admin管理员组文章数量:1539834
1. Flink简介
Usermanual：
https://nightlies.apache/flink/flink-docs-release-1.13/
Java API ：
https://nightlies.apache/flink/flink-docs-release-1.13/api/java/
Scala API：
https://nightlies.apache/flink/flink-docs-release-1.16/api/scala/org/apache/flink/api/scala/index.html
Python：
https://nightlies.apache/flink/flink-docs-release-1.13/docs/dev/python/datastream/intro_to_datastream_api/1.1 Flink的起源和设计理念
flink项目的核心目标：数据流上的有状态计算（Stateful Computations over Data Streams)。
时间驱动：来一个事件处理一个事件；流处理的流水线；流&批数据分析
具体定位是：Apache Flink 是一个框架和分布式处理引擎，用于对无界和有界数据流进行有状态计算。Flink 被设计在所有常见的集群环境中运行，以内存执行速度和任意规模来执行计算。
1.2 Flink的应用
Flink是一个大数据流处理引擎，它可以为不同的行业提供大数据实时处理的解决方案。Flink在国内热度尤其高，一方面因为阿里的贡献和带头效应，另一方面也跟中国的应用场景密切相关。中国的人口规模与互联网的普及程度，决定了对大数据处理速度的要求越来越高，也迫使中国的互联网企业去追逐更高的数据处理效率。比如，一个网站在中国可能要面对数亿的日活用户、每秒数亿次的计算峰值，而Flink恰好给了高速的处理海量流式数据提供了可能。
1.2.1 Flink在企业中的应用
对于数据处理而言，任何行业、任何公司的需求其实都是一样的：数据规模大、实时性要求高、确保结果准确、方便扩展、故障后可快速恢复 —— 而这些要求，作为新一代大数据流式处理引擎的Flink统统可以满足，这也是Flink在全世界范围得到广泛应用的原因。
以下是Flink官网列出的知名企业用户，
当用户数据量非常庞大时，快速地分析响应、实时做出精准的推荐就显得困难，而Flink这样真正意义上的大数据流处理引擎，就能做到这些。
1.2.2 Flink主要应用场景
各种行业的众多公司都在使用Flink，那到底他们用Flink来处理什么需求呢？什么样的场景最适合Flink的使用呢？
回到Flink本身的定位，它是一个大数据流式处理引擎，处理的是流式数据，也就是“数据流（Data Flow）”。数据流的含义是，数据并不是收集好的，而是像流水一样，是一组有序的数据序列，逐个到来、逐个处理。由于数据来到之后就会被即刻处理，所以流处理的一大特点就是“快速”，也就是良好的实时性。Flink适合的场景，其实也就是需要实时处理数据流的场景。
1. 电商和市场营销
举例：实时数据报表、广告投放、实时推荐
在电商行业中，网站点击量是统计PV、UV的重要来源，也是如今“流量经济”的最主要数据指标。很多公司的营销策略，比如广告的投放，也是基于点击量来决定的。另外，在网站上提供给用户的实时推荐，往往也是基于当前用户的点击行为做出的。
网站获得的点击数据可能是连续且不均匀的，还可能在同一时间大量产生，这是典型的数据流。如果我们希望把它们全部收集起来，再去分析处理，就会面临很多问题：首先，我们需要很大的空间来存储数据；其次，收集数据的过程耗费很多时间，统计分析结果的实时性就大大降低了；另外，分布式处理无法保证数据的顺序，如果我们只以数据进入系统的时间为准，可能导致最终结果计算错误。我们需要的是直接处理数据流，而Flink就可以做到这一点。
2. 物联网（IOT）
举例：传感器实时数据采集和显示、实时报警、交通运输等
物联网是流数据被普遍应用的领域。各种传感器不停获得测量数据，并将他们以流的形式传输到数据中心，而数据中心会将数据处理分析后，得到运行状态或者报警信号，实时地显示在监控屏幕上，所以在物联网中，低延迟的数据传输和处理，以及准确的数据分析通常很关键。
交通运输业也体现了流处理的重要性。比如高铁运行主要就是依靠传感器检测数据，测量数据包括列车的速度和位置，以及轨道周边的状况。这些数据会从轨道传给列车，再从列车传到沿途的其他传感器；与此同时，数据报告也被发送回控制中心。因为列车处于高速行驶状态，因此数据处理的实时性要求是极高的。如果数据没有被及时正确处理，调整意见和告警就能相应产生，后果可能会非常严重。
3. 物流配送和服务业
举例：订单状态实时更新、通知信息推送
在很多服务型应用中，都会涉及订单状态的更新和通知的推送。这些信息基于事件触发，不均匀地连续不断生成，处理之后需要及时传递给用户，这也是非常典型的数据流处理。
4. 银行和金融业
举例：实时结算和通知推送，实时检测异常行为。
银行和金融业是另外一个典型的应用行业。用户的交易行为是连续大量发生的，银行面对的是海量的流式数据。由于要处理的交易数据量太大，以前的银行是按天结算，汇款一般都要隔天才能到账。这显然不能满足快速交易的需求，在全球化经济中，能够提供24小时服务变得越来越重要。现在交易和报表都会快速准确地生成，跨行转账也可以做到瞬间到账，还可以接到实时地推送通知，这需要我们能够实时处理数据流。
1.3 流式数据处理的发展和演变
1.3.1 流处理和批处理
数据处理有不同的方式，有些场景数据是一个一个来，是一组有序的数据序列，叫做“数据流”；而有些场景的数据本身就是一批同时到来，是一个有限的数据集，这就是批量数据（或数据集）。
企业中绝大多数的应用程序，都是在不停地接收用户请求、记录用户行为和系统日志，或则持续接收采集到的状态信息。所以数据会在不同的时间持续生成，形成一个有序的数据序列 -- 这就是典型的数据流。对于流式数据，用流处理是最好、最合适的方式。但是传统的数据处理架构并不是这样的，无论是关系型数据库、还是数仓，都倾向于先“收集数据”，然后再进行处理。为什么不直接用流处理方式呢？这是因为，分布式处理在架构上更容易实现。要想弄清楚流处理的发展演变，我们首先要了解传统的数据处理架构。
1.3.2 传统事务处理
IT互联网公司往往会用不同的应用程序来处理各种业务。比如内部使用的企业资源规划（ERP）系统、客户关系管理（CRM）系统，还有面向客户的Web应用程序。
企业资源规划（Enterprise Resource Planning，简称 ERP）系统是一种集成管理软件，
用于组织和管理企业不同部门的核心业务流程和资源。通过一个统一的数据库系统，
ERP 可以整合公司的各个部门（如财务、人力资源、供应链管理、采购、制造和销售）在同一个信息系统中，
为企业提供全面的管理视图和数据支持。
ERP 系统的目标是协调企业内部各个部门之间的工作流程，提高效率、降低成本、增强业务流程的透明度，
并帮助企业做出更明智的决策。这些系统通常包括一系列应用程序和工具，
可以用来实施和自动化各种业务流程，
如财务会计、库存管理、生产计划、客户关系管理（CRM）、人力资源管理等。
一些流行的 ERP 系统供应商包括 SAP、Oracle、Microsoft Dynamics、Infor 和 Salesforce，
它们提供各种功能丰富的 ERP 解决方案，可根据企业的需求和规模进行定制和部署。
总的来说，ERP 系统是帮助企业实现资源整合、业务流程优化和管理决策支持的关键工具，
有助于提高企业运营效率和竞争力。这些系统一般都会进行分层设计：计算层就是应用程序本身，用于数据计算和处理；而存储层往往是传统的关系型数据，用于存储数据。如下图所示：
这里的应用程序在处理数据的模式上有共同之处：接收的数据是持续生成的事件，比如用户的点击行为，客户下的订单，或者操作人员发出的请求。处理事件时，应用程序需要先读取远程数据库的状态，然后按照处理逻辑得到结果，将响应返回给用户，并更新数据库状态。一般来说数据库系统可以服务于多个应用程序，它们有时会访问相同的数据库或表。这就是传统的“事务处理”架构。系统所处理的连续不断地事件，其实就是一个数据流，而对于每一个事件，系统都在收到之后进行相应的处理，这也是符合流处理的原则的。所以可以说，传统的事务处理，就是最基本的流处理架构。
对于各种事件请求，事务处理的方式能够保证实时响应，但是我们知道，这样的架构对表和数据的设计要求很高；当数据规模越来越庞大、系统越来越复杂时，可能需要对表进行重构，而且一次联表查询也会花费大量的时间，甚至不能及时得到返回结果。于是作为程序员就只好更多的精力放在表的设计和重构，以及SQL的调优上，而无法专注于业务逻辑的实现 -- 这种工作费时费力，却没有办法直接体现在产品上。
1. 事务处理 -- OLTP
对于传统的事务处理，是比较快的是实时的，此架构受限的地方在于，数据要存储在传统的关系型数据库中。
关系型数据库：MySQL，Oracle，PostSQL等；
非关系型数据库：Redis，MongoDB，HBase，ES等
整体来讲，Redis响应速度比较快的，内存级别。
2. 分析处理 -- OLAP
OLTP（On-Line Transaction Processing）:联机事务处理，典型代表是关系型数据库(mysql)，它的数据存储在服务器本地的文件里。
OLAP（On-Line Analytical Processing）:联机分析处理，OLAP型数据库的典型代表是分布式文件系统(hive)，它的数据存储在HDFS集群里。
它们的主要区别入下图：
1.3.3 有状态的流处理 -- 第一代流处理架构
对于事件流的处理非常简单，例如收到一个请求就返回一个“收到”，那就可以省去数据库的查询和更新，但是这样的处理没有什么实际意义。在现实的应用中，往往还需要一些额外的数据，我们把额外的数据保存成一个“状态”，然后针对这条数据进行处理，并且更新状态，在传统的架构中，这个状态被保存到数据库中。这就是所谓的“有状态的流处理”。
为了加快访问速度，我们可以直接把状态保存到本地的内存中，如下图所示：
当应用收到一个新事件时，它可以从状态中读取数据，也可以更新状态。而当状态是从内存中读写的时候，这就和访问本地变量没有什么区别了，实时性得到极大的提升。
另外数据规模增大时，也不需要重构，只需要构建分布式集群，各自在本地计算就可以，可扩展性也变得更好。因为采用的是一个分布式系统，所以还需要保护本地状态，防止在故障时数据丢失。我们可以定期地将应用状态的一致性检查点（checkpoint）存盘，写入远程的持久化存储，遇到故障时再去读取进行恢复，这样就保证了更好的容错性。
有状态的流处理是一种通用而且灵活的设计架构，可用于许多不同的场景。具体来说，有以下几种典型的应用。
1. 事件驱动型（Event-Driven）应用
事件驱动型应用时一类具有状态的应用，它从一个或多个事件流提取数据，并根据到来的事件触发计算、状态更新或其他外部动作。比较典型的就是以Kafka为代表的消息队列几乎都是事件驱动型应用。
这跟传统事务处理本质上是一致的，区别在基于有状态流处理的事件驱动应用，不再需要查询远程数据库，而是在本地访问他们的数据，这样在吞吐量和延迟方面就可以有更好的性能。另外远程持久性存储的检查点保证了应用可以从故障中恢复。检查点可以异步和增量地完成，因此对正常计算的影响非常小。
2. 数据分析型（Event-Analysis）应用
所谓数据分析，就是从原始数据中提取信息和发觉规律。传统上，数据分析一般是先将数据复制到数据仓库（DataWarehouse），然后进行批量查询。如果数据有了更新，必须将最新数据添加到要分析的数据集中，然后重新运行查询或应用程序。数仓的设计一般是将大量数据（如日志文件）写入到Hadoop的分布式文件系统（HDFS）、S3或HBase等批量存储数据库，以较低的成本进行大容量的存储。然后通过SQL-On-Hadoop类引擎查询和处理数据，比如Hive。这中处理方式是典型的批处理，特点是可以处理海量数据，但实时性较差，所以也叫离线分析。
如果有一个复杂的流处理引擎，数据分析可以实时执行。流式查询或应用程序不是读取有限的数据集，而是接受实时事件流，不断生成和更新结果。结果要么写入外部数据库，要么作为内部状态进行维护。Apache Flink同时支持流式处理和批处理的数据分析应用。如下图所示：
与批处理分析相比，流处理分析最大的优势就是低延迟，真正实现了实时。另外流处理不需要去单独考虑新数据的导入和处理，实时更新本来就是流式处理的基本模式。当前企业对流 式数据处理的一个热点应用就是实时数仓，很多公司正是基于 Flink 来实现的。
3. 数据管道（Data-Pipline）应用
ETL就是将数据的提取、转换、加载时在存储系统之间转换和移动数据的常用方法。在数据分析的应用中，通常会定期触发ETL任务，将数据从事务数据库系统复制到分析数据库或数据仓库。所谓管道的作用与ETL类似。他们可以转换和扩展数据，也可以在存储系统之间移动数据。不过我们用流式处理架构来搭建管道，这些工作就可以连续运行，不再需要周期触发。比如，数据管道可以用来监控文件系统目录中的新文件，将数据写入事件日志。连续数据管道的明显优势是减少了将数据移动到目的地的延迟，而且更加通用。如图 1-9 所示，展示了 ETL 与数据管道之间的区别。
有状态的流处理架构上其实并不复杂，很多用户基于这种思想开发出了自己的流处理系统，这就是第一代流处理器。Apache Storm 就是其中的代表。Storm 可以说是开源流处理的先锋，最早是由 Nathan Marz 和创业公司 BackType 的一个团队开发的，后来才成为 Apache 软件基金会下属的项目。Storm 提供了低延迟的流处理，但是它也为实时性付出了代价：很难实现高吞吐，而且无法保证结果的正确性。用更专业的话说，它并不能保证“精确一次”（exactly-once）；即便它能够保证的一致性级别，开销也相当大。关于状态一致性和exactly-once，会在后续讨论。
1.3.4 Lambda架构--第二代流处理架构
对于有状态的流处理，当数据越来越多时，我们必须用分布式的集群架构来获取更大的吞吐量。但是分布式架构会带来另一个问题：怎样保证数据处理的顺序是正确的呢？
对于批处理来说，这并不是一个问题。因为所有数据都已收集完毕，我们可以根据需要选择、排列数据，得到想要的结果。可如果我们采用“来一个处理一个”的流处理，就可能出现“乱序”的现象：本来先发生的事件，因为分布处理的原因滞后了。怎么解决这个问题呢？
以 Storm 为代表的第一代分布式开源流处理器，主要专注于具有毫秒延迟的事件处理，特点就是一个字“快”；而对于准确性和结果的一致性，是不提供内置支持的，因为结果有可能取决于到达事件的时间和顺序。另外，第一代流处理器通过检查点来保证容错性，但是故障恢复的时候，即使事件不会丢失，也有可能被重复处理——所以无法保证 exactly-once。与批处理器相比，可以说第一代流处理器牺牲了结果的准确性，用来换取更低的延迟。而批处理器恰好反过来，牺牲了实时性，换取了结果的准确。如果可以让二者做个结合，不就可以同时提供快速和准确的结果了吗？正是基于这样的思想，Lambda 架构被设计出来，如图 1-10 所示。我们可以认为这是第二代流处理架构，但事实上，它只是第一代流处理器和批处理器的简单合并。
Lambda 架构主体是传统批处理架构的增强。它的“批处理层”（Batch Layer）就是由传统的批处理器和存储组成，而“实时层”（Speed Layer）则由低延迟的流处理器实现。数据到达之后，两层处理双管齐下，一方面由流处理器进行实时处理，另一方面写入批处理存储空间， 等待批处理器批量计算。流处理器快速计算出一个近似结果，并将它们写入“流处理表”中。而批处理器会定期处理存储中的数据，将准确的结果写入批处理表，并从快速从表中删除不准确的结果。最终，应用程序会合并快速表和批处理表中的结果，并展示出来。
Lambda 架构现在已经不再是最先进的，但仍在许多地方使用。它的优点非常明显，就是兼具了批处理器和第一代流处理器的特点，同时保证了低延迟和结果的准确性。而它的缺点同样非常明显。首先，Lambda 架构本身就很难建立和维护；而且，它需要我们对一个应用程序，做出两套语义上等效的逻辑实现，因为批处理和流处理是两套完全独立的系统，它们的 API也完全不同。为了实现一个应用，付出了双倍的工作量，这对程序员显然不够友好。
1.3.4 新一代流处理器 -- Flink架构
之前的分布式流处理架构，都有明显的缺陷，人们也一直没有放弃对流处理器的改进和完善。终于，在原有流处理器的基础上，新一代分布式开源流处理器诞生了。为了与之前的系统区分，我们一般称之为第三代流处理器，代表当然就是 Flink。
第三代流处理器通过巧妙的设计，完美解决了乱序数据对结果正确性的影响。这一代系统还做到了精确一次（exactly-once）的一致性保障，是第一个具有一致性和准确结果的开源流处理器。另外，先前的流处理器仅能在高吞吐和低延迟中二选一，而新一代系统能够同时提供这两个特性。所以可以说，这一代流处理器仅凭一套系统就完成了 Lambda 架构两套系统的工作，它的出现使得 Lambda 架构黯然失色。除了低延迟、容错和结果准确性之外，新一代流处理器还在不断添加新的功能，例如高可用的设置，以及与资源管理器（如 YARN 或 Kubernetes）的紧密集成等等。在下一节，我们会将 Flink 的特性做一个总结，从中可以体会到新一代流处理器的强大。
1.4 Flink的特性总结
Flink是第三代分布式流处理器，它的功能丰富而强大。
1.4.1 Flink的核心特性
Flink区别于传统数据处理框架的特点如下：
- 高吞吐，低延迟。每秒处理数百万个事件，毫秒级延迟。
- 结果的准确性。Flink提供了事件事件（Event Time）和处理事件（Processing Time）语义。对于乱序事件流，事件事件语义仍然能提供一致且准确的结果。
- 精确一次（Exactly Once）的状态一致性保证。
- 可以连接到最常用的存储系统，如Apache Kafka、Apache Cassandra、Elasticsearch、JDBC、（分布式）文件系统，如HDFS和S3.
- 高可用。本身支持高可用设置，加上K8s，Yarn和Mesos的紧密集成，再加上从故障中快速恢复和动态扩展任务的能力，Flink能做到以极少的停机时间7 x 24 全天运行。
- 能够更新应用程序代码并将作业（jobs）迁移到不同的Flink集群，而不会丢失应用程序的状态。
1.4.2 Flink的分层API
除了上述这些特性之外，Flink 还是一个非常易于开发的框架，因为它拥有易于使用的分层 API，整体 API 分层如图 1-11 所示。
越顶层越抽象，表达含义越简明，使用越方便；
越底层越具体，表达能力越丰富，使用越灵活；
SQL：最高层语言
Table API：声明式领域专用语言
DataStream/DataSet API:核心APIs
有状态流处理：底层APIs
最底层级的抽象仅仅提供了有状态流，它将处理函数（ProcessFunction）嵌入到了DataStream API中。底层处理函数（Process Function）与DataStream API相集成，可以对某些操作进行抽象，它允许用户使用自定义状态处理来自一个或多个数据流的事件，且状态具有一致性和容错性保证。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，而是直接针对核心 API（Core APIs） 进行编程，比如 DataStream API（用于处理有界或无界流数据）以及 DataSet API（用于处理有界数据集）。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（windows）操作等。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 以表为中心的声明式编程，其中表在表达流数据时会动态变化。Table API遵循关系模型：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，如select、join、grup-by，aggregate等。
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，仍不如核心API更具表达能力，但是使用起来代码量更少，更简洁。除此之外，Table API程序在执行之前会使用内置优化器进行优化。我们可以在表与DataStream/DateSet 之间无缝切换，可以允许程序将Table API与DataStream混合使用。
SQL 是Flink提供的最高层级的抽象，这一层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抽象层与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。目前Flink SQL和Table API还在完善过程中，大公司都会二次开发符合自己需要的工具包。而 DataSet 作为批处理 API 实际应用较少，2020 年 12 月 8 日发布的新版本 1.12.0, 已经完全实现了真正的流批一体，DataSet API 已处于软性弃用（soft deprecated）的状态。用 Data Stream API 写好的一套代码, 即可以处理流数据, 也可以处理批数据，只需要设置不同的执行模式。这与之前版本处理有界流的方式是不一样的，Flink 已专门对批处理数据做了优化处理。
1.5 flink vs spark
Spark是一个通用大规模数据分析引擎，它提出的内存计算概念让大家耳目一新，得以从 Hadoop 繁重的 MapReduce 程序中解脱出来，可以说是划时代的大数据处理框架。除了计算速度快、可扩展性强，Spark 还为批处理（SparkSQL）、流处理（Spark Streaming）、机器学习（Spark MLlib）、图计算（Spark GraphX）提供了统一的分布式数据处理平台，整个生态经过多年的蓬勃发展已经非常完善。然而正在大家认为 Spark 已经如日中天、即将一统天下之际，Flink 如一颗新星异军突起，使得大数据处理的江湖再起风云。很多读者在最初接触都会有这样的疑问：想学习一个大数据处理框架，到底选择 Spark，还是 Flink 呢？这就需要我们了解两者的主要区别，理解它们在不同领域的优势。
1.5.1 数据处理架构
我们已经知道，数据处理的基本方式，可以分为批处理和流处理两种。批处理针对的是有界数据集，非常适合需要访问海量的全部数据才能完成的计算工作，一般用于离线统计。流处理主要针对的是数据流，特点是无界、实时, 对系统传输的每个数据依次执行操作，一般用于实时统计。
从根本上说，Spark 和 Flink 采用了完全不同的数据处理方式。可以说，两者的世界观是截然相反的。Spark 以批处理为根本，并尝试在批处理之上支持流计算；在 Spark 的世界观中，万物皆批次，离线数据是一个大批次，而实时数据则是由一个一个无限的小批次组成的。所以对于流处理框架 Spark Streaming 而言，其实并不是真正意义上的“流”处理，而是“微批次”（micro-batching）处理，如图 1-12 所示。。
而 Flink 则认为，流处理才是最基本的操作，批处理也可以统一为流处理。在 Flink 的世界观中，万物皆流，实时数据是标准的、没有界限的流，而离线数据则是有界限的流。如图1-13 所示，就是所谓的无界流和有界流。
1. 无界数据流（Unbounded Data Stream）
所谓无界数据流，就是有头没尾，数据的生成和传递会开始但永远不会结束，如图 1-13所示。我们无法等待所有数据都到达，因为输入是无界的，永无止境，数据没有“都到达”的时候。所以对于无界数据流，必须连续处理，也就是说必须在获取数据后立即处理。在处理无界流时，为了保证结果的正确性，我们必须能够做到按照顺序处理数据。
2. 有界数据流（Bounded Data Stream）
对应的，有界数据流有明确定义的开始和结束，如图 1-13 所示，所以我们可以通过获取所有数据来处理有界流。处理有界流就不需要严格保证数据的顺序了，因为总可以对有界数据集进行排序。有界流的处理也就是批处理。
正因为这种架构上的不同，Spark 和 Flink 在不同的应用领域上表现会有差别。一般来说，Spark 基于微批处理的方式做同步总有一个“攒批”的过程，所以会有额外开销，因此无法在流处理的低延迟上做到极致。在低延迟流处理场景，Flink 已经有明显的优势。而在海量数据的批处理领域，Spark 能够处理的吞吐量更大，加上其完善的生态和成熟易用的 API，目前同样优势比较明显。
1.5.2 数据模型和运行架构
除了三观不合，Spark 和 Flink 在底层实现最主要的差别就在于数据模型不同。
Spark 底层数据模型是弹性分布式数据集（RDD），Spark Streaming 进行微批处理的底层接口 DStream，实际上处理的也是一组组小批数据 RDD 的集合。可以看出，Spark 在设计上本身就是以批量的数据集作为基准的，更加适合批处理的场景。而 Flink 的基本数据模型是数据流（DataFlow），以及事件（Event）序列。Flink 基本上是完全按照 Google 的 DataFlow 模型实现的，所以从底层数据模型上看，Flink 是以处理流式数据作为设计目标的，更加适合流处理的场景。数据模型不同，对应在运行处理的流程上，自然也会有不同的架构。Spark 做批计算，需要将任务对应的 DAG 划分阶段（Stage），一个完成后经过 shuffle 再进行下一阶段的计算。而Flink 是标准的流式执行模式，一个事件在一个节点处理完后可以直接发往下一个节点进行处理。
1.5.3 Spark 还是 Flink？
通过前文的分析，我们已经可以看出，Spark 和 Flink 可以说目前是各自有擅长的场景，批处理领域 Spark 称王，而在流处理方面 Flink 当仁不让。具体到项目应用中，不仅要看是流处理还是批处理，还需要在延迟、吞吐量、可靠性，以及开发容易度等多个方面进行权衡。如果在工作中需要从 Spark 和 Flink 这两个主流框架中选择一个来进行实时流处理，我们更加推荐使用 Flink，主要的原因有：
- （1）Flink 的延迟是毫秒级别，而 Spark Streaming 的延迟是秒级延迟。
- （2）Flink 提供了严格的精确一次性语义保证。
- （3）Flink 的窗口 API 更加灵活、语义更丰富。
- （4）Flink 提供事件时间语义，可以正确处理延迟数据。
- （5）Flink 提供了更加灵活的对状态编程的 API。
基于以上特点，使用 Flink 可以解放程序员, 加快编程效率, 把本来需要程序员花大力气手动完成的工作交给框架完成。当然，在海量数据的批处理方面，Spark 还是具有明显的优势。而且 Spark 的生态更加成熟。也会使其在应用中更为方便。相信随着 Flink 的快速发展和完善，这方面的差距会越来越小。另外，Spark 2.0 之后新增的 Structured Streaming 流处理引擎借鉴 DataFlow 进行了大量优化，同样做到了低延迟、时间正确性以及精确一次性语义保证；Spark 2.3 以后引入的连续处理（Continuous Processing）模式，更是可以在至少一次语义保证下做到 1 毫秒的延迟。而 Flink自 1.9 版本合并 Blink 以来，在 SQL 的表达和批处理的能力上同样有了长足的进步。那如果现在要学习一门框架的话，优先选 Spark 还是 Flink 呢？其实我们可以看到，不同的框架各有利弊，同时它们也在互相借鉴、取长补短、不断发展，至于未来是 Spark 还是 Flink、甚至是其他新崛起的处理引擎一统江湖，都是有可能的。作为技术人员，我们应该对不同的架构和思想都有所了解，跳出某个框架的限制，才能看到更广阔的世界。
1.6 小结
本章节主要介绍了 Flink 的源起和应用，引出了流处理相关的一些重要概念，并通过介绍数据处理架构发展演变的过程，为读者展示了 Flink 作为新一代分布式流处理器的架构思想。最后我们还将 Flink 与时下同样火热的处理引擎 Spark 进行了对比，详细阐述了 Flink 在流处理方面的优势。
2. flink快速入门
2.1 环境准备
（1）Windows系统作为开发环境
（2）安装Java8 、Scala2.12
（3）安装IDEA
（4）安装maven和git
2.2 创建项目
1. 创建工程
2. 添加项目依赖
<properties>
<mavenpiler.source>8</mavenpiler.source>
<mavenpiler.target>8</mavenpiler.target>
<project.build.sourceEncoding>UTF-8</project.build.sourceEncoding>
<flink.version>1.13.0</flink.version>
<java.version>1.8</java.version>
<scala.binary.version>2.12</scala.binary.version>
<slf4j.version>1.7.30</slf4j.version>
</properties>
<dependencies>
<!-- 引入 Flink 相关依赖-->
<dependency>
<groupId>org.apache.flink</groupId>
<artifactId>flink-java</artifactId>
<version>${flink.version}</version>
</dependency>
<dependency>
<groupId>org.apache.flink</groupId>
<artifactId>flink-streaming-java_${scala.binary.version}</artifactId>
<version>${flink.version}</version>
</dependency>
<dependency>
<groupId>org.apache.flink</groupId>
<artifactId>flink-clients_${scala.binary.version}</artifactId>
<version>${flink.version}</version>
</dependency>
<!-- 引入日志管理相关依赖-->
<dependency>
<groupId>org.slf4j</groupId>
<artifactId>slf4j-api</artifactId>
<version>${slf4j.version}</version>
</dependency>
<dependency>
<groupId>org.slf4j</groupId>
<artifactId>slf4j-log4j12</artifactId>
<version>${slf4j.version}</version>
</dependency>
<dependency>
<groupId>org.apache.logging.log4j</groupId>
<artifactId>log4j-to-slf4j</artifactId>
<version>2.14.0</version>
</dependency>
</dependencies> 添加flink-clients可以做一些提交、管理的需求。如果只是开发一个应用 clients可以不用引入。在属性中，定义了<scala.binary.version>，这指代的是所依赖的 Scala 版本。Flink 底层是 Java，为什么还会依赖 Scala 呢？这是因为 Flink的架构中使用了 Akka 来实现底层的分布式通信，而 Akka 是用 Scala 开发的。
3. 配置日志管理
resources目录中添加： log4j.properties
log4j.rootLogger=error, stdout
log4j.appender.stdout=org.apache.log4j.ConsoleAppender
log4j.appender.stdout.layout=org.apache.log4j.PatternLayout
log4j.appender.stdout.layout.ConversionPattern=%-4r [%t] %-5p %c %x - %m%n2.3 编写代码
2.3.1 批处理
（1）在工程根目录下新建一个 input 文件夹，并在下面创建文本文件 words.txt
（2）在 words.txt 中输入一些文字，例如：
hello world
hello flink
hello java（3）新建 Java 类 BatchWordCount，在静态 main 方法中编写测试代码。
我们进行单词频次统计的基本思路是：先逐行读入文件数据，然后将每一行文字拆分成单词；接着按照单词分组，统计每组数据的个数，就是对应单词的频次。
import org.apache.flink.apimon.typeinfo.Types;
import org.apache.flink.api.java.ExecutionEnvironment;
import org.apache.flink.api.java.operators.AggregateOperator;
import org.apache.flink.api.java.operators.DataSource;
import org.apache.flink.api.java.operators.FlatMapOperator;
import org.apache.flink.api.java.operators.UnsortedGrouping;
import org.apache.flink.api.java.tuple.Tuple2;
import org.apache.flink.util.Collector;
/**
* BatchWordCount: flink 批处理方式实现WordCount
*
* @author: Seven
* @version: 2024/07/01 21:42
**/
public class BatchWordCount {
public static void main(String[] args) throws Exception {
// 创建执行环境
ExecutionEnvironment env = ExecutionEnvironment.getExecutionEnvironment();
// 从文件中读取数据
DataSource<String> lineDS = env.readTextFile("./input/words.txt");
// 转换数据结构，当使用Lambda表达式时，由于泛型擦除的存在，需要显示声明类型信息
FlatMapOperator<String, Tuple2<String, Long>> wordAndOne = lineDS.flatMap((String line, Collector<Tuple2<String, Long>> out) -> {
String[] words = line.split(" ");
for (String word : words) {
out.collect(Tuple2.of(word, 1L));
}
}).returns(Types.TUPLE(Types.STRING, Types.LONG));
// 按照Word进行分组
UnsortedGrouping<Tuple2<String, Long>> wordAndOneGp = wordAndOne.groupBy(0);
// 聚合
AggregateOperator<Tuple2<String, Long>> sum = wordAndOneGp.sum(1);
// 打印结果
sum.print();
}
}代码说明和注意事项：
① Flink 在执行应用程序前应该获取执行环境对象，也就是运行时上下文环境。
ExecutionEnvironment env = ExecutionEnvironment.getExecutionEnvironment();
② Flink 同时提供了 Java 和 Scala 两种语言的 API，有些类在两套 API 中名称是一样的。所以在引入包时，如果有 Java 和 Scala 两种选择，要注意选用 Java 的包。
③ 直接调用执行环境的 readTextFile 方法，可以从文件中读取数据。
④我们的目标是将每个单词对应的个数统计出来，所以调用 flatmap 方法可以对一行文字进行分词转换。将文件中每一行文字拆分成单词后，要转换成(word,count)形式的二元组，初始 count 都为 1。returns 方法指定的返回数据类型 Tuple2，注意是 Flink 自带的二元组数据类型。
⑤ 在分组时调用了 groupBy 方法，它不能使用分组选择器，只能采用位置索引或属性名称进行分组。
// 使用索引定位
dataStream.groupBy(0)
// 使用类属性名称
dataStream.groupBy("id")⑤ 在分组之后调用 sum 方法进行聚合，同样只能指定聚合字段的位置索引或属性名称。
（4） 运行程序，控制台会打印出结果：
可以看到，我们将文档中的所有单词的频次，全部统计出来，以二元组的形式在控制台打印输出了。需要注意的是，这种代码的实现方式，是基于 DataSet API 的，也就是我们对数据的处理转换，是看作数据集来进行操作的。事实上 Flink 本身是流批统一的处理架构，批量的数据集本质上也是流，没有必要用两套不同的 API 来实现。所以从 Flink 1.12 开始，官方推荐的做法是直接使用 DataStream API，在提交任务时通过将执行模式设为 BATCH 来进行批处理：
$ bin/flink run -Dexecution.runtime-mode=BATCH BatchWordCount.jar
这样，DataSet API 就已经处于“软弃用”（soft deprecated）的状态，在实际应用中我们只要维护一套 DataStream API 就可以了。这里只是为了方便大家理解，我们依然用 DataSet API做了批处理的实现。
2.3.2 流处理
用 DataSet API 可以很容易地实现批处理；与之对应，流处理当然可以用DataStream API 来实现。对于 Flink 而言，流才是整个处理逻辑的底层核心，所以流批统一之后的 DataStream API 更加强大，可以直接处理批处理和流处理的所有场景
1. 读取文件（有界流）
（1） 新建 Java 类 BoundedStreamWordCount，在静态 main 方法中编写测试代码。具体代码实现如下：
package com.hwcloud.flink.wordcount;
import org.apache.flink.apimon.typeinfo.Types;
import org.apache.flink.api.java.tuple.Tuple2;
import org.apache.flink.streaming.api.datastream.DataStreamSource;
import org.apache.flink.streaming.api.datastream.SingleOutputStreamOperator;
import org.apache.flink.streaming.api.environment.StreamExecutionEnvironment;
import org.apache.flink.util.Collector;
import java.util.Arrays;
/**
* @Project: flink-demos
* @Package: com.hwcloud.flink.wordcount
* @Class： BoundedWordCount
* @Author: Seven
* @CreateTime: 2024-07-01 22:52
* @Description: 有界流的处理
* @Version: 1.0
*/
public class BoundedWordCount {
public static void main(String[] args) throws Exception {
//1.创建执行环境
StreamExecutionEnvironment env = StreamExecutionEnvironment.getExecutionEnvironment();
//2.从文件读取数据
DataStreamSource<String> lineDS = env.readTextFile("./input/words.txt");
//3.对数据进行转换,第一个参数是输入数据，第二个参数是对转换过后做输入用的,泛型擦除，需要指明输出的数据类型
SingleOutputStreamOperator<Tuple2<String, Integer>> wordAndOne =
lineDS.flatMap((String line, Collector<String> out) -> {
Arrays.stream(line.split(" ")).forEach(out::collect);
}).returns(Types.STRING)
.map(word -> Tuple2.of(word, 1))
.returns(Types.TUPLE(Types.STRING, Types.INT));
//分组求和
SingleOutputStreamOperator<Tuple2<String, Integer>> sum = wordAndOne.keyBy(t -> t.f0).sum(1);
//4.打印
sum.print();
//5.执行
env.execute();
}
}
主要观察与批处理程序 BatchWordCount 的不同：
-> 创建执行环境的不同，流处理程序使用的是 StreamExecutionEnvironment。
-> 每一步处理转换之后，得到的数据对象类型不同。
-> 分组操作调用的是 keyBy 方法，可以传入一个匿名函数作为键选择器（KeySelector），指定当前分组的 key 是什么。
-> 代码末尾需要调用 env 的 execute 方法，开始执行任务。
（2） 运行程序，控制台输出结果如下:
可以看到，这与批处理的结果是完全不同的。批处理针对每个单词，只会输出一个最终的统计个数；而在流处理的打印结果中，“hello”这个单词每出现一次，都会有一个频次统计数据输出。这就是流处理的特点，数据逐个处理，每来一条数据就会处理输出一次。我们通过打印结果，可以清晰地看到单词“hello”数量增长的过程。看到这里大家可能又会有新的疑惑：我们读取文件，第一行应该是“hello flink”，怎么这里输出的第一个单词是“world”呢？每个输出的结果二元组，前面都有一个数字，这又是什么呢？
我们可以先做个简单的解释。Flink 是一个分布式处理引擎，所以我们的程序应该也是分布式运行的。在开发环境里，会通过多线程来模拟 Flink 集群运行。所以这里结果前的数字，其实就指示了本地执行的不同线程，对应着 Flink 运行时不同的并行资源。这样第一个乱序的问题也就解决了：既然是并行执行，不同线程的输出结果，自然也就无法保持输入的顺序了。另外需要说明，这里显示的编号，是由于运行电脑的 CPU 是 44 核88线程，所以默认模拟的并行线程有 88个。这段代码不同的运行环境，得到的结果会是不同的。关于 Flink 程序并行执行的数量，可以通过设定“并行度”（Parallelism）来进行配置，我们会在后续章节详细讲解这些内容。
2. 读取文本流（无界流）
在实际的生产环境中，真正的数据流其实是无界的，有开始却没有结束，这就要求我们需要保持一个监听事件的状态，持续地处理捕获的数据。为了模拟这种场景，我们就不再通过读取文件来获取数据了，而是监听数据发送端主机的指定端口，统计发送来的文本数据中出现过的单词的个数。具体实现上，我们只要对BoundedStreamWordCount 代码中读取数据的步骤稍做修改，就可以实现对真正无界流的处理。 下载netcat-win32-1.12.zip并解压后进入netcat-win32-1.12目录。并执行：nc -lp 7777 备用。
Windows 输入nc.exe -lp 7777 备用
（1）新建一个 Java 类 StreamWordCount，将 BoundedStreamWordCount 代码中读取文件数据的 readTextFile 方法，替换成读取 socket 文本流的方法 socketTextStream。具体代码实现如下：
package com.hwcloud.flink.wordcount;
import org.apache.flink.apimon.typeinfo.Types;
import org.apache.flink.api.java.tuple.Tuple2;
import org.apache.flink.streaming.api.datastream.DataStreamSource;
import org.apache.flink.streaming.api.datastream.SingleOutputStreamOperator;
import org.apache.flink.streaming.api.environment.StreamExecutionEnvironment;
import org.apache.flink.util.Collector;
import java.util.Arrays;
/**
* @Name： StreamWordCount
* @Author: Seven
* @CreateTime: 2024-07-01 22:59
* @Description: 无界流处理
* @Version: 1.0
*/
public class StreamWordCount {
public static void main(String[] args) throws Exception {
//1.创建执行环境
StreamExecutionEnvironment env = StreamExecutionEnvironment.getExecutionEnvironment();
//2.从文件读取数据
DataStreamSource<String> lineDS = env.socketTextStream("localhost", 7777);
//3.对数据进行转换,第一个参数是输入数据，第二个参数是对转换过后做输入用的,泛型擦除，需要指明输出的数据类型
SingleOutputStreamOperator<Tuple2<String, Integer>> wordAndOne =
lineDS.flatMap((String line, Collector<String> out) -> {
Arrays.stream(line.split(" ")).forEach(out::collect);
}).returns(Types.STRING)
.map(word -> Tuple2.of(word, 1))
.returns(Types.TUPLE(Types.STRING, Types.INT));
//分组求和
SingleOutputStreamOperator<Tuple2<String, Integer>> sum = wordAndOne.keyBy(t -> t.f0).sum(1);
//4.打印
sum.print();
//5.执行
env.execute();
}
}代码说明和注意事项：
-> socket 文本流的读取需要配置两个参数：发送端主机名和端口号。这里代码中指定了主机“localhost”的 7777 端口作为发送数据的 socket 端口，读者可以根据测试环境自行配置。
-> 在实际项目应用中，主机名和端口号这类信息往往可以通过配置文件，或者传入程序运行参数的方式来指定。
-> socket文本流数据的发送，可以通过Linux系统自带的netcat工具进行模拟。
（2）在主机上，执行下列命令，发送数据进行测试： nc -l -p 7777
（3）启动 StreamWordCount 程序
我们会发现程序启动之后没有任何输出、也不会退出。这是正常的——因为 Flink 的流处理是事件驱动的，当前程序会一直处于监听状态，只有接收到数据才会执行任务、输出统计结果。
（4）从主机发送数据：
现象：
Caused by: java.io.IOException: Insufficient number of network buffers: required 65, but only 33 available. The total number of network buffers is currently set to 2048 of 32768 bytes each. You can increase this number by setting the configuration keys 'taskmanager.memorywork.fraction', 'taskmanager.memorywork.min', and 'taskmanager.memorywork.max'.
at org.apache.flink.runtime.iowork.buffer.NetworkBufferPool.internalCreateBufferPool(NetworkBufferPool.java:372)
at org.apache.flink.runtime.iowork.buffer.NetworkBufferPool.createBufferPool(NetworkBufferPool.java:350)
at org.apache.flink.runtime.iowork.partition.ResultPartitionFactory.lambda$createBufferPoolFactory$0(ResultPartitionFactory.java:280)
at org.apache.flink.runtime.iowork.partition.ResultPartition.setup(ResultPartition.java:150)
at org.apache.flink.runtime.iowork.partition.BufferWritingResultPartition.setup(BufferWritingResultPartition.java:95)
at org.apache.flink.runtime.taskmanager.Task.setupPartitionsAndGates(Task.java:943)
at org.apache.flink.runtime.taskmanager.Task.doRun(Task.java:652)
at org.apache.flink.runtime.taskmanager.Task.run(Task.java:563)
at java.lang.Thread.run(Thread.java:750)
解决方案一：
环境情况（44核88线程的CPU，256GB内存），您可以根据以下建议来设置网络缓冲区的相关参数。
这些参数可以通过修改 Apache Flink 的配置文件来实现。
一般情况下，为了充分利用集群资源，您需要根据实际情况进行调整。
1. **taskmanager.memorywork.fraction**：这个参数定义了 TaskManager 可以使用的 JVM 堆内存的百分比来分配给网络缓冲区。可以考虑设置为 0.1 或更高的值。
2. **taskmanager.memorywork.min**：此参数定义了 TaskManager 至少应该分配给网络缓冲区的内存量。建议将其设置为一个较小的固定值。
3. **taskmanager.memorywork.max**：这个参数规定了 TaskManager 可以用于网络缓冲区的最大内存量。根据您的环境，可以适当提高这个值以增加网络缓冲区的容量。
在您的情况下，您可以尝试设置这些参数为以下值：
- taskmanager.memorywork.fraction = 0.1
- taskmanager.memorywork.min = 1GB （即 1024MB）
- taskmanager.memorywork.max = 4GB （即 4096MB）
请注意，这些值是作为起点的建议值，根据工作负载和实际性能表现，可能需要进一步调整。在进行设置时，请确保您对系统资源的使用和性能有适当的监控，以便根据实际情况进行调整。
解决方案二：
env.setParallelism(4);
2.4 本章总结
本章主要实现一个 Flink 开发的入门程序——词频统计 WordCount。通过批处理和流处理两种不同模式的实现，可以对 Flink 的 API 风格和编程方式有所熟悉，并且更加深刻地理解批处理和流处理的不同。另外，通过读取有界数据（文件）和无界数据（socket 文本流）进行流处理的比较，我们也可以更加直观地体会到 Flink 流处理的方式和特点。
3. flink部署
在上一章中，我们在集成开发环境里编写 Flink 代码，然后运行测试。细心的读者应该会发现：对于读取文本流的流处理程序，运行之后其实并不会去直接执行代码中定义好的操作 -- 因为这时还没有数据；只有在输入数据之后，才会触发分词转换、分组统计的一系列处理操作。可明明我们的代码顺序执行，会调用到 flatMap、keyBy 和 sum 等一系列处理方法，这是怎么回事呢？
这涉及 Flink 作业提交运行的原理。我们编写的代码，对应着在 Flink 集群上执行的一个作业；所以我们在本地执行代码，其实是先模拟启动一个 Flink 集群，然后将作业提交到集群上，创建好要执行的任务等待数据输入。这里需要提到 Flink 中的几个关键组件：客户端（Client）、作业管理器（JobManager）和任务管理器（TaskManager）。我们的代码，实际上是由客户端获取并做转换，之后提交给JobManger 的。所以 JobManager 就是 Flink 集群里的“管理者”，对作业进行中央调度管理；而它获取到要执行的作业后，会进一步处理转换，然后分发任务给众多的 TaskManager。这里的 TaskManager，就是真正“干活的人”，数据的处理操作都是它们来做的，如图 3-1 所示。
关于 Flink 中各组件的作用和作业提交及运行时的架构，我们会在下一章详细展开讲解。在实际项目应用中，我们当然不能使用开发环境的模拟集群，而是需要将 Flink 部署在生产集群环境中，然后在将作业提交到集群上运行。所以本章我们就来介绍 Flink 的部署及作业提交的流程。Flink 是一个非常灵活的处理框架，它支持多种不同的部署场景，还可以和不同的资源管理平台方便地集成。所以接下来我们会先做一个简单的介绍，让大家有一个初步的认识，之后再展开讲述不同情形下的 Flink 部署。
3.1 快速启动一个 Flink 集群
3.1.1 环境配置
Flink 是一个分布式的流处理框架，所以实际应用一般都需要搭建集群环境。我们在进行Flink 安装部署的学习时，需要准备 3 台 Linux 机器。
3.1.2 本地启动
最简单的启动方式，其实是不搭建集群，直接本地启动。本地部署非常简单，直接解压安装包就可以使用，不用进行任何配置；一般用来做一些简单的测试。具体安装步骤如下：
1. 下载安装包
进入 Flink 官网，下载 1.13.0 版本安装包 flink-1.13.0-bin-scala_2.12.tgz，注意此处选用对应 scala 版本为 scala 2.12 的安装包。
2. 解压
在 hadoop102 节点服务器上创建安装目录/opt/module，将 flink 安装包放在该目录下，并执行解压命令，解压至当前目录。
3. 启动
进入解压后的目录，执行启动命令，并查看进程。
$ cd flink-1.13.0/
$ bin/start-cluster.sh
Starting cluster.
Starting standalonesession daemon on host hadoop102.
Starting taskexecutor daemon on host hadoop102.
$ jps
10369 StandaloneSessionClusterEntrypoint
10680 TaskManagerRunner
10717 Jps4. 访问 Web UI
启动成功后，访问 http://hadoop102:8081，可以对 flink 集群和任务进行监控管理，如图 3-2所示。
5. 关闭集群
如果想要让 Flink 集群停止运行，可以执行以下命令：
$ bin/stop-cluster.sh
Stopping taskexecutor daemon (pid: 10680) on host hadoop102.
Stopping standalonesession daemon (pid: 10369) on host hadoop1023.1.3 集群启动
可以看到，Flink 本地启动非常简单，直接执行 start-cluster.sh 就可以了。如果我们想要扩展成集群，其实启动命令是不变的，主要是需要指定节点之间的主从关系。Flink 是典型的 Master-Slave 架构的分布式数据处理框架，其中 Master 角色对应着JobManager，Slave 角色则对应 TaskManager。我们对三台节点服务器的角色分配如表 3-1 所示。
具体安装部署步骤如下：
1. 下载并解压安装包：具体操作与上节相同。
2. 修改集群配置
（1）进入 conf 目录下，修改 flink-conf.yaml 文件，修改 jobmanager.rpc.address 参数为hadoop102，如下所示：
$ cd conf/
$ vim flink-conf.yaml
# JobManager 节点地址.
jobmanager.rpc.address: hadoop102
jobmanager.bind-host: hadoop102
taskmanager.bind-host: 0.0.0.0
taskmanager.host: 0.0.0.0
rest.address: 0.0.0.0
rest.bind-address: 0.0.0.0
修改masters文件：hadoop102:8081（2）修改 workers 文件，将另外两台节点服务器添加为本 Flink 集群的 TaskManager 节点，具体修改如下：
$ vim workers
hadoop103
hadoop104这样就指定了 hadoop103 和 hadoop104 为 TaskManager 节点。
（3）另外，在 flink-conf.yaml 文件中还可以对集群中的 JobManager 和 TaskManager 组件进行优化配置，主要配置项如下：
-> jobmanager.memory.process.size：对 JobManager 进程可使用到的全部内存进行配置，包括 JVM 元空间和其他开销，默认为 1600M，可以根据集群规模进行适当调整。
-> taskmanager.memory.process.size：对 TaskManager 进程可使用到的全部内存进行配置，包括 JVM 元空间和其他开销，默认为 1600M，可以根据集群规模进行适当调整。
-> taskmanager.numberOfTaskSlots：对每个 TaskManager 能够分配的 Slot 数量进行配置，默认为 1，可根据 TaskManager 所在的机器能够提供给 Flink 的 CPU 数量决定。所谓Slot 就是 TaskManager 中具体运行一个任务所分配的计算资源。
-> parallelism.default：Flink 任务执行的默认并行度，优先级低于代码中进行的并行度配置和任务提交时使用参数指定的并行度数量。
关于 Slot 和并行度的概念，我们会在下一章做详细讲解。
3. 分发安装目录
配置修改完毕后，将 Flink 安装目录发给另外两个节点服务器。
$ scp -r ./flink-1.13.0 atguigu@hadoop103:/opt/module
$ scp -r ./flink-1.13.0 atguigu@hadoop104:/opt/module4. 启动集群
（1）在 hadoop102 节点服务器上执行 start-cluster.sh 启动 Flink 集群：
$ bin/start-cluster.sh
Starting cluster.
Starting standalonesession daemon on host hadoop102.
Starting taskexecutor daemon on host hadoop103.
Starting taskexecutor daemon on host hadoop104.（2）查看进程情况：
[hadoop102 flink-1.13.0]$ jps
13859 Jps
13782 StandaloneSessionClusterEntrypoint
[hadoop103 flink-1.13.0]$ jps
12215 Jps
12124 TaskManagerRunner
[hadoop104 flink-1.13.0]$ jps
11602 TaskManagerRunner
11694 Jps5. 访问 Web UI
启动成功后，同样可以访问 http://hadoop102:8081 对 flink 集群和任务进行监控管理，如图3-3 所示。
这里可以明显看到，当前集群的 TaskManager 数量为 2；由于默认每个 TaskManager 的 Slot数量为 1，所以总 Slot 数和可用 Slot 数都为 2。
3.1.4 向集群提交作业
在上一章中，我们已经编写了词频统计的批处理和流处理的示例程序，并在开发环境的模拟集群上做了运行测试。现在既然已经有了真正的集群环境，那接下来我们就要把作业提交上去执行了。本节我们将以流处理的程序为例，演示如何将任务提交到集群中进行执行。具体步骤如下。
1. 程序打包
（1）为方便自定义结构和定制依赖，我们可以引入插件 maven-assembly-plugin 进行打包。在 FlinkTutorial 项目的 pom.xml 文件中添加打包插件的配置，具体如下：
<build>
<plugins>
<plugin>
<groupId>org.apache.maven.plugins</groupId>
<artifactId>maven-assembly-plugin</artifactId>
<version>3.6.0</version>
<configuration>
<descriptorRefs>
<descriptorRef>jar-with-dependencies</descriptorRef>
</descriptorRefs>
</configuration>
<executions>
<execution>
<id>make-assembly</id>
<phase>package</phase>
<goals>
<goal>single</goal>
</goals>
</execution>
</executions>
</plugin>
</plugins>
</build>
$ bin/flink run -m hadoop102:8081 -c com.wc.StreamWordCount ./FlinkTutorial-1.0-SNAPSHOT.jar这里的参数 –m 指定了提交到的 JobManager，-c 指定了入口类。
（ 4 ）在浏览器中打开 Web UI ， http://hadoop102:8081 查看应用执行情况，如图 3-9 所示。 用 netcat 输入数据，可以在 TaskManager 的标准输出（ Stdout ）看到对应的统计结果。 （ 5 ）在 log 日志中，也可以查看执行结果，需要找到执行该数据任务的 TaskManager 节点查看日志。3.2 部署模式
在一些应用场景中，对于集群资源分配和占用的方式，可能会有特定的需求。Flink 为各种场景提供了不同的部署模式，主要有以下三种： ⚫ 会话模式（ Session Mode ） ⚫ 单作业模式（ Per-Job Mode ） ⚫ 应用模式（ Application Mode ） 它们的区别主要在于：集群的生命周期以及资源的分配方式；以及应用的 main 方法到底在哪里执行——客户端（Client ）还是 JobManager 。接下来我们就做一个展开说明。3.2.1 会话模式（Session Mode）
会话模式其实最符合常规思维。我们需要先启动一个集群，保持一个会话，在这个会话中通过客户端提交作业，如图 3-10 所示。集群启动时所有资源就都已经确定，所以所有提交的作业会竞争集群中的资源。 这样的好处很明显，我们只需要一个集群，就像一个大箱子，所有的作业提交之后都塞进 去；集群的生命周期是超越于作业之上的，铁打的营盘流水的兵，作业结束了就释放资源，集群依然正常运行。当然缺点也是显而易见的：因为资源是共享的，所以资源不够了，提交新的作业就会失败。另外，同一个 TaskManager 上可能运行了很多作业，如果其中一个发生故障导致 TaskManager 宕机，那么所有作业都会受到影响。 我们在 3.1 节中先启动集群再提交作业，这种方式其实就是会话模式。 会话模式比较适合于 单个规模小、执行时间短的大量作业 。3.2.2 单作业模式（Per-Job Mode）
会话模式因为资源共享会导致很多问题，所以为了更好地隔离资源，我们可以考虑为每个提交的作业启动一个集群，这就是所谓的单作业（ Per-Job ）模式，如图 3-11 所示。 单作业模式也很好理解，就是严格的一对一，集群只为这个作业而生。同样由客户端运行应用程序，然后启动集群，作业被提交给 JobManager ，进而分发给 TaskManager 执行。作业作业完成后，集群就会关闭，所有资源也会释放。这样一来，每个作业都有它自己的 JobManager管理，占用独享的资源，即使发生故障，它的 TaskManager 宕机也不会影响其他作业。这些特性使得单作业模式在生产环境运行更加稳定，所以是实际应用的首选模式。需要注意的是， Flink 本身无法直接这样运行，所以单作业模式一般需要借助一些资源管理框架来启动集群，比如 YARN 、 Kubernetes 。3.2.3 应用模式（Application Mode）
前面提到的两种模式下，应用代码都是在客户端上执行，然后由客户端提交给 JobManager的。但是这种方式客户端需要占用大量网络带宽，去下载依赖和把二进制数据发送给JobManager ；加上很多情况下我们提交作业用的是同一个客户端，就会加重客户端所在节点的 资源消耗。 所以解决办法就是，我们不要客户端了，直接把应用提交到 JobManger 上运行。而这也就代表着，我们需要为每一个提交的应用单独启动一个 JobManager，也就是创建一个集群。这个 JobManager 只为执行这一个应用而存在，执行结束之后 JobManager 也就关闭了，这就是所 谓的应用模式，如图 3-12 所示。 应用模式与单作业模式，都是提交作业之后才创建集群；单作业模式是通过客户端来提交 的，客户端解析出的每一个作业对应一个集群；而应用模式下，是直接由 JobManager 执行应 用程序的，并且即使应用包含了多个作业，也只创建一个集群。 总结一下，在会话模式下，集群的生命周期独立于集群上运行的任何作业的生命周期，并 且提交的所有作业共享资源。而单作业模式为每个提交的作业创建一个集群，带来了更好的资 源隔离，这时集群的生命周期与作业的生命周期绑定。最后，应用模式为每个应用程序创建一 个会话集群，在 JobManager 上直接调用应用程序的 main() 方法。 我们所讲到的部署模式，相对是比较抽象的概念。实际应用时，一般需要和资源管理平台 结合起来，选择特定的模式来分配资源、部署应用。接下来，我们就针对不同的资源提供者 （ Resource Provider ）的场景，具体介绍 Flink 的部署方式。3.3 独立模式（Standalone）
独立模式（Standalone ）是部署 Flink 最基本也是最简单的方式：所需要的所有 Flink 组件， 都只是操作系统上运行的一个 JVM 进程。 独立模式是独立运行的，不依赖任何外部的资源管理平台；当然独立也是有代价的：如果 资源不足，或者出现故障，没有自动扩展或重分配资源的保证，必须手动处理。所以独立模式 一般只用在开发测试或作业非常少的场景下。 另外，我们也可以将独立模式的集群放在容器中运行。Flink 提供了独立模式的容器化部 署方式，可以在 Docker 或者 Kubernetes 上进行部署。3.3.1 会话模式部署
可以发现，独立模式的特点是不依赖外部资源管理平台，而会话模式的特点是先启动集群、 后提交作业。所以，我们在第 3.1 节用的就是独立模式（ Standalone ）的会话模式部署。3.3.2 单作业模式部署
在 3.2.2 节中我们提到， Flink 本身无法直接以单作业方式启动集群，一般需要借助一些资 源管理平台。所以 Flink 的独立（Standalone）集群并不支持单作业模式部署 。3.3.3 应用模式部署
应用模式下不会提前创建集群，所以不能调用 start-cluster.sh 脚本。我们可以使用同样在 bin 目录下的 standalone-job.sh 来创建一个 JobManager 。 具体步骤如下： （ 1 ）进入到 Flink 的安装路径下，将应用程序的 jar 包放到 lib/ 目录下。 $ cp ./FlinkTutorial-1.0-SNAPSHOT.jar lib/ （ 2 ）执行以下命令，启动 JobManager 。 $ ./bin/standalone-job.sh start --job-classname com.wc.StreamWordCount 这里我们直接指定作业入口类，脚本会到 lib 目录扫描所有的 jar 包。 （ 3 ）同样是使用 bin 目录下的脚本，启动 TaskManager 。 $ ./bin/taskmanager.sh start （ 4 ）如果希望停掉集群，同样可以使用脚本，命令如下。 $ ./bin/standalone-job.sh stop $ ./bin/taskmanager.sh stop3.3.4 高可用(High Availability )
分布式除了提供高吞吐，另一大好处就是有更好的容错性。对于 Flink 而言，因为一般会 有多个 TaskManager ，即使运行时出现故障，也不需要将全部节点重启，只要尝试重启故障节 点就可以了。但是我们发现，针对一个作业而言，管理它的 JobManager 却只有一个，这同样 有可能出现单点故障。为了实现更好的可用性，我们需要 JobManager 做一些主备冗余，这就 是所谓的高可用（ High Availability ，简称 HA ）。 我们可以通过配置，让集群在任何时候都有一个主 JobManager 和多个备用 JobManagers ， 如图 3-13 所示，这样主节点故障时就由备用节点来接管集群，接管后作业就可以继续正常运 行。主备 JobManager 实例之间没有明显的区别，每个 JobManager 都可以充当主节点或者备 节点。 具体配置如下： （ 1 ）进入 Flink 的安装路径下的 conf 目录下，修改配置文件 : flink-conf.yaml，增加如下配置。high-availability: zookeeper
high-availability.storageDir: hdfs://hadoop102:9820/flink/standalone/ha
high-availability.zookeeper.quorum:
hadoop102:2181,hadoop103:2181,hadoop104:2181
high-availability.zookeeper.path.root: /flink-standalone
high-availability.cluster-id: /cluster_testhadoop102:8081
hadoop103:8081export HADOOP_CLASSPATH=`hadoop classpath`[zk: localhost:2181(CONNECTED) 1] get /flink-standalone/cluster_test/leader/rest_server_lock杀死 hadoop102 上的 Jobmanager, 再看 leader。
注意: 不管是不是 leader，从 WEB UI 上是看不到区别的, 都可以提交应用。
3.4 YARN 模式
独立（Standalone ）模式由 Flink 自身提供资源，无需其他框架，这种方式降低了和其他 第三方资源框架的耦合性，独立性非常强。但我们知道， Flink 是大数据计算框架，不是资源 调度框架，这并不是它的强项；所以还是应该让专业的框架做专业的事，和其他资源调度框架 集成更靠谱。而在目前大数据生态中，国内应用最为广泛的资源管理平台就是 YARN 了。所 以接下来我们就将学习，在强大的 YARN 平台上 Flink 是如何集成部署的。 整体来说，YARN 上部署的过程是：客户端把 Flink 应用提交给 Yarn 的 ResourceManager, Yarn 的 ResourceManager 会向 Yarn 的 NodeManager 申请容器。在这些容器上， Flink 会部署 JobManager 和 TaskManager 的实例，从而启动集群。 Flink 会根据运行在 JobManger 上的作业 所需要的 Slot 数量动态分配 TaskManager 资源。3.4.1 相关准备和配置
在 Flink1.8.0 之前的版本，想要以 YARN 模式部署 Flink 任务时，需要 Flink 是有 Hadoop 支持的。从 Flink 1.8 版本开始，不再提供基于 Hadoop 编译的安装包，若需要 Hadoop 的环境 支持，需要自行在官网下载 Hadoop 相关版本的组件 flink-shaded-hadoop-2-uber-2.7.5-10.0.jar ， 并将该组件上传至 Flink 的 lib 目录下。在 Flink 1.11.0 版本之后，增加了很多重要新特性，其 中就包括增加了对 Hadoop3.0.0 以及更高版本 Hadoop 的支持，不再提供“ flink-shaded-hadoop-* ” jar 包，而是通过配置环境变量完成与 YARN 集群的对接。 在将 Flink 任务部署至 YARN 集群之前，需要确认集群是否安装有 Hadoop ，保证 Hadoop 版本至少在 2.2 以上，并且集群中安装有 HDFS 服务。 具体配置步骤如下： （ 1 ）按照 3.1 节所述，下载并解压安装包，并将解压后的安装包重命名为 flink-1.13.0-yarn ， 本节的相关操作都将默认在此安装路径下执行。 （ 2 ）配置环境变量，增加环境变量配置如下：$ sudo vim /etc/profile.d/my_env.sh
HADOOP_HOME=/opt/module/hadoop-2.7.5
export PATH=$PATH:$HADOOP_HOME/bin:$HADOOP_HOME/sbin
export HADOOP_CONF_DIR=${HADOOP_HOME}/etc/hadoop
export HADOOP_CLASSPATH=`hadoop classpath`$ cd /opt/module/flink-1.13.0-yarn/conf/
$ vim flink-conf.yaml
jobmanager.memory.process.size: 1600m
taskmanager.memory.process.size: 1728m
taskmanager.numberOfTaskSlots: 8
parallelism.default: 13.4.2 会话模式部署
YARN 的会话模式与独立集群略有不同，需要首先申请一个 YARN 会话（ YARN session ） 来启动 Flink 集群。具体步骤如下： 1. 启动集群 （ 1 ）启动 hadoop 集群 (HDFS, YARN) 。 （ 2 ）执行脚本命令向 YARN 集群申请资源，开启一个 YARN 会话，启动 Flink 集群。 $ bin/yarn-session.sh -nm test 可用参数解读： ⚫ -d ：分离模式，如果你不想让 Flink YARN 客户端一直前台运行，可以使用这个参数， 即使关掉当前对话窗口， YARN session 也可以后台运行。 ⚫ -jm(--jobManagerMemory) ：配置 JobManager 所需内存，默认单位 MB 。 ⚫ -nm(--name) ：配置在 YARN UI 界面上显示的任务名。 ⚫ -qu(--queue) ：指定 YARN 队列名。 ⚫ -tm(--taskManager) ：配置每个 TaskManager 所使用内存。 注意： Flink1.11.0 版本不再使用 -n 参数和 -s 参数分别指定 TaskManager 数量和 slot 数量， YARN 会按照需求动态分配 TaskManager 和 slot 。所以从这个意义上讲， YARN 的会话模式也 不会把集群资源固定，同样是动态分配的。 YARN Session 启动之后会给出一个 web UI 地址以及一个 YARN application ID ，如下所示， 用户可以通过 web UI 或者命令行两种方式提交作业。2021-06-03 15:54:27,069 INFO org.apache.flink.yarn.YarnClusterDescriptor
[] - YARN application has been deployed successfully.
2021-06-03 15:54:27,070 INFO org.apache.flink.yarn.YarnClusterDescriptor
[] - Found Web Interface hadoop104:39735 of application
'application_1622535605178_0003'.
JobManager Web Interface: http://hadoop104:39735$ bin/flink run -c com.wc.StreamWordCount FlinkTutorial-1.0-SNAPSHOT.jar3.4.3 单作业模式部署
在 YARN 环境中，由于有了外部平台做资源调度，所以我们也可以直接向 YARN 提交一 个单独的作业，从而启动一个 Flink 集群。 （ 1 ）执行命令提交作业。$ bin/flink run -d -t yarn-per-job -c com.wc.StreamWordCount FlinkTutorial-1.0-SNAPSHOT.jar早期版本也有另一种写法：
$ bin/flink run -m yarn-cluster -c com.wc.StreamWordCount FlinkTutorial-1.0-SNAPSHOT.jar注意这里是通过参数-m yarn-cluster 指定向 YARN 集群提交任务。
（2）在 YARN 的 ResourceManager 界面查看执行情况，如图 3-16 所示。
$ ./bin/flink list -t yarn-per-job -Dyarn.application.id=application_XXXX_YY
$ ./bin/flink cancel -t yarn-per-job -Dyarn.application.id=application_XXXX_YY <jobId>3.4.4 应用模式部署
应用模式同样非常简单，与单作业模式类似，直接执行 flink run-application 命令即可。 （ 1 ）执行命令提交作业。$ bin/flink run-application -t yarn-application -c com.wc.StreamWordCount FlinkTutorial-1.0-SNAPSHOT.jar$ ./bin/flink list -t yarn-application -Dyarn.application.id=application_XXXX_YY
$ ./bin/flink cancel -t yarn-application -Dyarn.application.id=application_XXXX_YY <jobId>$ ./bin/flink run-application -t yarn-application
-Dyarn.provided.lib.dirs="hdfs://myhdfs/my-remote-flink-dist-dir"
hdfs://myhdfs/jars/my-application.jar3.4.5 高可用
YARN 模式的高可用和独立模式（ Standalone ）的高可用原理不一样。 Standalone 模式中 , 同时启动多个 JobManager, 一个为“领导者”（ leader ），其他为“后备” （ standby ） , 当 leader 挂了 , 其他的才会有一个成为 leader 。 而 YARN 的高可用是只启动一个 Jobmanager, 当这个 Jobmanager 挂了之后 , YARN 会再次 启动一个 , 所以其实是利用的 YARN 的重试次数来实现的高可用。 （ 1 ）在 yarn-site.xml 中配置。<property>
<name>yarn.resourcemanager.am.max-attempts</name>
<value>4</value>
<description>
The maximum number of application master execution attempts.
</description>
</property>yarn.application-attempts: 3
high-availability: zookeeper
high-availability.storageDir: hdfs://hadoop102:9820/flink/yarn/ha
high-availability.zookeeper.quorum:
hadoop102:2181,hadoop103:2181,hadoop104:2181
high-availability.zookeeper.path.root: /flink-yarn3.5 K8S 模式
容器化部署是如今业界流行的一项技术，基于 Docker 镜像运行能够让用户更加方便地对 应用进行管理和运维。容器管理工具中最为流行的就是 Kubernetes （ k8s ），而 Flink 也在最近 的版本中支持了 k8s 部署模式。基本原理与 YARN 是类似的，具体配置可以参见官网说明， 这里我们就不做过多讲解了。3.6 本章总结
Flink 支持多种不同的部署模式，还可以和不同的资源管理平台方便地集成。本章从快速 启动的示例入手，接着介绍了 Flink 中几种部署模式的区别，并进一步针对不同的资源提供者 展开讲解了具体的部署操作。在这个过程中，我们不仅熟悉了 Flink 的使用方法，而且接触到 了很多内部运行原理的知识。 关于 Flink 运行时组件概念的作用，以及作业提交运行的流程架构，我们会在下一章进一 步详细展开。4. flink运行时架构
接下来我们就将钻研 Flink 内部，探讨它的运行时架构，详细分析在不同部署环境中的作业提交流程，深入了解 Flink 设计架构中的主要概念和原理。
4.1 系统架构
对于数据处理系统的架构，最简单的实现方式当然就是单节点。当数据量增大、处理计算更加复杂时，我们可以考虑增加 CPU 数量、加大内存，也就是让这一台机器变得性能更强大， 从而提高吞吐量——这就是所谓的 SMP （ Symmetrical Multi-Processing，对称多处理）架构。但是这样做问题非常明显：所有 CPU 是完全平等、共享内存和总线资源的，这就势必造成资源竞争；而且随着 CPU 核心数量的增加，机器的成本会指数增长，所以 SMP 的可扩展性是比较差的，无法应对海量数据的处理场景。 于是人们提出了“不共享任何东西”（ share-nothing ）的分布式架构。从以 Greenplum 为代 表的 MPP （ Massively Parallel Processing ，大规模并行处理）架构，到 Hadoop 、 Spark 为代表的批处理架构，再到 Storm 、 Flink 为代表的流处理架构，都是以分布式作为系统架构的基本形态的。 我们已经知道，Flink 就是一个分布式的并行流处理系统。简单来说，它会由多个进程构 成，这些进程一般会分布运行在不同的机器上。 正如一个团队，人多了就会难以管理；对于一个分布式系统来说，也需要面对很多棘手的问题。其中的核心问题有： 集群中资源的分配和管理、进程协调调度、持久化和高可用的数据存储，以及故障恢复 。 对于这些分布式系统的经典问题，业内已有比较成熟的解决方案和服务。所以 Flink 并不会自己去处理所有的问题，而是利用了现有的集群架构和服务，这样它就可以把精力集中在核心工作——分布式数据流处理上了。 Flink 可以配置为独立（ Standalone）集群运行，也可以方便地跟一些集群资源管理工具集成使用，比如 YARN 、 Kubernetes 和 Mesos 。 Flink 也不会自己去提供持久化的分布式存储，而是直接利用了已有的分布式文件系统（比如 HDFS）或者对象存储（比如 S3 ）。而对于高可用的配置， Flink 是依靠 Apache ZooKeeper 来完成的。我们所要重点了解的，就是在 Flink 中有哪些组件、是怎样具体实现一个分布式流处理系统的。如果大家对 Spark 或者 Storm 比较熟悉，那么稍后就会发现， Flink 其实有类似的概念和架构。4.1.1 整体构成
Flink 的运行时架构中，最重要的就是两大组件：作业管理器（ JobManger）和任务管理器 （ TaskManager ）。对于一个提交执行的作业， JobManager 是真正意义上的“管理者”( Master) ， 负责管理调度，所以在不考虑高可用的情况下只能有一个；而 TaskManager 是“工作者” （ Worker 、 Slave ），负责执行任务处理数据，所以可以有一个或多个。 Flink 的作业提交和任务 处理时的系统如图 4-1 所示。 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。我们在上一章中不论通过 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。 JobManager 和 TaskManagers 可以以不同的方式启动： ⚫ 作为独立（ Standalone ）集群的进程，直接在机器上启动 ⚫ 在容器中启动 ⚫ 由资源管理平台调度启动，比如 YARN 、 K8S 这其实就对应着不同的部署方式。TaskManager 启动之后，JobManager 会与它建立连接，并将作业图（JobGraph）转换成可执行的“执行图”（ExecutionGraph）分发给可用的TaskManager，然后就由 TaskManager 具体执行任务。接下来，我们就具体介绍一下 JobManger 和 TaskManager 在整个过程中扮演的角色。4.1.2 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。也就是说，每个应用都应该被唯一的 JobManager 所控制执行。当然，在高可用（ HA）的场景下，可能会出现多个 JobManager；这时只有一个是正在运行的领导节点（leader），其他都是备用节点（standby）。JobManger 又包含 3 个不同的组件，下面我们一一讲解。 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 。需要注意在早期版本的 Flink 中，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。这里所说“应用”一般是客户端提交来的，包括： 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（ checkpoints） 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。4.1.3 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 ”。 Flink 集群中必须至少有一个 TaskManager；当然由于分布式计算的考虑，通常会有多个 TaskManager 运行，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。4.2 作业提交流程
了解了 Flink 运行时的基本组件和系统架构，我们再来梳理一下作业提交的具体流程。4.2.1 高层级抽象视角
Flink 的提交流程，随着部署模式、资源管理平台的不同，会有不同的变化。首先我们从一个高层级的视角，来做一下抽象提炼，看一看作业提交时宏观上各组件是怎样交互协作的。 如图 4-2 所示，具体步骤如下： （ 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 。本文标签： Flink
版权声明：本文标题：[Flink]一、Flink1.13 内容由热心网友自发贡献，该文观点仅代表作者本人， 转载请联系作者并注明出处：https://m.elefans.com/xitong/1725141630a1009151.html， 本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌抄袭侵权/违法违规的内容，一经查实，本站将立刻删除。
发表评论