Flink-安装部署及部署模式介绍

Flink支持三大部署模式:

1. Local 本地部署

Flink 可以运行在 Linux、Mac OS X 和 Windows 上。本地模式的安装唯一需要的只是Java 1.7.x或更高版本,本地运行会启动Single JVM,主要用于测试调试代码。

2. Standalone Cluster集群部署

Flink自带了集群模式Standalone,这个模式对软件有些要求:

1.安装Java1.8或者更高版本

2.集群各个节点需要ssh免密登录

3. Flink ON YARN

Flink-安装部署及部署模式介绍_第1张图片
Flink ON YARN工作流程如下所示:

首先提交job给YARN,就需要有一个Flink YARN Client。

第一步:Client将Flink 应用jar包和配置文件上传到HDFS。

第二步:Client向REsourceManager注册resources和请求APPMaster Container。

第三步:REsourceManager就会给某一个Worker节点分配一个Container来启动APPMaster,JobManager会在APPMaster中启动。

第四步:APPMaster为Flink的TaskManagers分配容器并启动TaskManager,TaskManager内部会划分很多个Slot,它会自动从HDFS下载jar文件和修改后的配置,然后运行相应的task。TaskManager也会与APPMaster中的JobManager进行交互,维持心跳等。

Flink的支持以上这三种部署模式,一般在学习研究环节,资源不充足的情况下,采用Local模式就行,生产环境中Flink ON YARN比较常见。

Flink Local模式部署测试

1.jdk的安装和验证
java -version

2.下载安装包 下载地址:https://archive.apache.org/dist/flink
Flink-安装部署及部署模式介绍_第2张图片
选择自己需要的版本进行下载
2.解压安装包(tar -zxvf flink-*.tgz)

tar xzf flink-*.tgz   # 解压文件
cd flink-1.8.0

3.启动单节点flink

$ ./bin/start-cluster.sh  # 启动 Flink

查看进程jps
在ndoe-1上可用看见StandaloneSessionClusterEntrypoint进程即JobManager,在其他的节点上可用看见到TaskManagerRunner 即TaskManager
Flink-安装部署及部署模式介绍_第3张图片
访问localhost:8081,确认监控界面正常启动,Web监控界面会显示有一个可用的TaskManager实例。
Flink-安装部署及部署模式介绍_第4张图片

4.验证

本文将验证官方给出的SocketWindowWordCount代码,代码将从socket监听中读取数据,并且每5秒打印一次前5秒内每个不同单词的出现次数,即使用windos的滚动时间窗口。

SocketWindowWordCount的scala源码如下:

object SocketWindowWordCount {
 
    def main(args: Array[String]) : Unit = {
 
        // the port to connect to
        val port: Int = try {
            ParameterTool.fromArgs(args).getInt("port")
        } catch {
            case e: Exception => {
                System.err.println("No port specified. Please run 'SocketWindowWordCount --port '")
                return
            }
        }
 
        // get the execution environment
        val env: StreamExecutionEnvironment = StreamExecutionEnvironment.getExecutionEnvironment
 
        // get input data by connecting to the socket
        val text = env.socketTextStream("localhost", port, '\n')
 
        // parse the data, group it, window it, and aggregate the counts
        val windowCounts = text
            .flatMap { w => w.split("\\s") }
            .map { w => WordWithCount(w, 1) }
            .keyBy("word")
            .timeWindow(Time.seconds(5), Time.seconds(1))
            .sum("count")
 
        // print the results with a single thread, rather than in parallel
        windowCounts.print().setParallelism(1)
 
        env.execute("Socket Window WordCount")
    }
 
    // Data type for words with count
    case class WordWithCount(word: String, count: Long)
}

首先,我们使用netcat来启动本地服务器

nc -l 9000

提交Flink计划:

./bin/flink run examples/streaming/SocketWindowWordCount.jar --port 9000

启动运行方式:

flink run -c SocketWindowWordCount examples/streaming/SocketWindowWordCount.jar --port 9000

解析:-c指的是jar包主函数类名, 后面跟着具体位置的jar包 ,再跟着jar里需要的入参
此时程序等待socket输入。可以在web监控页面查看作业启动情况:
Flink-安装部署及部署模式介绍_第5张图片
在nc窗口输入数据:

nc -l 9000
lorem ipsum
ipsum ipsum ipsum
bye

查看计算结果

tail -f log/flink-*-taskexecutor-*.out
lorem : 1
bye : 1
ipsum : 4

5.关闭单节点flink

$ ./bin/stop-cluster.sh   # 关闭 Flink

Flink StandAlone 模式

基于standalone的flink集群规划(基于standalone模式)【平时练习使用该模式,生产环境基本上都使用YARN模式】
Flink-安装部署及部署模式介绍_第6张图片
解压flink-1.9.0-bin-scala_2.11.tgz 到/home/hadoop/flink目录

tar -zxvf flink-1.9.0-bin-scala_2.11.tgz -C ~/flink

配置基本参数(结合机器情况调整)

cd /home/hadoop/flink/flink-1.9.0/conf

配置flink-conf.yaml,根据如下表格进行调整相应的参数

基础配置
Flink-安装部署及部署模式介绍_第7张图片
history server配置
Flink-安装部署及部署模式介绍_第8张图片
Flink配置文件——slaves
修改 /conf/slaves(有的版本是workers) 文件

vi slaves
centoshadoop2
centoshadoop3
centoshadoop4

修改 /conf/masters 文件

vim masters
centoshadoop1:8081

添加环境变量

export FLNK_HOME=/opt/program/flink-1.9.0
export PATH=$FLINK_HOME/bin:$PATH

分发到其他节点

cd ~

scp -r flink/ hadoop@centoshadoop2:~/

scp -r flink/ hadoop@centoshadoop3:~/

scp -r flink/ hadoop@centoshadoop4:~/

cd /home/hadoop/flink/flink-1.9.0

bin/start-cluster.sh – 启动集群

访问集群,界面如下(部分的参数配置)

http://centoshadoop1:8085/
Flink-安装部署及部署模式介绍_第9张图片

bin/stop-cluster.sh   --停止集群

jps参考各个节点的进程

[hadoop@centoshadoop1 flink-1.9.0]$ jps
StandaloneSessionClusterEntrypoint
[hadoop@centoshadoop2 flink-1.9.0]$ jps
TaskManagerRunner
[hadoop@centoshadoop2 flink-1.9.0]$ jps
TaskManagerRunner
[hadoop@centoshadoop2 flink-1.9.0]$ jps
TaskManagerRunner

如果集群中Master节点的jobManager进程停止,或者机器重启导致进程停止,可以通过下面的命令启动或者停止

bin/jobmanager.sh start|stop

同理,如果想要手工停止TaskManager进程停止,或者想要向正在运行的集群中增加行的Slave节点,则可以使用如下命令

bin/taksmanager.sh start|stop

启动正常后,部分界面截图
Flink-安装部署及部署模式介绍_第10张图片
测试

../../bin/flink run WordCount.jar

Flink-安装部署及部署模式介绍_第11张图片

flink-on-yarn 模式

Flink提供了两种在yarn上运行的模式,分别为Session-Cluster和Per-Job-Cluster模式,本文分析两种模式及启动流程。

下图展示了Flink-On-Yarn模式下涉及到的相关类图结构
Flink-安装部署及部署模式介绍_第12张图片
Flink-安装部署及部署模式介绍_第13张图片

Session-Cluster模式

Session-Cluster模式需要先启动集群,然后再提交作业,接着会向yarn申请一块空间后,资源永远保持不变。如果资源满了,下一个作业就无法提交,只能等到yarn中的其中一个作业执行完成后,释放了资源,下个作业才会正常提交。所有作业共享Dispatcher和ResourceManager;共享资源;适合规模小执行时间短的作业。
Flink-安装部署及部署模式介绍_第14张图片
1. 启动集群
运行bin/yarn-session.sh即可默认启动包含一个TaskManager(内存大小为1024MB,包含一个Slot)、一个JobMaster(内存大小为1024MB),当然可以通过指定参数控制集群的资源,如-n指定TaskManager个数,-s指定每个TaskManager中Slot的个数;其他配置项,可参考

下面以bin/yarn-session.sh为例,分析Session-Cluster启动流程。

2.流程分析
下面分为本地和远程分析启动流程,其中本地表示在客户端的启动流程,远端则表示通过Yarn拉起Container的流程;

本地流程

  • Session启动入口为FlinkYarnSessionCli#main
  • 根据传入的参数确定集群的资源信息(如多少个TaskManager,Slot等)
  • 部署集群AbstractYarnClusterDescriptor#deploySessionCluster -> AbstractYarnClusterDescriptor#deployInternal
  1. 进行资源校验(如内存大小、vcore大小、队列)
  2. 通过YarnClient创建Application
  3. 再次校验资源
  4. AbstractYarnClusterDescriptor#startAppMaster启动AppMaster
    1.初始化文件系统(HDFS)
    2.将log4j、logback、flink-conf.yaml、jar包上传至HDFS
    3.构造AppMaster的Container(确定Container进程的入口类YarnSessionClusterEntrypoint),构造相应的Env
    4.YarnClient向Yarn提交Container申请
    5.跟踪ApplicationReport状态(确定是否启动成功,可能会由于资源不够,一直等待)
  5. 启动成功后将对应的ip和port写入flinkConfiguration中
  6. 创建与将集群交互的ClusterClient
    1.根据flink-conf的HA配置创建对应的服务(如StandaloneHaServices、ZooKeeperHaServices等)
    2.创建基于Netty的RestClient;
    3.创建/rest_server_lock、/dispatcher_lock节点(以ZK为例)
    4.启动监听节点的变化(主备切换)
  7. 通过ClusterClient获取到appId信息并写入本地临时文件

经过上述步骤,整个客户端的启动流程就结束了,下面分析yarn拉起Session集群的流程,入口类在申请Container时指定为YarnSessionClusterEntrypoint。

远端流程

  • 远端宿主在Container中的集群入口为YarnSessionClusterEntrypoint#main
  • ClusterEntrypoint #runClusterEntrypoint -> ClusterEntrypoint#startCluster启动集群
  1. 初始化文件系统
  2. 初始化各种Service(如:创建RpcService(AkkaRpcService)、创建HAService、创建并启动BlobServer、创建HeartbeatServices、创建指标服务并启动、创建本地存储ExecutionGraph的Store)
  3. 创建DispatcherResourceManagerComponentFactory(SessionDispatcherResourceManagerComponentFactory),用于创建DispatcherResourceManagerComponent(用于启动Dispatcher、ResourceManager、WebMonitorEndpoint)
  4. 通过DispatcherResourceManagerComponentFactory创建DispatcherResourceManagerComponent
    1.创建/dispatcher_lock节点,/resource_manager_lock节点
    2.创建DispatcherGateway、ResourceManagerGateway的Retriever(用于创建RpcGateway)
    3.创建DispatcherGateway的WebMonitorEndpoint并启动
    4.创建JobManager的指标组
    5.创建ResourceManager、Dispatcher并启动进行ZK选举
    6.返回SessionDispatcherResourceManagerComponent

经过上述步骤就完成了集群的启动;

3.启动任务
当启动集群后,即可使用./flink run -c mainClass /path/to/user/jar向集群提交任务。

4.流程分析
同样,下面分为本地和远程分析启动流程,其中本地表示在客户端提交任务流程,远端则表示集群收到任务后的处理流程。

本地流程

  • 程序入口为CliFrontend#main
  • 解析处理参数
  • 根据用户jar、main、程序参数、savepoint信息生成PackagedProgram
  • 获取session集群信息
  • 执行用户程序
  1. 设置ClassLoader
  2. 设置Context
  3. 执行用户程序main方法(当执行用户业务逻辑代码时,会解析出StreamGraph然后通过ClusterClient#run来提交任务),其流程如下:
    1.获取任务的JobGraph
    2.通过RestClusterClient#submitJob提交任务
    3.创建本地临时文件存储JobGraph
    4.通过RestClusterClient向集群的rest接口提交任务
    5.处理请求响应结果
  4. 重置Context
  5. 重置ClassLoader

经过上述步骤,客户端提交任务过程就完成了,主要就是通过RestClusterClient将用户程序的JobGraph通过Rest接口提交至集群中。

远端流程
远端响应任务提交请求的是RestServerEndpoint,其包含了多个Handler,其中JobSubmitHandler用来处理任务提交的请求;

  • 处理请求入口:JobSubmitHandler#handleRequest
  • 进行相关校验
  • 从文件中读取出JobGraph
  • 通过BlobClient将jar及JobGraph文件上传至BlobServer中
  • 通过Dispatcher#submitJob提交JobGraph
  • 通过Dispatcher#runJob运行任务
  1. 创建JobManagerRunner(处理leader选举)
  2. 创建JobMaster(实际执行任务入口,包含在JobManagerRunner)
  3. 启动JobManagerRunner(会进行leader选举,ZK目录为leader/${jobId}/job_manager_lock)
  4. 当为主时会调用JobManagerRunner#grantLeadership方法
    1.启动JobMaster
    2.将任务运行状态信息写入ZK(/ A p p I D / r u n n i n g j o b r e g i s t r y / {AppID}/running_job_registry/ AppID/runningjobregistry/{jobId})
    3.启动JobMaster的Endpoint
    4.开始调度任务JobMaster#startJobExecution

接下来就进行任务具体调度(构造ExecutionGraph、申请Slot等)流程,本篇文章不再展开介绍。

Per-Job-Cluster模式

一个任务会对应一个Job,每提交一个作业会根据自身的情况,都会单独向yarn申请资源,直到作业执行完成,一个作业的失败与否并不会影响下一个作业的正常提交和运行。独享Dispatcher和ResourceManager,按需接受资源申请;适合规模大长时间运行的作业。
1.启动任务
启动Per-Job-Cluster任务,可通过./bin/flink run -m yarn-cluster -d -c mainClass /path/to/user/jar命令使用分离模式启动一个集群,即单任务单集群;
2.流程分析
与Session-Cluster类似,我们对Per-Job-Cluster模式也分为本地和远端。

本地流程

  • 与Session-Cluster模式类似,入口也为CliFrontend#main
  • 解析处理参数
  • 根据用户jar、main、程序参数、savepoint信息生成PackagedProgram
  • 根据PackagedProgram创建JobGraph(对于非分离模式还是和Session模式一样,模式Session-Cluster)
  • 获取集群资源信息
  • 部署集群YarnClusterDesriptor#deployJobCluster -> AbstractYarnClusterDescriptor#deployInternal;后面流程与Session-Cluster类似,值得注意的是在AbstractYarnClusterDescriptor#startAppMaster中与Session-Cluster有一个显著不同的就是其会将任务的JobGraph上传至Hdfs供后续服务端使用

经过上述步骤,客户端提交任务过程就完成了,主要涉及到文件(JobGraph和jar包)的上传。

远端流程

  • 远端宿主在Container中的集群入口为YarnJobClusterEntrypoint#main
  • ClusterEntrypoint#runClusterEntrypoint -> ClusterEntrypoint#startCluster启动集群
  • 创建JobDispatcherResourceManagerComponentFactory(用于创建JobDispatcherResourceManagerComponent)
  • 创建ResourceManager(YarnResourceManager)、Dispatcher(MiniDispatcher),其中在创建MiniDispatcher时会从之前的JobGraph文件中读取出JobGraph,并启动进行ZK选举
  • 当为主时会调用Dispatcher#grantLeadership方法
  1. Dispatcher#recoverJobs恢复任务,获取JobGraph
  2. Dispatcher#tryAcceptLeadershipAndRunJobs确认获取主并开始运行任务
    Dispatcher#runJob开始运行任务(创建JobManagerRunner并启动进行ZK选举),后续流程与Session-Cluster相同,不再赘述

总结

Flink提供在Yarn上两种运行模式:Session-Cluster和Per-Job-Cluster,其中Session-Cluster的资源在启动集群时就定义完成,后续所有作业的提交都共享该资源,作业可能会互相影响,因此比较适合小规模短时间运行的作业,对于Per-Job-Cluster而言,所有作业的提交都是单独的集群,作业之间的运行不受影响(可能会共享CPU计算资源),因此比较适合大规模长时间运行的作业。
1.第一种yarn seesion(Start a long-running Flink cluster on YARN)这种方式需要先启动集群,然后在提交作业,接着会向yarn申请一块空间后,资源永远保持不变。如果资源满了,下一个作业就无法提交,只能等到yarn中的其中一个作业执行完成后,释放了资源,那下一个作业才会正常提交.

2.第二种Flink run直接在YARN上提交运行Flink作业(Run a Flink job on YARN),这种方式的好处是一个任务会对应一个job,即没提交一个作业会根据自身的情况,向yarn申请资源,直到作业执行完成,并不会影响下一个作业的正常运行,除非是yarn上面没有任何资源的情况下。

综合以上这2种的示意图如下:
Flink-安装部署及部署模式介绍_第15张图片

注意事项:如果是平时的本地测试或者开发,可以采用第一种方案;如果是生产环境推荐使用第二种方案;

Flink on yarn模式部署时,不需要对Flink做任何修改配置,只需要将其解压传输到各个节点之上。但如果要实现高可用的方案,这个时候就需要到Flink相应的配置修改参数,具体的配置文件是FLINK_HOME/conf/flink-conf.yaml。

对于Flink on yarn模式,我们并不需要在conf配置下配置 masters和slaves。因为在指定TM的时候可以通过参数“-n”来标识需要启动几个TM;Flink on yarn启动后,如果是在分离式模式你会发现,在所有的节点只会出现一个 YarnSessionClusterEntrypoint进程;如果是客户端模式会出现2个进程一个YarnSessionClusterEntrypoint和一个FlinkYarnSessionCli进程。

Flink On Yarn安装部署

第一步安装
配置了NTP时间同步
安装 jdk、zookeeper、hadoop
根据下面连接选择合适版本对应
https://repo.maven.apache.org/maven2/org/apache/flink/flink-shaded-hadoop-2-uber/
具体步骤参考
https://www.cnblogs.com/quchunhui/p/7411389.html
https://www.cnblogs.com/quchunhui/p/12463455.html

第二步安装flink
下载并配置环境变量
Flink-安装部署及部署模式介绍_第16张图片

配置文件
可以参考官网提供的example
https://ci.apache.org/projects/flink/flink-docs-release-1.10/ops/jobmanager_high_availability.html
相关配置文件:

flink-conf.yaml
masters
slaves
zoo.cfg

flink-conf.xml

jobmanager.rpc.address: rexel-ids001
jobmanager.rpc.port: 6123
jobmanager.heap.size: 512
taskmanager.memory.flink.size: 512m
taskmanager.numberOfTaskSlots: 4
parallelism.default: 1
high-availability: zookeeper
high-availability.storageDir: hdfs://ns/flink/recovery
high-availability.zookeeper.quorum: rexel-ids001:2181,rexel-ids002:2181,rexel-ids003:2181
high-availability.zookeeper.path.root: /flink
state.backend: filesystem
state.savepoints.dir: hdfs://ns/flink/savepoints
jobmanager.execution.failover-strategy: region
rest.port: 9081
rest.bind-port: 9100-9124
web.submit.enable: false
io.tmp.dirs: /home/radmin/data/flink/tmp
env.log.dir: /home/radmin/data/flink/logs
fs.hdfs.hadoopconf: /home/radmin/hadoop-2.10.0/etc/hadoop/
jobmanager.archive.fs.dir: hdfs://ns/flink/completed_jobs/
historyserver.web.address: 0.0.0.0
historyserver.web.port: 8082
historyserver.archive.fs.dir: hdfs://ns/flink/completed_jobs/
historyserver.archive.fs.refresh-interval: 10000

masters

rexel-ids001:8081
rexel-ids002:8081

slaves

rexel-ids001
rexel-ids002
rexel-ids003

zoo.cfg

tickTime=2000
initLimit=10
syncLimit=5
dataDir=/home/radmin/data/zk/dataDir
dataLogDir=/home/radmin/data/zk/dataLogDir
clientPort=2181
server.0=rexel-ids001:2888:3888
server.1=rexel-ids002:2888:3888
server.2=rexel-ids003:2888:3888

集群启动
启动命令:./start-cluster.sh

启动Web页面
Web页面的端口号是8081。

提交程序
提交官方提供的WordCount程序试试

启动命令:flink run -m yarn-cluster /home/radmin/package/WordCount.jar

参考连接
https://www.cnblogs.com/quchunhui/p/12463455.html
https://www.cnblogs.com/quchunhui/p/7411389.html
https://mp.weixin.qq.com/s?__biz=MzIxMjI3NTI5OQ==&mid=2650461709&idx=1&sn=b6f027e02ae9632a38766b5243c4ed32&chksm=8f46ef01b831661733e1c2f78e7f50fd2d806b9032a1b110b60692dd242700f41e90b7d6f474&scene=21#wechat_redirect
https://www.jianshu.com/p/1b05202c4fb6
https://blog.csdn.net/xu470438000/article/details/79576989

你可能感兴趣的:(flink,flink)