【基础篇】三、Flink集群角色、系统架构以及作业提交流程

文章目录

• 1、集群角色
• 2、部署模式
• 3、Flink系统架构
• • [3.1 作业管理器（JobManager）](#3.1 作业管理器（JobManager）)
  • [3.2 任务管理器（TaskManager）](#3.2 任务管理器（TaskManager）)
• 4、独立部署会话模式下的作业提交流程
• 5、Yarn部署的应用模式下作业提交流程

1、集群角色

Flink提交作业和执行任务，需要以下几个关键组件：

• 客户端（Client） ：客户端的作用是获取Flink应用程序的代码，并作一个转换之后提交给JobManager
• JobManager ：Flink集群里的管事人，对作业进行中央调度管理。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
• TaskManager ：真正干活的，数据的处理操作就是由TaskManager节点完成的

2、部署模式

会话模式（Session Mode）

先启动Flink集群，保持一个会话，在这个会话种通过客户端提交作业。因为集群启动时所有资源都已经确定，所以所有提交的作业会竞争集群中的资源。比如下图中提交的三个Flink Application：

有点类似大学入学前，你在的那间宿舍已准备好，开学时和你室友分床位。会话模式比较适合于单个规模小、执行时间短的大量作业。

单作业模式（Per-Job Mode）

上面的会话模式因为资源共享会导致很多问题，为了更好的隔离资源，考虑为每个提交的作业启动一个集群，即单作业Per-Job模式

单作业模式，提前不启动Flink集群，有作业提交了，再启动一个集群。现提交现启动，每个作业都用的单独的集群，作业完成后，集群关闭，所有资源释放。类似你不住宿舍了，你现在住酒店，去前台现开现住，人走退房。单作业模式Flink无法直接自己运行，需要借助一些资源管理框架来启动集群，如K8S、Hadoop的YARN。

应用模式（Application Mode）

前面提到的两种模式下，Flink应用代码都是在客户端上执行，然后由客户端提交给JobManager的。但是这种方式客户端需要占用大量网络带宽，去下载依赖和把二进制数据发送给JobManager，加上很多情况下我们提交作业用的是同一个客户端，就会加重客户端所在节点的资源消耗。

所以解决办法就是，不要客户端了，直接把应用提交到JobManger上运行。而这也就代表着，我们需要为每一个提交的应用单独启动一个JobManager，也就是创建一个集群。这个JobManager只为执行这一个应用而存在，执行结束之后JoblManager也就关闭了，这就是应用模式。

总结1：

应用模式与单作业模式，都是提交作业之后才创建集群，不同的时，单作业模式是通过客户端来提交的，客户端解析出的每一个作业对应一个集群，而应用模式下，是直接由JobManaget执行应用程序的。

总结2：

• 会话模式下，集群生命周期独立于集群上运行的任何作业的生命周期，且所有作业之间共享集群资源
• 单作业模式下，多了启动集群的代价，对于每个提交的作业，资源隔离性得到了保证，集群生命周期和作业生命周期绑定
• 应用模式下，直接把应用提交到JobManger上运行，不是在客户端上执行

最后，对应这三种模式，采用的部署方式可以是：

• 独立部署（Standalone：独立）
• K8S部署
• YARN部署

本篇只整理独立部署，后两种部署方式见下篇。

3、Flink系统架构

3.1 作业管理器（JobManager）

JobManager是一个Flink集群中任务管理和调度 的核心，是控制应用执行的主进程。也就是说，每个应用都应该被唯一的JobManager所控制执行。JobManger又包含3个不同的组件：

• 分发器
• JobMaster
• 资源管理器

分发器Dispatcher

Dispatcher主要负责提供一个REST接口，用来提交应用，并且负责为每一个新提交的作业启动一个新的JobMaster 组件。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在架构中并不是必需的，在不同的部署模式下可能会被忽略掉。

JobMaster

JobMaster是JobManager中最核心的组件，负责处理单独的作业（Job）。所以JobMaster和具体的Job是一一对应的，多个Job可以同时运行在一个Flink集群中, 但每个Job都有一个自己的JobMaster。需要注意在早期版本的Flink中，没有JobMaster的概念，而JobManager的概念范围较小，实际指的就是现在所说的JobMaster。

在作业提交时，JobMaster会先接收到要执行的应用。JobMaster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），它包含了所有可以并发执行的任务。JobMaster会向资源管理器（ResourceManager）发出请求，申请执行任务必要的资源（任务插槽等）。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，JobMaster会负责所有需要中央协调的操作，比如说检查点（checkpoints）的协调。

资源管理器ResourceManager

ResourceManager主要负责资源的分配和管理，在Flink 集群中只有一个。所谓资源，主要是指TaskManager的任务槽（task slots）。任务槽就是Flink集群中的资源调配单元，包含了机器用来执行计算的一组CPU和内存资源。每一个任务（Task）都需要分配到一个slot上执行。这里的ResourceManager是Flink内置的资源管理组件，和其他资源管理平台（比如YARN）的ResourceManager不是一个东西。

3.2 任务管理器（TaskManager）

TaskManager是Flink中的工作进程，数据流的具体计算就是它来做的。Flink集群中必须至少有一个TaskManager；每一个TaskManager都包含了一定数量的任务槽（task slots）。Slot是资源调度的最小单位，slot的数量限制了TaskManager能够并行处理的任务数量。

启动之后，TaskManager会向资源管理器注册它的slots；收到资源管理器的指令后，TaskManager就会将一个或者多个槽位提供给JobMaster调用，JobMaster就可以分配任务来执行了。

在执行过程中，TaskManager可以缓冲数据，还可以跟其他运行同一应用的TaskManager交换数据。

4、独立部署会话模式下的作业提交流程

解析参数，比如我们提交作业时的-p、-c等参数，然后开始逻辑流图（StreamGraph）→ 作业图（JobGraph）→ 执行图（ExecutionGraph）→ 物理图（Physical Graph）

简单来说：

• 逻辑流图到作业流图，做了一个算子链的优化，减少数据交换的消耗，比如上面合并算子成算子链。

• 作业流图到执行流图，按并行度展开，对并行子任务进行了拆分，并明确了任务间数据传输的方式。JobMaster按照执行图去申请Slot，并把一个个任务分发到TaskManager的插槽上去

JobMaster生成执行图后，会将它分发给TaskManager；各个TaskManager会根据执行图部署任务，形成物理图。物理图主要就是在执行图的基础上，进一步确定数据存放的位置和收发的具体方式。有了物理图，TaskManager就可以对传递来的数据进行处理计算了。

5、Yarn部署的应用模式下作业提交流程

Application模式下去掉了客户端，Yarn模式下，Flink自己的资源管理器已经不管事了，仅仅是一个中介，JobMaster向Flink资源管理器申请slot，它转发给Yarn的ResourceManager。且之前生成逻辑流图、作业流图的任务交给了JobMaster：