本文共 3710 字,大约阅读时间需要 12 分钟。
一、Flink运行时的组件
1.1 作业管理器(JobManager)
- 控制一个应用程序执行的主进程,也就是说,每一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)和打包的所有的类、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
- 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
1.2 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就会有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可以跟其它运行同一应用程序的TaskManager交换数据
1.3 资源管理器(ResourceManager)
- 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管理工具提供了不同资源管理器,比如YARN、Mecos、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
1.4 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应用移交给一个JobManager
- Dispatcher也就启动一个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须的,这取决于应用提交运行的方式
二、作业提交流程
三、作业调度原理及思考问题
3.1 任务调度原理
3.2 思考问题
- 怎样实现并行计算?
- 并行的任务,需要占用多少slot?
- 一个流处理程序,到底包含多少个任务?
四、Slot和任务调度
4.1 并行度(Parallelism)
一个特定算子的子任务的个数被称之为其并行度
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
设置并行度的方式: (1)提交作业时可通过 -p 设置并行度(优先级适中)
(2)flink集群默认配置文件中可以修改并行度(优先级
低)
(3)程序中每个任务都可以通过setParallelism(n)方法设置并行度(优先级
高)
4.2 TaskManager 和Slots
4.2.1 基本知识
- 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 slot来进行控制(一个TaskManager至少有一个slot)
- slot数量最好是按电脑的CPU核数设置(默认)
4.2.2 一个slot允许多个子任务共享
- 默认情况下,Flink允许子任务共享slot,即使他们是不同的子任务。这样的结果是,一个slot可以保存作业的整个管道
- Task Slot是静态的概念,是指TaskManager具有的并发执行能力
- 同时执行的子任务必须在不同的slot中,有先后执行顺序的子任务可以在同一个slot中
4.2.3 代码中允许指定slot共享组
可以在每一个子任务后面使用 slotSharingGroup(“group1”) 方法指定该任务属于哪一个slot共享组。属于同一组的子任务,可以共享同一个slot
// 基于数据流进行转换计算DataStream > resultStream = stringDataStream.flatMap(new WordCount.MyFlatMapper()) .keyBy(0).sum(1).setParallelism(2).slotSharingGroup("group1") .disableChaining(); // 如果只想控制某两个任务不合并的话,可在两个任务之间使用 disableChaining() 方法
- 默认共享组是**“default”**,默认后一个任务的共享组与它前一个任务相同。因此,当全部是默认配置时,所有任务均可共享同一个slot
- 并行度是每一个slot共享组最大值相加
4.2.4 并行子任务的分配
资源利用率最高的情况,如下图所示
五、程序结构和数据流图
5.1 程序结构
- 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
5.2 数据流图
- 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source开始一个或多个sink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中的算子是一一对应的关系
5.3 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。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TasdkManager上部署Task后形成的“图”,并不是一个具体的数据结构
六、数据传输与任务链
6.1 数据传输形式
- 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
- one-to-one:stream维护着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、filter、flapMap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,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
6.2 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,必须将两个或者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
转载地址:http://ouxii.baihongyu.com/