最新 Flink 1.13 运行时架构（JobManager、TaskManager、YARN、Slots、JobGraph）快速入门、详细教程

Flink 运行时架构

下一章： Flink 1.13 DataStream API

一、系统架构

这里首先要说明一下“客户端”。其实客户端并不是处理系统的一部分，它只负责作业的提交。具体来说，就是调用程序的 main 方法，将代码转换成“数据流图”（Dataflow Graph），并最终生成作业图（JobGraph），一并发送给 JobManager。提交之后，任务的执行其实就跟客户端没有关系了；我们可以在客户端选择断开与 JobManager 的连接, 也可以继续保持连接。之前我们在命令提交作业时，加上的-d参数，就是表示分离模式（detached mode)，也就是断开连接。
当然，客户端可以随时连接到 JobManager，获取当前作业的状态和执行结果，也可以发送请求取消作业。不论通过 Web UI 还是命令行执行“flink run”的相关操作，都是通过客户端实现的。

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。

1. 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, 每个 Job 都有一个自己的JobMaster。早期版本没有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。“应用”一般是客户端提交来的Jar包，数据流图（dataflow graph）和作业图（JobGraph）。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。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，比如说检查点的协调。

2. 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。

   这里注意要把Flink内置的 ResourceManager 和其他资源管理平台（比如 YARN）的ResourceManager 区分开。

   Flink 的 ResourceManager，针对不同的环境和资源管理平台（比如 Standalone 部署，或者 YARN），有不同的具体实现。在Standalone部署时，因为 TaskManager 是单独启动的（没有Per-Job 模式），所以 ResourceManager 只能分发可用 TaskManager 的任务槽，不能单独启动新TaskManager。

   而在有资源管理平台时，就不受此限制。当新的作业申请资源时，ResourceManager 会将有空闲槽位的TaskManager分配给JobMaster。如果ResourceManager没有足够的任务槽，它还可以向资源提供平台发起会话，请求提供启动 TaskManager 进程的容器。另外，ResourceManager 还负责停掉空闲的 TaskManager，释放计算资源。

3. 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。

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，所以也被称为“Worker”。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。每个TaskManager负责管理其所在节点上的资源信息，如内存、磁盘、网络，在启动的时候将资源的状态向JobManager汇报。

二、作业提交流程

1. 高层级抽象

1. 一般情况下，由客户端（App）通过分发器提供的 REST 接口，将作业提交给JobManager。

2. 由分发器启动 JobMaster，并将作业（包含 JobGraph）提交给 JobMaster。

3. JobMaster 将 JobGraph 解析为可执行的 ExecutionGraph，得到所需的资源数量，然后向资源管理器请求资源（slots）。

4. 资源管理器判断当前是否由足够的可用资源；如果没有，启动新的 TaskManager。

5. TaskManager 启动之后，向 ResourceManager 注册自己的可用任务槽（slots）。

6. 资源管理器通知 TaskManager 为新的作业提供 slots。

7. TaskManager 连接到对应的 JobMaster，提供 slots。

8. JobMaster 将需要执行的任务分发给 TaskManager。

9. TaskManager 执行任务，互相之间可以交换数据。

2. 独立模式（Standalone）

在独立模式（Standalone）下，只有会话模式和应用模式两种部署方式。两者整体来看流程是非常相似的：TaskManager 都需要手动启动，所以当 ResourceManager 收到 JobMaster 的请求时，会直接要求 TaskManager 提供资源。而 JobMaster 的启动时间点，会话模式是预先启动，应用模式则是在作业提交时启动。

3. YARN 集群

1. 会话（Session）模式
   在会话模式下，我们需要先启动一个YARN session，这个会话会创建一个 Flink 集群。

   

   这里只启动了JobManager，而TaskManager可以根据需要动态地启动。在JobManager内部，由于还没有提交作业，所以只有 ResourceManager 和 Dispatcher 在运行

   
   1. 客户端通过 REST 接口，将作业提交给分发器。
   2. 分发器启动 JobMaster，并将作业（包含 JobGraph）提交给 JobMaster。
   3. JobMaster 向资源管理器请求资源（slots）。
   4. 资源管理器向 YARN 的资源管理器请求 container 资源。
   5. YARN 启动新的 TaskManager 容器。
   6. TaskManager 启动之后，向 Flink 的资源管理器注册自己的可用任务槽。
   7. 资源管理器通知 TaskManager 为新的作业提供 slots。
   8. TaskManager 连接到对应的JobMaster，提供slots。
   9. JobMaster 将需要执行的任务分发给 TaskManager，执行任务。

   可见，整个流程除了请求资源时要“上报”YARN 的资源管理器，其他与抽象流程几乎完全一样。

2. 单作业（Per-Job）模式
   在单作业模式下，Flink 集群不会预先启动，在提交作业时，才启动新的JobManager。

   
   1. 客户端将作业提交给 YARN 的资源管理器，这一步中会同时将Flink的Jar包和配置上传到 HDFS，以便后续启动 Flink 相关组件的容器。
   2. YARN 的资源管理器分配Container 资源，启动Flink JobManager，并将作业提交给JobMaster。这里省略了Dispatcher 组件。
   3. JobMaster 向资源管理器请求资源（slots）。
   4. 资源管理器向 YARN 的资源管理器请求 container 资源。
   5. YARN 启动新的 TaskManager 容器。
   6. TaskManager 启动之后，向 Flink 的资源管理器注册自己的可用任务槽。
   7. 资源管理器通知 TaskManager 为新的作业提供 slots。
   8. TaskManager 连接到对应的JobMaster，提供 slots。
   9. JobMaster 将需要执行的任务分发给 TaskManager，执行任务。

   可见，区别只在于JobManager 的启动方式，以及省去了分发器。当第 2 步作业提交给JobMaster，之后的流程就与会话模式完全一样了。

3. 应用（Application）模式
   应用模式与单作业模式的提交流程非常相似，只是初始提交给YARN 资源管理器的不再是具体的作业，而是整个应用。一个应用中可能包含了多个作业，这些作业都将在 Flink 集群中启动各自对应的JobMaster。

三、一些重要概念

1. 数据流图（Dataflow Graph）

在运行时，Flink 程序会被映射成所有算子按照逻辑顺序连接在一起的一张图，这被称为 “逻辑数据流”（logical dataflow），或者叫“数据流图”（dataflow graph）。

2. 并行度（Parallelism）

Flink中的任务被分为多个并行任务来执行，其中每个并行的实例处理一部分数据。这些并行实例的数量被称为并行度。我们在实际生产环境中可以从四个不同层面设置并行度：

• 操作算子层面(Operator Level)

  stream.map(word -> Tuple2.of(word, 1L)).setParallelism(2); 
  

• 执行环境层面(Execution Environment Level)

  env.setParallelism(2); 
  

• 客户端层面(Client Level)

  bin/flink run –p 2 –c com.atguigu.wc.StreamWordCount  ./FlinkTutorial-1.0-SNAPSHOT.jar
  

• 系统层面(System Level)

  parallelism.default: 2
  

需要注意的优先级：算子层面>环境层面>客户端层面>系统层面。
并行度的设置：一般设为kafka的分区数，达到1：1； 遵循2的n次方：比如2、4、8、16……

3. 算子链（Operator Chain）

1. 算子间的数据传输

   • 一对一（One-to-one，forwarding）
     这种模式下，数据流维护着分区以及元素的顺序。map、filter、flatMap等算子都是这种 one-to-one 的对应关系。 这种关系类似于 Spark 中的窄依赖。
   • 重分区（Redistributing）
     在这种模式下，数据流的分区会发生改变。keyBy/window算子前后。这一过程类似于 Spark 中的 shuffle。这种算子间的关系类似于 Spark 中的宽依赖。

2. 合并算子链
   在 Flink 中，并行度相同的一对一（one to one）算子操作，可以直接链接在一起形成一个 “大”的任务（task），这样原来的算子就成为了真正任务里的一部分，如图 4-11 所示。每个 task 会被一个线程执行。这样的技术被称为“算子链”（Operator Chain）。

Flink为什么要有算子链这样一个设计呢？这是因为将算子链接成task是非常有效的优化：可以减少线程之间的切换和基于缓存区的数据交换，在减少时延的同时提升吞吐量。

Flink 默认会按照算子链的原则进行链接合并，如果我们想要禁止合并或者自行定义，也
可以在代码中对算子做一些特定的设置：

// 禁用算子链 
.map(word -> Tuple2.of(word, 1L)).disableChaining(); 
// 从当前算子开始新链 
.map(word -> Tuple2.of(word, 1L)).startNewChain()

4. 作业图（JobGraph）与执行图（ExecutionGraph）

Flink 中任务调度执行的图，按照生成顺序可以分成四层：

逻辑流图（StreamGraph）→ 作业图（JobGraph）→ 执行图（ExecutionGraph）→ 物理图（Physical Graph）

1. 逻辑流图（StreamGraph）（数据流图dataflow graph）
   这是根据用户通过 DataStream API 编写的代码生成的最初的DAG图，用来表示程序的拓扑结构。这一步一般在客户端完成。
2. 作业图（JobGraph）
   StreamGraph 经过优化后生成的就是作业图（JobGraph），这是提交给 JobManager 的数据结构，确定了当前作业中所有任务的划分。主要的优化为: 将多个符合条件的节点链接在一起合并成一个任务节点，形成算子链，这样可以减少数据交换的消耗。JobGraph一般也是在客户端生成的，在作业提交时传递给JobMaster。
3. 执行图（ExecutionGraph）
   JobMaster 收到 JobGraph 后，根据它来生成执行图（ExecutionGraph）。ExecutionGraph 是 JobGraph 的并行化版本，是调度层最核心的数据结构。
4. 物理图（Physical Graph）
   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，最终的物理执行过程也会形成一张“图”，一般就叫作物理图（Physical Graph）。这只是具体执行层面的图，并不是一个具体的数据结构。
   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。

env.socketTextStream().flatMap(…).keyBy(0).sum(1).print(); 

5. 任务（Tasks）和任务槽（Task Slots）

1. 任务槽数量的设置
   我们可以通过集群的配置文件来设定 TaskManager 的 slot 数量：

   taskmanager.numberOfTaskSlots: 8
   

   通过调整 slot 的数量，我们就可以控制子任务之间的隔离级别。

2. 任务对任务槽的共享

   

   默认情况下，Flink 是允许子任务共享 slot 的。只要属于同一个作业，那么对于不同任务节点的并行子任务，就可以放到同一个 slot 上执行。

   每个任务节点的并行子任务一字排开，占据不同的 slot；而不同的任务节点的子任务可以共享 slot。一个 slot 中，可以将程序处理的所有任务都放在这里执行，我们把它叫作保存了整个作业的运行管道（pipeline）。

   我们不是希望并行处理、任务之间相互隔离吗，为什么这里又允许共享 slot 呢？

   一个slot对应了一组独立的计算资源。在之前不做共享的时候，每个任务都平等地占据了一个slot，但其实不同的任务对资源的占用是不同的。这样资源的利用就出现了极大的不平衡，“忙的忙死，闲的闲死”。

   解决这一问题的思路就是允许slot共享。当我们将资源密集型和非密集型的任务同时放到一个 slot 中，它们就可以自行分配对资源占用的比例，从而保证最重的活平均分配给所有的
   TaskManager。

   slot 共享的好处就是允许我们保存完整的作业管道。这样一来，即使某个 TaskManager 出现故障宕机，其他节点也可以完全不受影响，作业的任务可以继续执行。

   另外，同一个任务节点的并行子任务是不能共享 slot 的，所以允许slot 共享之后，运行作业所需的 slot 数量正好就是作业中所有算子并行度的最大值。

   我们也可以通过设置“slot 共享组”（SlotSharingGroup）手动指定：

   .map(word -> Tuple2.of(word, 1L)).slotSharingGroup(“1”); 
   

   这样，只有属于同一个slot共享组的子任务，才会开启slot共享；不同组之间的任务是完全隔离的，必须分配到不同的 slot 上。在这种场景下，总共需要的 slot 数量，就是各个slot共享组最大并行度的总和。

3. 任务槽和并行度的关系
   Slot和并行度确实都跟程序的并行执行有关，但两者是完全不同的概念。task slot是静态的概念，指TaskManager 具有的并发执行能力，可以通过参数 taskmanager.numberOfTaskSlots 进行配置；而并行度（parallelism）是动态概念，也就是TaskManager运行程序时实际使用的并发能力，可以通过参数parallelism.default 进行配置。换句话说，并行度如果小于等于集群中可用 slot 的总数，程序是可以正常执行的，因为 slot 不一定要全部占用，有十分力气可以只用八分；而如果并行度大于可用 slot 总数，导致超出了并行能力上限，那么心有余力不足，程序就只好等待资源管理器分配更多的资源了。

下一章：Flink 1.13 DataStream API