Flink的四大组件、yarn per-job模式提交流程、Slot、并行度

1.Flink四大组件

1.1 JobManager 作业管理器

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。
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）和打包了所有的类、库和其它资源的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。

1.2TaskManager 任务管理器

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。
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 ResourceManager 资源管理器

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。
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。
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 Dispatcher 分发器(yarn模式提交流程没有分发器)

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在架构中可能并不是必需的，这取决于应用提交运行的方式。

2.Flink任务提交流程讲解四大组件(抽象版)

2.1抽象版

此处ResourceManager不是Yarn的

1.1命令行中提交Flink任务,客户端会将StreamGraph进行算子链合并得到JobGraph
1.2 将JobGraph任务提交给Dipatcher

2.1 启动Jobmanager,一job对应一个JobManager
2.2 Dispatcher向JobManager提交job

3.1 JobManager将JobGraph转化为ExecutionGraph,有了ExecutionGraph.
3.2 Jobmanager知道任务怎么执行了,JobManager向(Flink的)ResourceManager申请slot资源

4. TaskManager启动,向ResourceManager注册Slots.(告诉Slot有哪些Slot空闲)

5.ResourceManager让TaskManager向JobManager提供Slots

6.TaskManager在slot里边执行任务

2.2总结四大组件

JobManager主要作用：
1.	接受客户端请求。
2.	划分任务。
3.	申请资源。
4.  一个任务对应一个JobManager

ResourceManager主要作用(不是Yarn的ResourceManager):
1. 管理集群中slot资源
2. 将有空闲插槽的TaskManager分配给JobManager
3. 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(Yarn/K8s)发起会话，以提供启动TaskManager进程的容器
4. 终止空闲的TaskManager，释放计算资源

TaskManager主要作用：
0. 主要负责计算,干活的
1.工作进程，任务都在TaskManager上运行
2.TaskManager中有资源（Slot）
3.需要像JobManager进行交互从而进行资源的注册和使用
4.多个TaskManager可以交换数据

3.Flink Yarn Per-Job-Cluster模式详细提交流程

0．Flink任务提交后，Client向HDFS上传Flink的Jar包和配置
1．向Yarn ResourceManager提交任务，ResourceManager分配Container资源
2．通知对应的NodeManager启动ApplicationMaster，ApplicationMaster启动后加载Flink的Jar包和配置构建环境，然后启动JobManager（Dispatcher）
2.1．Dispatcher启动JobMaster
3．JobMaster向ResourceManager（Flink）申请资源
4．ResourceManager（Flink）向ResourceManager（Yarn）申请资源启动TaskManager
5．ResourceManager分配Container资源后，由ApplicationMaster通知资源所在节点的NodeManager启动TaskManager
6．TaskManager注册Slot
7．发出提供Slot命令
8．TaskManager向JobMaster提供Slot
9．JobMaster提交要在Slot中执行的任务

4.Flink的并行度

4.1 简介

算子的并行度:一个特定算子的 子任务（subtask）的个数被称之为其并行度（parallelism）

 整条流的并行度: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

并行分配的子任务(subTask),必须分配到slot上执行.

4.2并行度优先级

并行度优先级:算子地方设置并行度>环境并行度>提交时设置的并行度>配置文件中设置并行度

5.关于Slot的理解

5.1简介

solt:执行一个独立任务(subTask/线程)所需要的计算资源的一个最小单元.

slot会将内存隔离开,每个slot之间的内存资源互不干扰.

但是Slot的CPU是不隔离的,因此每个taskManger的slot个数可以设置大于CPU核数,但是slot个数>cpu核数的话,会造成CPU轮转多个slot.因此:建议每个taskManager的slot个数设置为CPU核数.

5.2 TaskManager和Slot的关系

TaskManager:是一个JVM进行.每个taskManger的slot个数限定了TaskManager的并发能力(换句话说:控制一个 TaskManager 能接收多少个 task)

5.3 共享组的理解

5.4 共享组简介和好处

flink默认是可以前后发生的不同子任务放到同一个slot里边,即前后子任务共享同一个资源.因为他们在用一个共享组里边

这样的好处是1.一个slot里边可以保存整个作业运行的管道(pipeline).如果没有设计数据重分区的话,数据在一个pipeline全部完成所有操作.就不会有数据跨slot,taskManager间传输,即减少了IO.–效率提升

2.假如某个slot挂了,只想当于减少了并行度,别的slot仍然可以完成任务.–健壮性提升

如下图所示.这种没有设置共享组,所有算子在同一个default共享组里边

但是我们可以通过设置共享组,使前后发生的任务不在同一个slot中. 因为flink只允许同一个共享组中的任务在同一个slot中.不同共享组的任务不能在同一个slot中.

如下图所示:

共享组代码:

public class testslot {
    public static void main(String[] args) throws Exception {
        StreamExecutionEnvironment env = StreamExecutionEnvironment.getExecutionEnvironment();
        
        DataStreamSource<String> streamSource = env.socketTextStream("hadoop102", 9999); //此处没设置共享组,默认就是default共享组
        SingleOutputStreamOperator<Tuple2<String, Integer>> resultStream = streamSource.flatMap(new FlatMapFunction<String, Tuple2<String, Integer>>() {
            @Override
            public void flatMap(String value, Collector<Tuple2<String, Integer>> out) throws Exception {
                String[] words = value.split(" ");
                for (String word : words) {
                    out.collect(new Tuple2<String, Integer>(word, 1));
                }
            }
        }).slotSharingGroup("共享组1")
                .keyBy(0)//此处没设置共享组,默认跟前边 共享组1 在一个共享组
                .sum(1).setParallelism(2).slotSharingGroup("共享组2");
        resultStream.print().setParallelism(1);//此处没设置共享组,默认跟前边 共享组2 在一个共享组
        
        env.execute();
    }
}

执行计划如下:占用5个slot 1+2+2

5.5 并行任务Slot个数计算

怎么实现并行运算?

不同的任务分配到不同的线程(每个线程跑在slot上)上执行,从而实现并行计算.

并行任务:需要占用多少slot?

答:每个共享组的最大slot个数相加. 如果没有设置共享组,则所有算子在同一个default共享组中.(即算子最大并行度)

要是多个流呢?slot个数怎么算呢?

答:一个slot可以读取多个流数据.相当于多流占用同一个slot.一个线程处理A流中数据,空闲了也可以处理C流中数据.

如下图所示:C流箭头----->并不向下游广播,而是表示C中数据可以发往下游D中任意一个.

6 Flink执行图相关

6.1 执行图

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TaskManager 上部署 Task 后形成的“图”，并不是一个具体的数据结构。

6.2 Operator Chains(任务链)

6.2.0 算子间数据传输数据的形式

•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、fliter、flatMap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。

6.2.1任务链简介

•同一个共享组、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

•同一个共享组、并行度相同、并且是 one-to-one 操作，三个条件缺一不可

6.2.2任务链的好处

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

6.2.3 断开任务链

public class testChains {
    public static void main(String[] args) throws Exception {
        StreamExecutionEnvironment env = StreamExecutionEnvironment.getExecutionEnvironment();
        //env.disableOperatorChaining();//全局所有任务链断开
        DataStreamSource<String> streamSource = env.socketTextStream("hadoop102", 9999);
        SingleOutputStreamOperator<Tuple2<String, Integer>> resultStream = streamSource.flatMap(new FlatMapFunction<String, Tuple2<String, Integer>>() {
            @Override
            public void flatMap(String value, Collector<Tuple2<String, Integer>> out) throws Exception {
                String[] words = value.split(" ");
                for (String word : words) {
                    out.collect(new Tuple2<String, Integer>(word, 1));
                }
            }
        }).startNewChain()//该算子之后开启一个新链 即断下不断上
                .keyBy(0)
                .sum(1).disableChaining();//断开该算子的上下任务链
        resultStream.print();

        env.execute();
    }
}

6.2.4 计算job中的任务

一个流处理程序,到底包含多少个任务?

在StreamGraph中每个算子是一个任务,此时并没有合并.

client会对其按照(Operator Chains)任务链规则进行合并得到JobGraph(如下图所示).

通过JobGraph计算任务个数