10、Flink深入:Flink原理初探

1. Flink角色分工

在实际生产中,Flink 都是以集群在运行,在运行的过程中包含了两类进程。

  • JobManager:它扮演的是集群管理者的角色,负责调度任务、协调 checkpoints、协调故障恢复、收集 Job 的状态信息,并管理 Flink 集群中的从节点 TaskManager。
  • TaskManager:实际负责执行计算的 Worker,在其上执行 Flink Job 的一组 Task;TaskManager 还是所在节点的管理员,它负责把该节点上的服务器信息比如内存、磁盘、任务运行情况等向 JobManager 汇报。
  • Client:用户在提交编写好的 Flink 工程时,会先创建一个客户端再进行提交,这个客户端就是 Client。

 

 

2. Flink执行流程

2.1. 相关文章链接

Flink 基本工作原理_sxiaobei的博客-CSDN博客_flink原理

基于Flink1.8的Flink On Yarn的启动流程_super_wj0820的博客-CSDN博客_flink on yarn 启动

Apache Flink 1.11 Documentation: YARN Setup

2.2. Standalone版

 

2.3. On Yarn版

 

1、 Client向HDFS上传Flink的Jar包和配置;
2、 Client向YarnResourceManager提交任务并申请资源;
3、 ResourceManager分配Container资源并启动ApplicationMaster,然后AppMaster加载Flink的Jar包和配置构建环境,启动JobManager;
4、 ApplicationMaster向ResourceManager申请工作资源,NodeManager加载Flink的Jar包和配置构建环境并启动TaskManager;
5、 TaskManager启动后向JobManager发送心跳包,并等待JobManager向其分配任务;

3. Flink Streaming DataFlow

Apache Flink 1.11 Documentation: Glossary

3.1. Dataflow、Operator、Partition、SubTask、Parallelism

1、 Dataflow:Flink程序在执行的时候会被映射成一个数据流模型;
2、 Operator:数据流模型中的每一个操作被称作Operator,Operator分为:Source/Transform/Sink;
3、 Partition:数据流模型是分布式的和并行的,执行中会形成1~n个分区;
4、 Subtask:多个分区任务可以并行,每一个都是独立运行在一个线程中的,也就是一个Subtask子任务;
5、 Parallelism:并行度,就是可以同时真正执行的子任务数/分区数;

 

3.2. Operator传递模式

数据在两个operator(算子)之间传递的时候有两种模式:

1、 OnetoOne模式:两个operator用此模式传递的时候,会保持数据的分区数和数据的排序;如上图中的Source1到Map1,它就保留的Source的分区特性,以及分区元素处理的有序性**--类似于Spark中的窄依赖**;
2、 Redistributing模式:这种模式会改变数据的分区数;每个一个operatorsubtask会根据选择transformation把数据发送到不同的目标subtasks,比如keyBy()会通过hashcode重新分区,broadcast()和rebalance()方法会随机重新分区**--类似于Spark中的宽依赖**;

3.3. Operator Chain

 

1、 客户端在提交任务的时候会对Operator进行优化操作,能进行合并的Operator会被合并为一个Operator,;
2、 合并后的Operator称为Operatorchain,实际上就是一个执行链,每个执行链会在TaskManager上一个独立的线程中执行--就是SubTask;

3.4. TaskSlot And Slot Sharing

  • 任务槽(TaskSlot

 

每个TaskManager是一个JVM的进程, 为了控制一个TaskManager(worker)能接收多少个task,Flink通过Task Slot来进行控制。TaskSlot数量是用来限制一个TaskManager工作进程中可以同时运行多少个工作线程,TaskSlot 是一个 TaskManager 中的最小资源分配单位,一个 TaskManager 中有多少个 TaskSlot 就意味着能支持多少并发的Task处理。

Flink将进程的内存进行了划分到多个slot中,内存被划分到不同的slot之后可以获得如下好处:

-TaskManager最多能同时并发执行的子任务数是可以通过TaskSolt数量来控制的

-TaskSolt有独占的内存空间,这样在一个TaskManager中可以运行多个不同的作业,作业之间不受影响。

  • 槽共享(Slot Sharing)

 

Flink允许子任务共享插槽,即使它们是不同任务(阶段)的子任务(subTask),只要它们来自同一个作业。

比如图左下角中的map和keyBy和sink 在一个 TaskSlot 里执行以达到资源共享的目的。

允许插槽共享有两个主要好处:

-资源分配更加公平,如果有比较空闲的slot可以将更多的任务分配给它。

-有了任务槽共享,可以提高资源的利用率。

注意:

slot是静态的概念,是指taskmanager具有的并发执行能力

parallelism是动态的概念,是指程序运行时实际使用的并发能力

4. Flink运行时组件

 

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,并且都是运行在Java虚拟机上的:

  • 作业管理器(JobManager):分配任务、调度checkpoint做快照
  • 任务管理器(TaskManager):主要干活的
  • 资源管理器(ResourceManager):管理分配资源
  • 分发器(Dispatcher):方便递交任务的接口,WebUI

4.1. 作业管理器(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,这个应用程序会包括:作业图(JobGraph)、逻辑数据流图(logicaldataflowgraph)和打包了所有的类、库和其它资源的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会负责所有需要中央协调的操作,比如说检查点(checkpoints)的协调;

4.2. 任务管理器(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;
3、 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;

4.3. 资源管理器(ResourceManager)

1、 主要负责管理任务管理器(TaskManager)的插槽(slot),TaskManger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;

4.4. 分发器(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WebUI,用来方便地展示和监控作业执行的信息;
4、 Dispatcher在架构中可能并不是必需的,这取决于应用提交运行的方式;

5. Flink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),详细说明程序的执行方式。

Flink 中的执行图可以分成四层** :StreamGraph -> JobGraph -> ExecutionGraph -> 物理执行图**。

 

Part 1:原理介绍

Flink执行executor会自动根据程序代码生成DAG数据流图

Part 2:Flink中的4层执行图(按顺序从上往下

1、 StreamGraph :是根据用户通过StreamAPI编写的代码生成的最初的图表示程序的拓扑结构;
2、 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、 ExecutionGraph :JobManager根据JobGraph生成ExecutionGraphExecutionGraph是JobGraph的并行化版本,是调度层最核心的数据结构;
4、 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,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;

Part 3:总结描述

1、 StreamGraph :最初的程序执行逻辑流程,也就是算子之间的前后顺序--在Client上生成;
2、 JobGraph :将OneToOne的Operator合并为OperatorChain--在Client上生成;
3、 ExecutionGraph :将JobGraph根据代码中设置的并行度和请求的资源进行并行化规划!--在JobManager上生成;
4、 物理执行图 :将ExecutionGraph的并行计划,落实到具体的TaskManager上,将具体的SubTask落实到具体的TaskSlot内进行运行;

关于更多Flink内核源码解析后续更新