3 Flink运行架构

一 主要组件

 

 

 

1 作业管理器（JobManager）

一个app有一个jobmanager,

控制一个应用程序执行的主进程，也就是说，每个应用程序都会被一个不同的JobManager 所控制执行。

JobManager 会先接收到要执行的应用程序，这个应用程序会包括：作业图（JobGraph）、逻辑数据流图（logical dataflow graph）和打包了所有的类、库和其它资源的JAR包。

JobManager 会把JobGraph转换成一个物理层面的数据流图，这个图被叫做“执行图”（ExecutionGraph），包含了所有可以并发执行的任务。

JobManager 会向资源管理器（ResourceManager）请求执行任务必要的资源，也就是任务管理器（TaskManager）上的插槽（slot）。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，JobManager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  任务管理器（TaskManager）

Flink中的工作进程。通常在Flink中会有多个TaskManager运行，每一个TaskManager都包含了一定数量的插槽（slots）。插槽的数量限制了TaskManager能够执行的任务数量。 启动之后，TaskManager会向资源管理器注册它的插槽；收到资源管理器的指令后，TaskManager就会将一个或者多个插槽提供给JobManager调用。JobManager就可以向插槽分配任务（tasks）来执行了。 在执行过程中，一个TaskManager可以跟其它运行同一应用程序的TaskManager交换数据。

 

3 资源管理器（ResourceManager）

主要负责管理任务管理器（TaskManager）的插槽（slot），TaskManger 插槽是Flink中定义的处理资源单元。 Flink为不同的环境和资源管理工具提供了不同资源管理器，比如YARN、Mesos、K8s，以及standalone部署。 当JobManager申请插槽资源时，ResourceManager会将有空闲插槽的TaskManager分配给JobManager。如果ResourceManager没有足够的插槽来满足JobManager的请求，它还可以向资源提供平台发起会话，以提供启动TaskManager进程的容器。

slot的数量决定了算子的并发能力.

4 分发器（Dispatcher）

可以跨作业运行，它为应用提交提供了REST接口。 当一个应用被提交执行时，分发器就会启动并将应用移交给一个JobManager。 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在架构中可能并不是必需的，这取决于应用提交运行的方式。

 

二 任务提交的流程

 

 

1.提交一个app应用到dispatcher,然后dispatcher启动jobManager然后向jobManager提交任务(这里的任务是指JobGraph和依赖的jar包等),jobManager将JobGraph转化成执行图,

2.jobManager 然后向resourceManager请求slot,

3.resourceManager启动Taskmanager,Taskmanager启动之后会向resourceManager注册slot的数量.

4.然后resourceManager向Taskmanager发出提供slot的指令

5.Taskmanager向jobmanager提供slot (如果slot的数量不够,任务无法启动)

6.jobmanager分发任务给Taskmanager

7.Taskmanager开始执行任务

8.各个Taskmanager之后可以发生数据交换.

 

yarn模式

 

 

 

1. Flink clinet上传Flink的job包和配置到hdfs上

2.然后Flink clinet提交Job到yarn的resourceManager

3.yarn的resourceManager启动applicationmaster

4.在起applicationmaster的时候会启动JobManager和flink的resourceManager(图中少画了一个flink的resourceManager)

5.JobManager起来之后会到HDFS上加载F临空的jar包和配置环境来构建环境(起来taskmanager,然后向resourceManager注册slot)

6.JobManager向Flink resourceManager申请资源,然后Flink resourceManager会到yarn的resourceManager申请资源

7.resourceManager把资源分配给JobManager

8.JobManager向taskmanager分发任务.

 

三 任务调度原理

 

 

 1. TaskManager和slots

 

 

 

Flink 中每一个 TaskManager 都是一个JVM进程，它可能会在独立的线程上执行一个或多个 subtask 为了控制一个 TaskManager 能接收多少个 task， TaskManager 通过 task slot 来进行控制（一个 TaskManager 至少有一个 slot）

每个线程执行在固定的计算资源上,这个资源就是slot.slot之间内存是独享的.cpu不是独享的.(所以slot最好配成核心数)

 

 

 

默认情况下，Flink 允许子任务共享 slot，即使它们是不同任务的子任务。 这样的结果是，一个 slot 可以保存作业的整个管道。 Task Slot 是静态的概念，是指 TaskManager 具有的并发执行能力

比如map的并行度为2,而sink的并行度为1,那么map的两个任务被分配到两个slot中.而其中一个任务和sink任务可能会共享一个slot.

所以程序需要的slot的数量等于处理过程所有任务的最大并行度.

如果并行相同,one-to-one操作,可以把相连的算子合成一个任务(任务链).

TM的数量和slot的数量,决定了并行的处理能力(静态的)

真正使用的slot数量由并行度来决定(动态的)

 

四 程序与数据流（DataFlow）

执行图

Flink 中的执行图可以分成四层：StreamGraph -> JobGraph -> ExecutionGraph -> 物理执行图

StreamGraph：是根据用户通过 Stream API 编写的代码生成的最初的图。用来表示程序的拓扑结构。

JobGraph：StreamGraph经过优化后生成了 JobGraph，提交给 JobManager 的数据结构。主要的优化为，将多个符合条件的节点 chain 在一起作为一个节点

ExecutionGraph：JobManager 根据 JobGraph 生成ExecutionGraph。ExecutionGraph是JobGraph的并行化版本，是调度层最核心的数据结构。

物理执行图：JobManager 根据 ExecutionGraph 对 Job 进行调度后，在各个TaskManager 上部署 Task 后形成的“图”，并不是一个具体的数据结构。