java.chapter_2.Flink03_WC_UnBoundedStream ./flink-prepare-1.0-SNAPSHOT.jar

    session-cluster：

    1. 启动一个Flink-session

    2. 在Session上运行Job

      bin/yarn-session.sh -d

      bin/flink run -c com.hpu.flink.java.chapter_2.Flink03_WC_UnBoundedStream ./flink-prepare-1.0-SNAPSHOT.jar

      bin/flink run -t yarn-session -Dyarn.application.id=application_XXXX_YY -c com.hpu.flink.java.chapter_2.Flink03_WC_UnBoundedStream ./flink-prepare-1.0-SNAPSHOT.jar

    如果是1.12版本开启了Yarn模式的高可用，上面指定yarn-session集群的命令不能用，需要去掉 -t yarn-session （1.13版本已修复）如果存在多个session集群可以指定application进行提交到指定session集群中。

    bin/flink run -Dyarn.application.id=application_XXXX_YY -c com.hpu.flink.java.chapter_2.Flink03_WC_UnBoundedStream ./flink-prepare-1.0-SNAPSHOT.jar

    在session中提交一个任务，此时session对应的flink集群在yarn上的任务为2个container，其中一个为JobManager一个为TaskManager。

    bin/yarn-session.sh -d

    启动以后会有一个container，为JobManager

    bin/flink run -c com.sunmi.day01.Flink03_Stream_Unbounded_WordCount /home/hadoop/jars/Flink-202307-1.0-SNAPSHOT-jar-with-dependencies.jar

    提交一个任务后增加一个container，为TaskManager

    bin/flink run -c com.sunmi.day01.Flink03_Stream_Unbounded_WordCount /home/hadoop/jars/Flink-202307-1.0-SNAPSHOT-jar-with-dependencies.jar

    再提交一个会再增加一个container，存放对应的TaskManager

    flink默认配置：conf/flink-conf.yaml,决定任务内存大小以及所需的slot个数。

    application mode:

    bin/flink run-application -t yarn-application -c com.sunmi.day01.Flink03_Stream_Unbounded_WordCount /home/hadoop/jars/Flink-202307-1.0-SNAPSHOT-jar-with-dependencies.jar

Application Mode VS yarn per-job

分别使用Application Mode、yarn per-job两种方式提交任务，观察application情况。

package com.sunmi.day01;
import org.apache.flink.api.common.functions.MapFunction;
import org.apache.flink.streaming.api.datastream.DataStreamSource;
import org.apache.flink.streaming.api.environment.StreamExecutionEnvironment;

public class Flink04_Test_PerJob_ApplicationMode {

        public static void main(String[] args) throws Exception {
            StreamExecutionEnvironment env = StreamExecutionEnvironment.getExecutionEnvironment();
            test1(env);
            test2(env);
            test3(env);
        }

        public static void test1(StreamExecutionEnvironment env) throws Exception {

            DataStreamSource<String> stringDataStreamSource = env.fromElements("22222");
            stringDataStreamSource.map(new MapFunction<String, String>() {
                @Override
                public String map(String value) throws Exception {
                    return value;
                }
            }).print();
            env.execute();
        }

        public static void test2(StreamExecutionEnvironment env) throws Exception {
            DataStreamSource<String> stringDataStreamSource = env.fromElements("22222");
            stringDataStreamSource.map(new MapFunction<String, String>() {
                @Override
                public String map(String value) throws Exception {
                    return value;
                }
            }).print();
            env.execute();
        }

        public static void test3(StreamExecutionEnvironment env) throws Exception {
            DataStreamSource<String> stringDataStreamSource = env.socketTextStream("zyn-node01", 9999);
            stringDataStreamSource.map(new MapFunction<String, String>() {
                @Override
                public String map(String value) throws Exception {
                    return value;
                }
            }).print();
            env.execute();
        }
}

application mode:

bin/flink run-application -t yarn-application -c com.sunmi.day01.Flink04_Test_PerJob_ApplicationMode /home/hadoop/jars/Flink-202307-1.0-SNAPSHOT-jar-with-dependencies.jar

仅存在一个application。

per-job:

bin/flink run -d -t yarn-per-job -Dyarn.application.queue=hive -c com.sunmi.day01.Flink04_Test_PerJob_ApplicationMode /home/hadoop/jars/Flink-202307-1.0-SNAPSHOT-jar-with-dependencies.jar

3个job生成3个application。

停止任务的三种方式

  1. 通过 flink cancel jobid

  2. 在yarn网页端kill对应application

  3. 在flink网页端cancel

    进入flink网页端有两种方式

    • 通过提交任务时生成的链接进入

    • 通过yarn对应application的applicationMaster代理进入

5、注意事项

在java语法的flink编程中调用一个方法，有以下三种实现方式

  1. 自定义一个类实现接口 √
  2. 写接口的匿名实现类 √
  3. 写Lambda表达式

注意：在写Lambda表达式的时候，可能会因为类型擦除的原因报错，解决方式如下

在方法的最后调用.returns(Types.类型)解决

比如：

SingleOutputStreamOperator<Tuple2<String, Integer>> wordToOneDStream = wordDStream.map(value -> Tuple2.of(value, 1)).returns(Types.TUPLE(Types.STRING,Types.INT));

外链图片转存中...(img-f84HwYXQ-1689861444196)]

  • 通过yarn对应application的applicationMaster代理进入

    [外链图片转存中...(img-AKY0p7au-1689861444196)]

5、注意事项

在java语法的flink编程中调用一个方法，有以下三种实现方式

  1. 自定义一个类实现接口 √
  2. 写接口的匿名实现类 √
  3. 写Lambda表达式

注意：在写Lambda表达式的时候，可能会因为类型擦除的原因报错，解决方式如下

在方法的最后调用.returns(Types.类型)解决

比如：

SingleOutputStreamOperator<Tuple2<String, Integer>> wordToOneDStream = wordDStream.map(value -> Tuple2.of(value, 1)).returns(Types.TUPLE(Types.STRING,Types.INT));

相关推荐
W Y17 分钟前
【架构-37】Spark和Flink
架构·flink·spark
ycsdn1019 分钟前
Caused by: org.apache.flink.api.common.io.ParseException: Row too short:
大数据·flink
DolphinScheduler社区2 小时前
Apache DolphinScheduler + OceanBase，搭建分布式大数据调度平台的实践
大数据
时差9533 小时前
MapReduce 的 Shuffle 过程
大数据·mapreduce
kakwooi4 小时前
Hadoop---MapReduce(3)
大数据·hadoop·mapreduce
数新网络4 小时前
《深入浅出Apache Spark》系列②：Spark SQL原理精髓全解析
大数据·sql·spark
昨天今天明天好多天9 小时前
【数据仓库】
大数据
油头少年_w9 小时前
大数据导论及分布式存储HadoopHDFS入门
大数据·hadoop·hdfs
Elastic 中国社区官方博客10 小时前
释放专利力量：Patently 如何利用向量搜索和 NLP 简化协作
大数据·数据库·人工智能·elasticsearch·搜索引擎·自然语言处理
力姆泰克10 小时前
看电动缸是如何提高农机的自动化水平
大数据·运维·服务器·数据库·人工智能·自动化·1024程序员节
热门推荐
01【HarmonyOS】HUAWEI DevEco Studio 下载地址汇总02(欧拉)openEuler系统添加网卡文件配置流程、(欧拉)openEuler系统手动配置ipv6地址流程、(欧拉)openEuler系统网络管理说明03组基轨迹建模 GBTM的介绍与实现（Stata 或 R）04【AIGC】重塑未来的科技巨轮05全面解析：构建基于深度学习的安全帽检测系统（UI界面+YOLO代码+数据集）06【经验分享】Ubuntu22.04安装微信(linux官方版)07基于YOLOv10深度学习的CT扫描图像肾结石智能检测系统【python源码+Pyqt5界面+数据集+训练代码】深度学习实战、目标检测08Ubuntu 20.04使用Livox mid 360 测试 FAST_LIO09RAG 实践- Ollama+RagFlow 部署本地知识库10红米手机使用google play