是什么

• Apache Flink 是一个框架和分布式处理引擎，用于在无边界和有边界数据流上进行有状态的计算

概念：

• 数据流

  • 任何类型的数据都可以形成一种事件流，信用卡交易、传感器测量、机器日志、网站或移动应用程序上的用户交互记录，所有这些数据都形成一种流。

• 什么是有界流

  • 有定义流的开始，也有定义流的结束。有界流可以在摄取所有数据后再进行计算。有界流所有数据可以被排序，所以并不需要有序摄取。有界流处理通常被称为批处理

• 什么是无界流

  • 有定义流的开始，但没有定义流的结束。它们会无休止地产生数据。无界流的数据必须持续处理，即数据被摄取后需要立刻处理。我们不能等到所有数据都到达再处理，因为输入是无限的，在任何时候输入都不会完成。处理无界数据通常要求以特定顺序摄取事件，例如事件发生的顺序，以便能够推断结果的完整性。

部署方式：

• Local 本地部署，直接启动进程，适合调试使用

• Standalone Cluster集群部署，flink自带集群模式

• On Yarn 计算资源统一由Hadoop YARN管理资源进行调度，按需使用提高集群的资源利用率，生产环境

• 运行流程

  • 用户提交Flink程序到JobClient，
  • JobClient的 解析、优化提交到JobManager
  • TaskManager运行task, 并上报信息给JobManager
  • 通俗解释
    • JobManager 包工头
    • TaskManager 任务组长
    • Task solt 工人 (并行去做事情)

运行架构

• Flink 是一个分布式系统，需要有效分配和管理计算资源才能执行流应用程序
  • 运行时由两种类型的进程组成
    • 一个 JobManager
    • 一个或者多个 TaskManager。

• 什么是JobManager（大Boss,包工头）

  • 协调 Flink 应用程序的分布式执行的功能
    • 它决定何时调度下一个 task（或一组 task）
    • 对完成的 task 或执行失败做出反应
    • 协调 checkpoint、并且协调从失败中恢复等等

• 什么是TaskManager (任务组长，搬砖的人)

  • 负责计算的worker，还有上报内存、任务运行情况给JobManager等
  • 至少有一个 TaskManager，也称为 worker执行作业流的 task，并且缓存和交换数据流
  • 在 TaskManager 中资源调度的最小单位是 task slot

进阶

• Jobmanager进阶

  • JobManager进程由三个不同的组件组成
    • ResourceManager
      • 负责 Flink 集群中的资源提供、回收、分配 - 它管理 task slots
    • Dispatcher
      • 提供了一个 REST 接口，用来提交 Flink 应用程序执行
      • 为每个提交的作业启动一个新的 JobMaster。
      • 运行 Flink WebUI 用来提供作业执行信息
    • JobMaster
      • 负责管理单个JobGraph的执行，Flink 集群中可以同时运行多个作业，每个作业都有自己的 JobMaster
      • 至少有一个 JobManager，高可用（HA）设置中可能有多个 JobManager，其中一个始终是 leader，其他的则是 standby

• TaskManager 进阶

  • TaskManager中 task slot 的数量表示并发处理 task 的数量
  • 一个 task slot 中可以执行多个算子，里面多个线程
    • 算子 opetator
      • source
      • transformation
      • sink
  • 对于分布式执行，Flink 将算子的 subtasks 链接成 tasks，每个 task 由一个线程执行
    • 图中source和map算子组成一个算子链，作为一个task运行在一个线程上
  • 将算子链接成 task 是个有用的优化：它减少线程间切换、缓冲的开销，并且减少延迟的同时增加整体吞吐量

Task Slots 任务槽

• Task Slot是Flink中的任务执行器,每个Task Slot可以运行多个subtask ，每个subtask会以单独的线程来运行

• 每个 worker（TaskManager）是一个 JVM 进程，可以在单独的线程中执行一个(1个solt)或多个 subtask

• 为了控制一个 TaskManager 中接受多少个 task，就有了所谓的 task slots（至少一个）

• 每个 task slot 代表 TaskManager 中资源的固定子集

• 注意

  • 所有Task Slot平均分配TaskManger的内存, TaskSolt 没有 CPU 隔离
  • 当前 TaskSolt 独占内存空间，作业间互不影响
  • 一个TaskManager进程里有多少个taskSolt就意味着多少个并发
  • task solt数量建议是cpu的核数，独占内存，共享CPU

• 5 个 subtask 执行，因此有 5 个并行线程

  • Task 正好封装了一个 Operator 或者 Operator Chain 的 parallel instance。
  • Sub-Task 强调的是同一个 Operator 或者 Operator Chain 具有多个并行的 Task
  • 图中source和map算子组成一个算子链，作为一个task运行在一个线程上
    • 算子链接成 一个 task 它减少线程间切换、缓冲的开销，并且减少延迟的同时增加整体吞吐量

• Task Slot是Flink中的任务执行器,每个Task Slot可以运行多个task即subtask ，每个sub task会以单独的线程来运行

• Flink 算子之间可以通过【一对一】模式或【重新分发】模式传输数据

• 一个很重要的区分 TaskSolt和parallelism并行度配置
  • task slot是静态的概念，是指taskmanager具有的并发执行能力;
  • parallelism是动态的概念，是指 程序运行时实际使用的并发能力
  • 前者是具有的能力比如可以100个，后者是实际使用的并发，比如只要20个并发就行。