Flink-Zeppelin On FlinkSql

Flink-Zeppelin On FlinkSql

Flink系列文章

• 更多Flink系列文章请点击Flink系列文章

• 更多大数据文章请点击大数据好文推荐

摘要

最近在调研流平台，发现各大公司流平台的Web界面都是自己一个团队开发，相当完备。苦于人力、时间有限，想找现成的能提交FlinkSql的Web代码，没找到合适的开源的。但是想起了之前看过的Zeppelin，现在已经支持Flink 1.0且支持DataStream、Table & SQL 等，遂赶紧尝试。如果能走通，后续计划在原数据这块儿看看有什么好办法管理起来。

1 Zeppelin

1.1 简介

• Apache Zeppelin
• Apache Zeppelin-preview版
• Github Zeppelin

Zeppelin基于界面化的笔记本，可实现数据驱动，使用SQL、Scala（没看错，能指直接写Scala代码！）等进行交互式数据分析。

可视化的笔记本是指：

• 数据摄取
• 数据发现
  数据发现，根据阿里云数据治理 数据保护伞 数据发现章节所说，是指通过规则配置，帮助您有效识别组织内的敏感数据，以project等不同维度，为您提供可视化的数据资产展示。
• 数据分析
• 数据可视化、协作

1.2 架构

1.2.1 Zeppelin Server

Zeppelin Server是Zeppelin最主要的服务之一，负责管理Interpreter。可以启动多个Zeppelin Server组成服务状态一致的集群（使用了Raft协议，具体是 Raft算法库Atomix），共享Notebook、元数据，实现Interpreter负载均衡。

• 集群模式下的ZeppelinServer就是一个Raft节点（Leader/Follower），而Interpreter是Raft客户端
• 集群模式中，每个ZeppelinServer都运行了一个集群管理服务（使用Raft算法库Atomix来组件服务状态一致的集群），会复制状态机(ClusterStateMachine)来在ZeppelinServer集群上维护一致性的集群元数据（包括集群服务和进程状态）。
• 集群模式下，每个ZeppelinServer和Interpreter运行了集群管理客户端，使用Netty连接Raft Cluster Server来维护存储在ClusterStateMachine中的数据，进程停止后元数据信息将被清除。
• 集群模式下每个ZeppelinServer和Interpreter进程中运行了监控模块，周期性发送心跳给Raft Leader。

  • 普通ZeppelinServer发送了本节点的CPU和内存资源平均使用情况，用以在创建Interpreter时进行分配。

  • Raft Leader ZeppelinServer会监控所有类型节点上报的心跳数据，发现超时就认为不可用并剔除。

• 集群模式下notebook和interpreter改动会自动同步到集群中所有节点
• 因为使用Raft协议，选举中必须过半投票选一个节点才能选出Leader，所以应该部署奇数个节点，比如2N + 1个，此时可容忍其中的 N 个节点挂掉

可通过Nginx等技术进行前端代理。多个用户访问域名时，Nginx根据分布式策略来将用户分配到不同的可用的Zeppelin Server，如上图User1/2。

1.2.2 Interpreter架构

每个Interpreter进程都是一个JVM进程，通过thrift和Zeppelin Server交互。单节点模式时在ZeppelinServer本地创建，集群模式时先从集群元数据中查找是否已经存在所需Interpreter如果有就直接通过元数据中的该Interpreter进程的Thrift IP和端口来将note和该进程建立绑定关系；如果不存在就通过元数据找出最空闲的ZeppelinServer节点，并通过Thrift来告知远程ZeppelinServer创建Interpreter进程。

用户使用的notebook运行在Interpreter上，底层就能跑各种引擎、语言。

Interpreter 进程启动后，将会在 Zeppelin Cluster MetaData 中提交自身的元数据信息，关闭时清除。如果没有正常退出导致元数据没有先清理，ZeppelinServer会主动周期性检查该元数据对应的Interpreter的心跳时间戳来确定对应的进程是否存活。

Zeppelin Server和Interpreter进程的通信手段是Netty。

• InterpreterGroup
  可包含多个Interpreter，比如SparkInterpreter Group 包含了 SparkSqlInterpreter、SparkInterpreter、PySparkInterpreter 等Intepreter。

  当用户使用 SparkInterpreter Group 创建一个 notebook 时，ZeppelinServer 会创建一个独立的 JVM 进程，进程中的 SparkSqlInterpreter 、 SparkInterpreter 、PySparkInterpreter可以共用一个 SparkContext，因为他们属于同一个InterpreterGroup。

  InterpreterGroup和Interpreter关系具体还要取决于Interpreter Binding Mode。

1.2.3 Cluster MetaData

集群中元数据信息，KV键值对格式，包括ZeppelinServer和Interpreter进程元数据，通过State Machine 维护服务状态一致性。

ZeppelinServer和Interpreter都会周期性发送心跳来更新Cluster Metadata中自己的信息，而担任Leader的那个ZeppelinServer会定时检查Cluster Metadata中的时间戳信息，如果有超时的就会清理超时的服务和进程。

• ZeppelinServer元数据
  
• Interpreter元数据
  

1.2.3 Notebook

用户工作的平台，包含若干Paragraph。

默认为local即存在本地，集群模式时应该选择所有集群中的Zeppelin节点都能访问的位置，比如HDFS。

集群模式下，会将修改自动同步到所有ZeppelinServer节点。

1.2.4 Paragraph

一个Notebook包含若干Paragraph，可以共享数据。

比如一个FlinkSQL程序，可以在定义3个Paragraph:

• source table ddl
• sink table ddl
• insert into sink select * from source

1.3 Interpreter

1.3.1 概念

1.3.1.1 概述

Zeppelin interpreter是个重要的组件，可将任何语言和数据处理后端以插件化的方式接入Zeppelin，目前支持的技术栈如下：

如果没有你需要的，那还可以自定义一个：

• how to create a new interpreter
• Installing Interpreters

通过Interpreters，我们可以很方便的使用各种语言和数据处理后端，比如可以直接用%flink来直接在Zeepelin中写scala代码。

1.3.1.2 Interpreter Binding Mode

用来控制Notebook和用户的隔离模式：

• Globally-shared
  所有使用该interpreter的notebook/用户共享一个interpreter JVM进程和session，比如用flink on yarn那就是每次提交的任务都是提交到一个Flink集群执行。此时Note之间可互相访问创建的变量。生产环境不推荐使用。
  
• Per Note-scoped
  每个Note都会创建一个新的interpreter实例且拥有自己的Session，但是在同一个interpreter JVM进程中。此时仍可通过ResourcePool来跨NoteBook交换对象。
  
• Per Note-isolated
  每个Note都会创建一个新的interpreter进程，也拥有独享的Session。此时仍可通过ResourcePool来跨NoteBook交换对象。
  

1.3.1.3 Interpreter的生命周期管理

Zeppelin 0.8.0以后提供了LifecycleManager接口来控制interpreter生命周期，0.9.0有两个实现：

• TimeoutLifecycleManager（默认，可通过zeppelin.interpreter.lifecyclemanager.class切换）
  当interpreter保持空闲一段时间后就会关闭interpreter。默认阈值为1小时，可通过zeppelin.interpreter.lifecyclemanager.timeout.threshold设置。
• NullLifecycleManager
  什么都不做，由用户控制interpreter生命周期

1.3.2 Interpreter架构

点击这里

1.3.3 Interpreter管理

1.3.3.1 创建Interpreter

• interpreter group
  创建的时候，最重要的一点是选择interpreter group:
  
  每个interpreter都属于某一个interpreter group，一个interpreter group将所有包含的interpreter运行在一个jvm里，以他为单位进行启动/停止。

1.3.3.2 修改Interpreter

也是跟创建一样点击进入Interpreter界面，搜索后可以修改创建的interpreter。

1.3.3.3 Interpreter配置项目

见interpreter

1.3.3.4 Interpreter全局配置

Interpreter有很多配置，可直接在Zeppelin上Web界面上设置，有两类属性：

• 大写字母代表系统环境变量
  比如flink interpreter中设置FLINK_HOME和 HADOOP_CONF_DIR，则会将配置作为环境变量传递给flink interpreter进程，由flink使用。
• 否则表示普通interpreter属性

关于Context Parameters

• 还可以通过#{contextParameterName}来使用解释器上下文中的参数：
  
  如果context参数为null，则将其替换为空字符串。

1.3.3.5 Interpreter细粒度配置(inline configuration)

上面说的都是interpreter下的通用配置，所有使用该interpreter的Notebook都是用该配置。但有些时候我们想每个notebook单独使用某些配置，虽然可创建单独interpreter但很不方便，所以可使用Inline Generic Configuration。

即在notebook最开始的paragraph里面写:

%flink_chengc.conf
flink.execution.mode yarn
flink.tm.memory 2048
flink.jm.memory 1024
flink.yarn.appName chengc
flink.yarn.queue default

1.3.4 Interpreter on yarn

可通过interpreter 配置zeppelin.interpreter.launcher yarn来讲interpreter运行在yarn上，然后会和Zeppelin服务端通过Thrift交互。

具体源码在YarnInterpreterLauncher和YarnRemoteInterpreterProcess。

可配合flink on yarn使用，则Interpreter在yarn上am 中拉起来后，会去拉起一个flink cluster。相关源码在FlinkScalaInterpreter、FlinkInterpreter等。

flink配置文件上传和读取流程如下：

1. 先用当前本机环境变量将flink配置文件目录上传
2. 再将envs设为ApplicationConstants.Environment.PWD.$()，即yarn上的am container工作目录
3. am拉起来后，会去hdfs下载flink配置文件解压到工作目录，并按照 sys.env.getOrElse
   去读取配置的工作目录路径下的flink配置文件，这样就能正确读取到我们本机的flink配置文件了

2 安装、配置和部署

2.1 下载

Download Apache Zeppelin

有三种方式：下载完整已编译二进制包、通过网络安装指定interpreter的包或者源码自己编译安装。

图方便就用第一种吧（不过很大，有1.5G）。

2.2 安装

可参考

• Zeppelin Install

必须是JDK 1.8(171)以上

下载完后直接解压zeppelin-0.9.0-preview1-bin-all.tgz。

tar -zxvf zeppelin-0.9.0-preview1-bin-all.tgz

2.3 配置

2.3.1 常用配置

可参考

• Apache Zeppelin Configuration

可修改两个配置文件，都配置了同key属性时以环境变量文件为准：

• conf/zeppelin-env.sh
  一些环境变量
• conf/zeppelin-site.xml
  一些java属性

我改了几个属性：

• zeppelin.server.addr
  改为ip，默认127.0.0.1，不然其他机器访问不了

• zeppelin.server.port
  zeepelin启动后的web端口

• zeppelin.interpreter.lifecyclemanager.class
  改为org.apache.zeppelin.interpreter.lifecycle.TimeoutLifecycleManager，默认是NullLifecycleManager，不会管interpreter是否空闲。而TimeoutLifecycleManager会在interpreter保持空闲状态超过zeppelin.interpreter.lifecyclemanager.timeout.threshold毫秒时，干掉interpreter。

• zeppelin.interpreter.lifecyclemanager.timeout.threshold
  改为 3600000

• zeppelin.interpreter.lifecyclemanager.timeout.checkinterval
  改为60000，检测interpreter是否超时的间隔时间

• zeppelin.recovery.storage.class
  指定zeppelin恢复模式(详见https://mp.weixin.qq.com/s/D02M68HO4Te4cReIoRLMwQ)。

  改为org.apache.zeppelin.interpreter.recovery.FileSystemRecoveryStorage。设定后，关掉Zeppelin主进程不会关掉interpreter进程，重启zeppelin会去重连这些interpreter进程。

  这个时候如果还想干掉所有interpreter进程，请使用bin/stop-interpreter.sh。

  默认NullRecoveryStorage，意味着关掉Zeppelin就关掉了所有运行中的interpreter 进程。

• zeppelin.recovery.dir
  在集群模式下，还应该把此项设为hdfs上路径，如/tmp/zeppelin/recovery。注意不要加如hdfs://namespace，否则路径不对！
  将Notebook保存在共享存储中

• zeppelin.notebook.storage
  设为org.apache.zeppelin.notebook.repo.FileSystemNotebookRepo

• zeppelin.notebook.dir
  设为hdfs上的目录，如/tmp/zeppelin/notebook。这里注意不能设为hdfs://namespace/xxx，否则路径会有问题！

2.3.2 Interpreter配置

2.3.2.1 通用配置

• FLINK_HOME
  如/xxx/flink
• flink.execution.mode
  默认local即本地模式，还可用yarn
• HADOOP_CONF_DIR
  HADOOP配置文件所在路径，如/xxx/etc/hadoop

2.3.2.2 Flink Interpreter配置

可参考

• Flink interpreter for Apache Zeppelin-Configuration

重要配置如下：

• flink.interpreter.close.shutdown_cluster
  改为false。

  默认true，即在interpreter关闭时会shutdown应用程序。

  注意，在interpreter on yarn+flink on yarn模式下可以将此设置改为true，效果就是只要你需要重启interpreter来改配置就会停止对应的flink app，达成同步。

• zeppelin.interpreter.close.cancel_job
  改为false

  默认true，即在interpreter关闭时会cancel我们的flink job。

  注意，在interpreter on yarn+flink on yarn模式下可以将此设置改为true，效果就是只要你需要重启interpreter来改配置就会停止对应的flink app，达成同步。

如果flink任务依赖一些包，可以有三种方式加入依赖：

• flink.execution.jars
  指定flink job所依赖的普通jar包，所有的jar包都被会load到flink interpreter的classpath，还会被发送到Task Manager。

• flink.udf.jars
  和flink.execution.jars不同的地方在于Zeppelin会自动检测该选项指定的jar包中所包含的UDF class，会把检测到的UDF注册到TableEnvironment中（UDF的名字就是这个class name），以便用户使用。

  注意：

  • 你的UDF Class必须包含一个无参的构造函数。
  • 这种方式如果实在全局interpreter配置，则UDF也是全局的
  • 还可以在你自己的notebook interpreter inline config里面配置，这种方式就对当前notebook生效

• flink.execution.packages
  类似flink.execution.jars，但不同的是Zeppelin会下载该选项指定的package以及该package的依赖放到flink interpreter的classpath。比如你想使用kafka connector配置如下

  org.apache.flink:flink-connector-kafka_2.11:1.10.0,org.apache.flink:flink-connector-kafka-base_2.11:1.10.0,org.apache.flink:flink-json:1.10.0
  

  但我实测在测试环境无问题，生产环境因为安全策略不能自动下载，只能去repo1.maven.org手动下载打好的jar（flink-connector-kafka_2.11-1.10.0.jar、flink-connector-kafka-base_2.11-1.10.0.jar、flink-sql-connector-kafka_2.11-1.10.0.jar、flink-json-1.10.0.jar，如果找不到包还可以放入kafka-clients-2.2.0.jar），并upload到使用的flink/lib下，否则会报错如下：

  WARN [2020-05-28 11:41:34,042] ({SchedulerFactory11} NotebookServer.java[onStatusChange]:1901) - Job paragraph_1590573205576_568821782 is finished, status: ERROR, exception: null, result: %text org.apache.zeppelin.interpreter.InterpreterException: org.apache.zeppelin.interpreter.InterpreterException: java.lang.RuntimeException: [unresolved dependency: org.apache.flink#flink-connector-kafka_2.11;1.10.0: not found, unresolved dependency: org.apache.flink#flink-connector-kafka-base_2.11;1.10.0: not found, unresolved dependency: org.apache.flink#flink-json;1.10.0: not found]
          at org.apache.zeppelin.interpreter.LazyOpenInterpreter.open(LazyOpenInterpreter.java:76)
          at org.apache.zeppelin.interpreter.remote.RemoteInterpreterServer$InterpretJob.jobRun(RemoteInterpreterServer.java:668)
          at org.apache.zeppelin.interpreter.remote.RemoteInterpreterServer$InterpretJob.jobRun(RemoteInterpreterServer.java:577)
          at org.apache.zeppelin.scheduler.Job.run(Job.java:172)
          at org.apache.zeppelin.scheduler.AbstractScheduler.runJob(AbstractScheduler.java:130)
          at org.apache.zeppelin.scheduler.ParallelScheduler.lambda$runJobInScheduler$0(ParallelScheduler.java:39)
          at java.util.concurrent.ThreadPoolExecutor.runWorker(ThreadPoolExecutor.java:1149)
          at java.util.concurrent.ThreadPoolExecutor$Worker.run(ThreadPoolExecutor.java:624)
          at java.lang.Thread.run(Thread.java:748)
  Caused by: org.apache.zeppelin.interpreter.InterpreterException: java.lang.RuntimeException: [unresolved dependency: org.apache.flink#flink-connector-kafka_2.11;1.10.0: not found, unresolved dependency: org.apache.flink#flink-connector-kafka-base_2.11;1.10.0: not found, unresolved dependency: org.apache.flink#flink-json;1.10.0: not found]
          at org.apache.zeppelin.interpreter.LazyOpenInterpreter.open(LazyOpenInterpreter.java:76)
          at org.apache.zeppelin.interpreter.Interpreter.getInterpreterInTheSameSessionByClassName(Interpreter.java:355)
          at org.apache.zeppelin.interpreter.Interpreter.getInterpreterInTheSameSessionByClassName(Interpreter.java:366)
          at org.apache.zeppelin.flink.FlinkSqlInterrpeter.open(FlinkSqlInterrpeter.java:109)
          at org.apache.zeppelin.flink.FlinkStreamSqlInterpreter.open(FlinkStreamSqlInterpreter.java:49)
          at org.apache.zeppelin.interpreter.LazyOpenInterpreter.open(LazyOpenInterpreter.java:70)
          ... 8 more
  Caused by: java.lang.RuntimeException: [unresolved dependency: org.apache.flink#flink-connector-kafka_2.11;1.10.0: not found, unresolved dependency: org.apache.flink#flink-connector-kafka-base_2.11;1.10.0: not found, unresolved dependency: org.apache.flink#flink-json;1.10.0: not found]
          at org.apache.zeppelin.flink.util.DependencyUtils$.resolveMavenCoordinates(DependencyUtils.scala:353)
          at org.apache.zeppelin.flink.util.DependencyUtils$.resolveMavenDependencies(DependencyUtils.scala:60)
          at org.apache.zeppelin.flink.FlinkScalaInterpreter.getUserJars(FlinkScalaInterpreter.scala:740)
          at org.apache.zeppelin.flink.FlinkScalaInterpreter.open(FlinkScalaInterpreter.scala:149)
          at org.apache.zeppelin.flink.FlinkInterpreter.open(FlinkInterpreter.java:66)
          at org.apache.zeppelin.interpreter.LazyOpenInterpreter.open(LazyOpenInterpreter.java:70)
          ... 13 more
  

2.3.3 Flink On Yarn + Interpreter On Yarn

2.3.3.1 添加jar包

需要添加一些必要的jar包放在FLINK_HOME//lib下：

• flink-hadoop-compatibility_{scala_version}-{flink.version}.jar
• flink-shaded-hadoop-2-uber-{hadoop.version}-{flink-shaded.version}.jar

如果要采用Hive来存元数据或访问hive还需要:

• flink-connector-hive_2.11-1.10.0.jar
• hive-exec-2.3.3.jar

2.3.3.2 设置interpreter

2.3.3.2.1 flink on yarn

• flink.execution.mode
  yarn

2.3.3.2.2 interpreter on yarn

最新master分支中，还可通过interpreter 配置zeppelin.interpreter.launcher yarn来讲interpreter运行在yarn上，然后会和Zeppelin服务端通过Thrift交互，并向yarn申请资源来启动flink cluster。详见Flink on Zeppelin  (7). Yarn Interpeter 模式。

此模式其他要求：

• 安装Hadoop client (hadoop 2和3都支持)，要求能在本机直接运行hadoop classpath命令。
  zeppelin需要调用此命令将所有hadoop jar放入zeppelin inclasspath。
• 环境变量中配置USE_HADOOP=true（也可在zeppelin-env.sh）、HADOOP_CONF_DIR

interpreter local + flink on yarn:

interpreter on yarn + flink on yarn:

相关interpreter配置如下：

• zeppelin.interpreter.launcher
  yarn
• zeppelin.interpreter.yarn.resource.memory
  默认1GB，单位为MB。指定interpreter进程内存。
• zeppelin.interpreter.yarn.resource.cores
  默认1。指定interpreter进程cpu核数。
• zeppelin.interpreter.yarn.queue
  默认default，指定interpreter进程提交运行的yarn 队列。

2.4 启动

进入安装好的zeppelin目录后，执行

bin/zeppelin-daemon.sh start

随后就可以访问Zeepelin Web界面了：

可以看到，已经有了一些现成的Notebook示例。

2.5 停止

bin/zeppelin-daemon.sh stop

2.6 重启

bin/zeppelin-daemon.sh restart

2.7 集群模式

重要说明：

• 我使用集群模式运行一段时间以后，发现各个节点包括interpreter都报了很多关于Raft协议错误，而且是突然就崩了，导致zeppelin无法正常使用。由于zeppelin关于recover和interpreter on yarn模式已经合并到主分支，而且测试无误，所以我们放弃集群模式。

2.7.1 Zeppelin全局配置

• 必须将Notebook保存在共享存储中

  • zeppelin.notebook.storage
    设为org.apache.zeppelin.notebook.repo.FileSystemNotebookRepo
  • zeppelin.notebook.dir
    设为hdfs上的目录，如/tmp/zeppelin/notebook。这里注意不能设为hdfs://namespace/xxx，否则路径会有问题！

• zeppelin.recovery.dir
  在集群模式下，还应该把此项设为hdfs上路径，如/tmp/zeppelin/recovery。注意不要加如hdfs://namespace，否则路径不对！

• zeppelin.cluster.addr
  配置集群中的所有ZeppelinServerIP及Raft端口，Raft据此进行Leader选举、元数据维护等。多个地址用逗号分隔。

  这里需要注意的是，Raft端口号配置不要和zeppelin.server.port配置相同，否则会造成冲突！

注意事项：

• 因为使用Raft协议，选举中必须过半投票选一个节点才能选出Leader，所以应该部署奇数个节点，比如2N + 1个，此时可容忍其中的 N 个节点挂掉

2.7.2 Flink Interpreter配置

如果在Zeppelin集群模式下使用FlinkSql on Yarn，需要做如以下配置，否则报错：

• FLINK_CONF_DIR
  /FLINK_HOME/conf
• FLINK_PLUGINS_DIR
  /FLINK_HOME/plugins
• FLINK_LIB_DIR
  /FLINK_HOME/lib

该错误我已经提交了issue给社区，详情可见：ZEPPELIN-4809

2.8 Hive整合

2.8.1 基本配置

主要是可以让Flink使用Hive Catalog存储Flink SQL 元数据（可参考HiveCatalog，注意这种表只能由Flink读写使用，不要用Hive去读写。可以在Hive命令行中使用DESCRIBE FORMATTED命令查看表的元数据，如果是is_generic=true代表是Flink专用表），也可以直接使用Flink读写Hive表数据。

需要将以下包放入$FLINK_HOME/lib:

• flink-connector-hive_2.11-1.10.0.jar
• hive-exec-2.3.3.jar

然后设置flink interpreter:

• HIVE_CONF_DIR
  设为hive-site.xml所在目录
• zeppelin.flink.enableHive
  设为true，启用hive
• zeppelin.flink.hive.version
  使用的hive 版本号

随后，使用flinksql注册的表会自动保存到hive default库里。

2.9 checkpoint相关

可以使用flink 配置，实现0代码配置checkpoint。

具体请参考flink-checkpoint配置

2.10 权限

zeppelin可采用LDAP做身份认证+shiro做权限控制。

相关内容可参考:

• Apache Shiro Configuration
• Apache Shiro authentication for Apache Zeppelin
• Apache Zeppelin 基于 kerberos 多租户集成
• Zeppelin集成Ldap(FreeIPA)
  需要改主机名，会导致hadoop等很多服务不正常
• zeppelin集成openldap，以及admin用户设置

2.11 数据脱敏-Credentials

比如我们有一些ddl中定义了数据库连接信息，这些信息十分敏感不想暴露给其他人，这个时候我们可以用Credentials。

1. Credentials配置
   先在interpreter配置injectCredentials true，也可在notebook界面做配置，比如执行时使用%flink(injectCredential=true)
   

2. Credentials打开
   

3. Credentials定义
   
   这里的Entity就相当于是你的Credentials的Key，在访问时使用。

   需要注意的是，每个人创建的Credentials对其他人都不可见，别人也无法使用。

4. Credentials使用
   再次强调，每个人只能使用自己的Credentials。格式为user.EntityName和password.EntityName。（因0.9-preview尚不是稳定版本，可能存在一定变化，还可尝试EntityName.user）。

   本用户使用Credentials效果：
   
   用户使用其他人的Credentials效果，打出的是原始字符串而不是Credentials：
   

2.12 Pyflink

2.12.1 概述

1. 必须使用版本号3.5-3.7的python

2. pip install apache-flink
   如果安装很慢或者超时，可以加参数pip --default-timeout=100000 install -i https://pypi.tuna.tsinghua.edu.cn/simple apache-flink。

   如果提示pip需要升级，可执行pip --default-timeout=100000 install -i https://pypi.tuna.tsinghua.edu.cn/simple --upgrade pip

3. 将flink-python_2.11-1.10.0.jar从$FLINK_HOME/opt移动到$FLINK_HOME/lib:

   cp opt/flink-python_2.11-1.10.0.jar lib/
   

4. 配置好flink_interpreter的zeppelin.pyflink.python为python路径

2.12.2 python UDF

%flink.pyflink
class PythonUpper(ScalarFunction):
    def eval(self, s):
        return s.upper()
        
bt_env.register_function("python_upper", udf(PythonUpper(), DataTypes.STRING, DataTypes.STRING()))

3 实用功能

3.1 定时调度

• Running a Notebook on a Given Schedule Automatically
  前提是需要将zeppelin的配置zeppelin.notebook.cron.enable设为true

3.2 数据可视化

3.2.1 概述

已经支持一些基本图标，任意后端输出都可以以图表方式展现！（不用后端人员再去学什么echarts了）

3.2.2 聚合指标运算

直接可以拖拽方式生成。

还想了解更多或二次开发就参考：

• basic display systems
• Angular AP 前端I
• Angular API 后端

3.2.3 动态表格

Dynamic Forms 是Zeppelin的一个高级功能，允许用户在代码中插入UI控件来允许用户定制化你的代码。Jdbc Interpreter支持这一功能，用户可以定制SQL，下面是一个下拉框的例子。

3.2.4 发布Zeppelin笔记本

可以直接将你的Zeppelin笔记本url分享给其他写作者，则大家都可以看到实时更新。

4 Zeppelin高可用

4.1 ZeppelinServer服务不可用

如上图，如果ZeppelinServer1 突然挂掉不可用，如果正确配置了相关配置zeppelin.recovery.storage.class，则不会影响其上运行的interpreter进程，如果此时这些进程可访问，则其他ZeppelinServer节点可以通过Cluster Metadata读取到这些interpreter进程元数据信息，让用户继续使用这些interpreter进程。

当然Nginx也会发现ZeppelinServer1出现异常，将它视为离线状态。

那么现在本来是用ZeppelinServer1的User1再次启动NoteBook时，Nginx会将请求发送到其他ZeppelinServer节点来使用之前的interpreter进程。

4.2 Zeppelin节点整个不可用

当ZeppelinServer1所在节点整个挂掉时，其他ZeppelinServer会删除无效元数据，并重建interpreter进程。

5 二次开发

5.1 概述

Zeppelin前后端分离架构，可参考：

• Contributing to Documentation
• Contributing to Zeppelin-Web
  有很多关于Zeppelin前端开发的详细内容
• Github-Zeppelin Web Application
  安装yarn_package和启动zeppelin-web指导
• Contributing to Apache Zeppelin ( Website )

5.2 前端

1. 首先要安装npm和nodejs，网上找教程即可。
2. 然后参考Github-Zeppelin Web Application安装yarn(打包用的，不是hadoop那个yarn)
3. 在本地Zeppelin工程目录下使用常规方式启动Zeppelin-server，默认是8080端扣
4. 在本地Zeppelin工程/zeppelin-web 目录下执行yarn run dev即可开始调试，会自动连接到8080端口，并启动一个9000端口供访问和调试。现在你在ide里面改动js，便可立即体现在页面上了（当然，需要刷新一次）。
5. 如果本地zeppelin-server运行很慢，可以将项目打包后放到运行速度较快的其他机器如测试环境机器，然后启动。本机的zeppelin-web只需修改base-url.service.js，假设远程zeppelin-server ip为192.168.1.1，则改动如下:

   this.getWebsocketUrl = function() {
       let wsProtocol = location.protocol === 'https:' ? 'wss:' : 'ws:';
       return wsProtocol + '//' + "192.168.1.1" + ':' + this.getPort() +
         skipTrailingSlash(location.pathname) + '/ws';
     };
   
     this.getBase = function() {
       return location.protocol + '//' + "192.168.1.1" + ':' + this.getPort() + location.pathname;
     };
   

问题：

• 如果遇到lint:once相关语法检测错误，可以把/zeppelin/zeppelin-web/package.json中的"prebuild": "npm-run-all clean lint:once" 改为prebuild": "npm-run-all clean，并去掉"lint:once": "eslint src"。
• 如果遇到一些包卡住半天下不动，那就手动下下来放在那个目录里。

5.3 后端

好文推荐

Apache Zeppelin公众号

钉钉讨论群

官方

• Zeppelin-Jira
• Github-Apache Zeppelin

视频教程

• Flink on Zeppelin: 极致体验(1) 入门 + Batch
• Flink on Zeppelin: 极致体验(2) Streaming + 高级用法
• Flink on Zeppelin 视频教程全集
  来自阿里的章剑锋，Zeppelin PMC

综合

• 章剑锋Jeff-Zeppelin专栏
• Flink on Zeppelin (1) - 入门篇
• Flink on Zeppelin (2) - Batch篇
• Flink on Zeppelin (3) - Streaming篇
• Flink on Zeppelin  (4) - 高级特性篇
• Flink on Zeppelin (5) - 机器学习篇
• Flink on Zeppelin 极致体验 阿里章剑锋 - 直播回放
• Flink Sql on Zeppelin教程

架构和原理

• Zeppelin 分布式架构设计
• Zeppelin工作机制解析

调研

• Zeppelin调研与数据开发平台

源码

• Zeppelin源码分析
• Apache Zeppelin源码结构分析
• Understanding Zeppelin Interpreters
  介绍了除Flink以外的一些Interpreters
• Zeppelin求学之路（3）—Zeppelin基本模块介绍和Paragraph源码深入了解以及Note,NoteBook 简介，
• Zeppelin源码阅读之更新notebook的paragraph部分

使用

• Zeppelin: 让大数据插上机器学习的翅膀
  网易杭州研究院数据科学中心机器学习开发组负责人 刘勋
• 如何在Apache Zeppelin中玩转Flink
• Hadoop - Zeppelin 使用心得
• Apache Zeppelin主要界面和基本操作
• 可视化分析工具Apache Zeppelin：数据分析从未这样简单
  介绍了一些数据源连接配置、可视化插件（地图、热力图等）
• Apache Zeppelin 基于 kerberos 多租户集成
• Apache zeppelin binding mode
  关于interpreter隔离的讨论。看起来per-note模式中也会发生，不同用户使用不同note对应同一个interpreter，一个用户重启该interpreter会导致全部interpreter重启，对应任务停止！

二次开发

• Zeppelin Notebook Now Has a Stop Button
  Notebook界面添加关闭按钮
• Zeppelin在求学之路----在Zeppelin上开发SendMai功
• zeppelin的数据集的优化

参考文档

• Apache Zeppelin
• Flink on Zeppelin (1) - 入门篇
• Flink on Zeppelin (2) - Batch篇
• Flink on Zeppelin (3) - Streaming篇
• Flink on Zeppelin  (4). 高级特性篇
• Zeppelin 分布式架构设计
• 如何在Zeppelin里玩转Hive
• Zeppelin 0.8.0 New Features
  来自Zeppelin PMC Jeff Zhang
• 数据治理 数据保护伞 数据发现
• Zeppelin安全机制之Credentials使用技巧