flink ha zk集群迁移实践

flink为了保证线上作业的可用性，提供了ha机制，如果发现线上作业失败，则通过ha中存储的信息来实现作业的重新拉起。

我们在flink的线上环境使用了zk为flink的ha提供服务，但在初期，由于资源紧张，只是对zk进行了standalone的部署，但是在后期的使用中，发现单节点的集群很难提供很高的可用性，

所以就尝试将目前的standalone的zk服务扩展为cluster的zk服务，这其中，也踩了不少坑。

第一次尝试，将standalone的zk扩展为cluster

扩展为cluster很简单，找了两台集群，部署了zk服务，然后将三台节点的zk的zoo.cfg同步了下，然后重启每个zk服务。

结果失败了，线上的作业都死掉了。

这里的坑在于重启之后，zk的信息都丢掉了，成了一个空集群，已经在线上跑的作业拿不到相应的信息，就死掉了。

第二次尝试，将standalone的zk扩展为cluster

第一次之所以信息都丢了，是因为最初的那个standalone的机器，并没有一开始就重启，反而是放到最后重启了，导致他从别人往自己同步信息，自己的信息都丢了。

所以这次，前面还是一样的套路，但是zoo.cfg同步之后，先重启之前standalone的节点，之后重启其他两个节点。

完美，这次信息没有发生丢失，相应的数据都在。

结果作业还是挂了，为啥？因为重启zk的节奏太慢，信息虽然都在，但是zk不可用的时间太长。

然后又试了一次，这次加快节奏，别拖泥带水。

信息没有丢失，作业没有失败，但是作业重启了，因为虽然重启各个zk很快，但也要20s左右的时间，这个时间以及超过zk与客户端维护心跳的时间了。但万幸作业没有挂掉。

但是商量之后觉得，线上那么多作业，如果都restart一次，还是不太好。所以最终决定还是搭新集群，以前的作业走老集群，新提的作业走新集群，维护两个集群，直到没有人使用老集群，麻烦，但是对用户友好。

第三次尝试，组建完全新的zk集群

这个就很好弄了，先搭了个5个节点的zk集群，然后测试了下作业提交，没有问题，完美。

结果没几分钟就被打脸，用户反映之前的作业没法下线。

好吧，这个场景没考虑到。因为用户下线作业的时候，其实也需要到zk中去获取线上dispatcher的地址，但是新集群是不包含之前应用的信息啊。

没办法，只能同步zk信息了，好在在github上找到一个zkMove的项目，测了下，可以用，就赶紧同步了下相应的信息。

教训，其实可以在一开始就通过离线同步zk信息的方式来组建新的zk集群，这样就不会发生类似的事情了。

第四次尝试，复用yarn的zk集群

因为资源限制，上面搭的集群都在yarn的zk集群上，但是启用了2183端口。运维同学不干了，他们监控zk只监控2183接口。

所以最终还是复用yarn的zk集群，那么就又得找个夜深人静的时候去同步zk信息了。

 

其实最大的教训在于，一开始就应该将zk搞成cluster模式，哪怕是伪集群，即在一个节点上的集群，这样后期要扩容或者缩容，都会方便很多。