Flink架构与集群搭建
- 一、Flink基本架构
- 1.1 JobManager与TaskManager
- 1.2 无界数据流与有界数据流
- 1.3 数据流编程模型
- 二、Flink集群搭建
- 2.1 Standalone模式安装
- 2.2 Yarn模式安装
一、Flink基本架构
1.1 JobManager与TaskManager
Flink运行时包含了两种类型的处理器：
JobManager处理器：也称之为Master，用于协调分布式执行，它们用来调度task，协调检查点，协调失败时恢复等。Flink运行时至少存在一个master处理器，如果配置高可用模式则会存在多个master处理器，它们其中有一个是leader，而其他的都是standby。
TaskManager处理器：也称之为Worker，用于执行一个dataflow的task(或者特殊的subtask)、数据缓冲和data stream的交换，Flink运行时至少会存在一个worker处理器。
Master和Worker处理器可以直接在物理机上启动，或者通过像YARN这样的资源调度框架。
Worker连接到Master，告知自身的可用性进而获得任务分配。
1.2 无界数据流与有界数据流
Flink用于处理有界和无界数据：
无界数据流：无界数据流有一个开始但是没有结束，它们不会在生成时终止并提供数据，必须连续处理无界流，也就是说必须在获取后立即处理event。对于无界数据流我们无法等待所有数据都到达，因为输入是无界的，并且在任何时间点都不会完成。处理无界数据通常要求以特定顺序（例如事件发生的顺序）获取event，以便能够推断结果完整性。
有界数据流：有界数据流有明确定义的开始和结束，可以在执行任何计算之前通过获取所有数据来处理有界流，处理有界流不需要有序获取，因为可以始终对有界数据集进行排序，有界流的处理也称为批处理。
Apache Flink是一个面向分布式数据流处理和批量数据处理的开源计算平台，它能够基于同一个Flink运行时(Flink Runtime)，提供支持流处理和批处理两种类型应用的功能。现有的开源计算方案，会把流处理和批处理作为两种不同的应用类型，因为它们要实现的目标是完全不相同的：流处理一般需要支持低延迟、Exactly-once保证，而批处理需要支持高吞吐、高效处理，所以在实现的时候通常是分别给出两套实现方法，或者通过一个独立的开源框架来实现其中每一种处理方案。例如，实现批处理的开源方案有MapReduce、Tez、Crunch、Spark，实现流处理的开源方案有Samza、Storm。
Flink在实现流处理和批处理时，与传统的一些方案完全不同，它从另一个视角看待流处理和批处理，将二者统一起来：Flink是完全支持流处理，也就是说作为流处理看待时输入数据流是无界的；批处理被作为一种特殊的流处理，只是它的输入数据流被定义为有界的。基于同一个Flink运行时(Flink Runtime)，分别提供了流处理和批处理API，而这两种API也是实现上层面向流处理、批处理类型应用框架的基础。
1.3 数据流编程模型
Flink提供了不同级别的抽象，以开发流或批处理作业，如下图所示：
最底层级的抽象仅仅提供了有状态流，它将通过过程函数（Process Function）被嵌入到DataStream API中。底层过程函数（Process Function） 与 DataStream API 相集成，使其可以对某些特定的操作进行底层的抽象，它允许用户可以自由地处理来自一个或多个数据流的事件，并使用一致的容错的状态。除此之外，用户可以注册事件时间并处理时间回调，从而使程序可以处理复杂的计算。
实际上，大多数应用并不需要上述的底层抽象，而是针对核心API（Core APIs） 进行编程，比如DataStream API（有界或无界流数据）以及DataSet API（有界数据集）。这些API为数据处理提供了通用的构建模块，比如由用户定义的多种形式的转换（transformations），连接（joins），聚合（aggregations），窗口操作（windows）等等。DataSet API 为有界数据集提供了额外的支持，例如循环与迭代。这些API处理的数据类型以类（classes）的形式由各自的编程语言所表示。
Table API 是以表为中心的声明式编程，其中表可能会动态变化（在表达流数据时）。Table API遵循（扩展的）关系模型：表有二维数据结构（schema）（类似于关系数据库中的表），同时API提供可比较的操作，例如select、project、join、group-by、aggregate等。Table API程序声明式地定义了什么逻辑操作应该执行，而不是准确地确定这些操作代码的看上去如何 。 尽管Table API可以通过多种类型的用户自定义函数（UDF）进行扩展，其仍不如核心API更具表达能力，但是使用起来却更加简洁（代码量更少）。除此之外，Table API程序在执行之前会经过内置优化器进行优化。
可以在表与 DataStream/DataSet 之间无缝切换，以允许程序将 Table API 与 DataStream 以及 DataSet 混合使用。
Flink提供的最高层级的抽象是 SQL 。这一层抽象在语法与表达能力上与 Table API 类似，但是是以SQL查询表达式的形式表现程序。SQL抽象与Table API交互密切，同时SQL查询可以直接在Table API定义的表上执行。
二、Flink集群搭建
Flink可以选择的部署方式有：
Local、Standalone（资源利用率低）、Yarn、Mesos、Docker、Kubernetes、AWS。
这里主要对Standalone模式和Yarn模式下的Flink集群部署进行分析。
2.1 Standalone模式安装
（1）软件要求
Java 1.8.x或更高版本
ssh（必须运行sshd才能使用管理远程组件的Flink脚本）
集群部署规划：
节点名称 | master | worker | zookeeper |
bigdata11 | master | zookeeper | |
bigdata12 | master | worker | zookeeper |
bigdata13 | worker | zookeeper |
（2）解压
tar -zxvf flink-1.6.1-bin-hadoop28-scala_2.11.tgz -C /opt/module/（3）修改配置文件
修改flink/conf/masters，slaves，flink-conf.yaml
[root@bigdata11 conf]$ sudo vi masters
bigdata11:8081
[root@bigdata11 conf]$ sudo vi slaves
bigdata12
bigdata13
[root@bigdata11 conf]$ sudo vi flink-conf.yaml
taskmanager.numberOfTaskSlots：2 //52行
jobmanager.rpc.address: bigdata11 //33行
可选配置：
•每个JobManager（jobmanager.heap.mb）的可用内存量，
•每个TaskManager（taskmanager.heap.mb）的可用内存量，
•每台机器的可用CPU数量（taskmanager.numberOfTaskSlots），
•集群中的CPU总数（parallelism.default）和
•临时目录（taskmanager.tmp.dirs）（4）拷贝安装包到各节点
[root@bigdata11 module]$ scp -r flink-1.6.1/ root@bigdata12:/opt/module
[root@bigdata11 module]$ scp -r flink-1.6.1/ root@bigdata13:/opt/module（5）配置环境变量
配置所有节点Flink的环境变量：
[root@bigdata11 flink-1.6.1]$ vi /etc/profile
//添加以下配置
export FLINK_HOME=/opt/module/flink-1.6.1
export PATH=$PATH:$FLINK_HOME/bin
//source一下，使其生效
[root@bigdata11 flink-1.6.1]$ source /etc/profile（6）启动flink
[itstar@bigdata11 flink-1.6.1]$ ./bin/start-cluster.sh
Starting cluster.
Starting standalonesession daemon on host bigdata11.
Starting taskexecutor daemon on host bigdata12.
Starting taskexecutor daemon on host bigdata13.
（7）Web界面查看
在浏览器输入：http://bigdata11:8081
（8）运行测试
[itstar@bigdata11 flink-1.6.1]$ bin/flink run -m bigdata11:8081
./examples/batch/WordCount.jar --input /opt/module/datas/word.txt
（9）Flink 的 HA
首先，我们需要知道 Flink 有两种部署的模式，分别是 Standalone 以及 Yarn Cluster 模式。
对于 Standalone 来说，Flink 必须依赖于 Zookeeper 来实现 JobManager 的 HA（Zookeeper 已经成为了大部分开源框架 HA 必不可少的模块）。在 Zookeeper 的帮助下，一个 Standalone 的 Flink 集群会同时有多个活着的 JobManager，其中只有一个处于工作状态，其他处于 Standby 状态。当工作中的 JobManager 失去连接后（如宕机或 Crash），Zookeeper 会从 Standby 中选举新的 JobManager 来接管 Flink 集群。
对于 Yarn Cluaster 模式来说，Flink 依靠 Yarn 本身来对 JobManager 做 HA 。其实这里完全是 Yarn 的机制。对于 Yarn Cluster 模式来说，JobManager 和 TaskManager 都是被 Yarn 启动在 Yarn 的 Container 中。此时的 JobManager，其实应该称之为 Flink Application Master。也就说它的故障恢复，就完全依靠着 Yarn 中的 ResourceManager（和 MapReduce 的 AppMaster 一样）。由于完全依赖了 Yarn，因此不同版本的 Yarn 可能会有细微的差异。这里不再做深究。
1）修改配置文件
修改flink-conf.yaml，HA模式下，jobmanager不需要指定，在master file中配置，由zookeeper选出leader与standby。
#jobmanager.rpc.address: bigdata11
high-availability: zookeeper //73行
#指定高可用模式（必须） //88行
high-availability.zookeeper.quorum:bigdata11:2181,bigdata12:2181,bigdata13:2181
#ZooKeeper仲裁是ZooKeeper服务器的复制组，它提供分布式协调服务（必须） //82行
high-availability.storageDir: hdfs:///flink/ha/
#JobManager元数据保存在文件系统storageDir中，只有指向此状态的指针存储在ZooKeeper中（必须） //没有
high-availability.zookeeper.path.root: /flink
#根ZooKeeper节点，在该节点下放置所有集群节点（推荐） //没有
high-availability.cluster-id:/flinkCluster
＃自定义集群（推荐）
state.backend: filesystem
state.checkpoints.dir: hdfs:///flink/checkpoints
state.savepoints.dir: hdfs:///flink/checkpoints修改conf/zoo.cfg
server.1=bigdata11:2888:3888
server.2=bigdata12:2888:3888
server.3=bigdata13:2888:3888修改conf/masters
bigdata11:8081
bigdata12:8081修改slaves
bigdata12
bigdata13
同步配置文件conf到各个节点
2）启动HA
先启动zookeeper集群各节点（测试环境中也可以用Flink自带的start-zookeeper-quorum.sh），启动dfs ,再启动flink
[itstar@bigdata11 flink-1.6.1]$ bin/start-cluster.shWeb界面查看，这是会自动产生一个主Master，如下：
3）验证HA
手动杀死bigdata12上的master，此时，bigdata11上的备用master转为主mater。
4）手动将JobManager / TaskManager实例添加到群集
可以使用bin/jobmanager.sh和bin/taskmanager.sh脚本将JobManager和TaskManager实例添加到正在运行的集群中。
添加JobManager：
bin/jobmanager.sh ((start|start-foreground) [host] [webui-port])|stop|stop-all添加TaskManager：
bin/taskmanager.sh start|start-foreground|stop|stop-all
[itstar@bigdata12 flink-1.6.1]$ jobmanager.sh start bigdata12
新添加的为从master节点
2.2 Yarn模式安装
1、在官网下载1.6.1版本Flink（https://archive.apache.org/dist/flink/flink-1.6.1/）。
2、将安装包上传到要按照JobManager的节点（bigdata11）。
3、进入Linux系统对安装包进行解压：（同上）
4、修改安装目录下conf文件夹内的flink-conf.yaml配置文件，指定JobManager：（同上）
5、修改安装目录下conf文件夹内的slave配置文件，指定TaskManager：（同上）
6、将配置好的Flink目录分发给其他的两台节点：（同上）
（1）明确虚拟机中已经设置好了环境变量HADOOP_HOME
（2）启动Hadoop集群（HDFS和Yarn）
（3）在bigdata11节点提交Yarn-Session，使用安装目录下bin目录中的yarn-session.sh脚本进行提交：
在yarn-site.xml文件中加入以下配置：
<property>
<name>yarn.nodemanager.resource.cpu-vcores</name>
<value>5</value>
</property>执行命令：
/opt/module/flink-1.6.1/bin/yarn-session.sh -n 2 -s 4 -jm 1024 -tm 1024 -nm test -d
解释：
-n(--container)：TaskManager的数量。
-s(--slots)：每个TaskManager的slot数量，默认一个slot一个core，
默认每个taskmanager的slot的个数为1，有时可以多一些taskmanager，做冗余。
-jm：JobManager的内存（单位MB)。
-tm：每个taskmanager的内存（单位MB)。
-nm：yarn 的appName(现在yarn的ui上的名字)。
-d：后台执行（4）启动后查看Yarn的Web页面，可以看到刚才提交的会话：
（5）在提交Session的节点查看进程：
（6）提交Jar到集群运行：
/opt/module/flink-1.6.1/bin/flink run -m yarn-cluster examples/batch/WordCount.jar（7）提交后在Yarn的Web页面查看任务运行情况：
（8）任务运行结束后在控制台打印如下输出：
