【Flink】深入理解Flink-On-Yarn模式

1. 前言

Flink提供了两种在yarn上运行的模式,分别为Session-Cluster和Per-Job-Cluster模式,本文分析两种模式及启动流程。

下图展示了Flink-On-Yarn模式下涉及到的相关类图结构

集群启动入口类

组件类图结构

2. Session-Cluster模式

Session-Cluster模式需要先启动集群,然后再提交作业,接着会向yarn申请一块空间后,资源永远保持不变。如果资源满了,下一个作业就无法提交,只能等到yarn中的其中一个作业执行完成后,释放了资源,下个作业才会正常提交。所有作业共享Dispatcher和ResourceManager;共享资源;适合规模小执行时间短的作业。

2.1. 启动集群

运行bin/yarn-session.sh即可默认启动包含一个TaskManager(内存大小为1024MB,包含一个Slot)、一个JobMaster(内存大小为1024MB),当然可以通过指定参数控制集群的资源,如-n指定TaskManager个数,-s指定每个TaskManager中Slot的个数;其他配置项,可参考

下面以bin/yarn-session.sh为例,分析Session-Cluster启动流程。

2.2. 流程分析

下面分为本地和远程分析启动流程,其中本地表示在客户端的启动流程,远端则表示通过Yarn拉起Container的流程;

2.2.1 本地流程

  • Session启动入口为FlinkYarnSessionCli#main
  • 根据传入的参数确定集群的资源信息(如多少个TaskManager,Slot等)
  • 部署集群AbstractYarnClusterDescriptor#deploySessionCluster -> AbstractYarnClusterDescriptor#deployInternal
    • 进行资源校验(如内存大小、vcore大小、队列)
    • 通过YarnClient创建Application
    • 再次校验资源
    • AbstractYarnClusterDescriptor#startAppMaster启动AppMaster
      • 初始化文件系统(HDFS)
      • 将log4j、logback、flink-conf.yaml、jar包上传至HDFS
      • 构造AppMaster的Container(确定Container进程的入口类YarnSessionClusterEntrypoint),构造相应的Env
      • YarnClient向Yarn提交Container申请
      • 跟踪ApplicationReport状态(确定是否启动成功,可能会由于资源不够,一直等待)
    • 启动成功后将对应的ip和port写入flinkConfiguration中
    • 创建与将集群交互的ClusterClient
      • 根据flink-conf的HA配置创建对应的服务(如StandaloneHaServices、ZooKeeperHaServices等)
      • 创建基于Netty的RestClient;
      • 创建/rest_server_lock、/dispatcher_lock节点(以ZK为例)
      • 启动监听节点的变化(主备切换)
    • 通过ClusterClient获取到appId信息并写入本地临时文件

经过上述步骤,整个客户端的启动流程就结束了,下面分析yarn拉起Session集群的流程,入口类在申请Container时指定为YarnSessionClusterEntrypoint。

2.2.2 远端流程

  • 远端宿主在Container中的集群入口为YarnSessionClusterEntrypoint#main

  • ClusterEntrypoint #runClusterEntrypoint -> ClusterEntrypoint#startCluster启动集群

    • 初始化文件系统
    • 初始化各种Service(如:创建RpcService(AkkaRpcService)、创建HAService、创建并启动BlobServer、创建HeartbeatServices、创建指标服务并启动、创建本地存储ExecutionGraph的Store)
    • 创建DispatcherResourceManagerComponentFactory(SessionDispatcherResourceManagerComponentFactory),用于创建DispatcherResourceManagerComponent(用于启动Dispatcher、ResourceManager、WebMonitorEndpoint)
    • 通过DispatcherResourceManagerComponentFactory创建DispatcherResourceManagerComponent
      • 创建/dispatcher_lock节点,/resource_manager_lock节点
      • 创建DispatcherGateway、ResourceManagerGateway的Retriever(用于创建RpcGateway)
      • 创建DispatcherGateway的WebMonitorEndpoint并启动
      • 创建JobManager的指标组
      • 创建ResourceManager、Dispatcher并启动进行ZK选举
      • 返回SessionDispatcherResourceManagerComponent

    经过上述步骤就完成了集群的启动;

2.3. 启动任务

当启动集群后,即可使用./flink run -c mainClass /path/to/user/jar向集群提交任务。

2.4 流程分析

同样,下面分为本地和远程分析启动流程,其中本地表示在客户端提交任务流程,远端则表示集群收到任务后的处理流程。

2.4.1 本地流程

  • 程序入口为CliFrontend#main
  • 解析处理参数
  • 根据用户jar、main、程序参数、savepoint信息生成PackagedProgram
  • 获取session集群信息
  • 执行用户程序
    • 设置ClassLoader
    • 设置Context
    • 执行用户程序main方法(当执行用户业务逻辑代码时,会解析出StreamGraph然后通过ClusterClient#run来提交任务),其流程如下:
      • 获取任务的JobGraph
      • 通过RestClusterClient#submitJob提交任务
      • 创建本地临时文件存储JobGraph
      • 通过RestClusterClient向集群的rest接口提交任务
      • 处理请求响应结果
    • 重置Context
    • 重置ClassLoader

经过上述步骤,客户端提交任务过程就完成了,主要就是通过RestClusterClient将用户程序的JobGraph通过Rest接口提交至集群中。

2.4.2 远端流程

远端响应任务提交请求的是RestServerEndpoint,其包含了多个Handler,其中JobSubmitHandler用来处理任务提交的请求;

  • 处理请求入口:JobSubmitHandler#handleRequest
  • 进行相关校验
  • 从文件中读取出JobGraph
  • 通过BlobClient将jar及JobGraph文件上传至BlobServer中
  • 通过Dispatcher#submitJob提交JobGraph
  • 通过Dispatcher#runJob运行任务
    • 创建JobManagerRunner(处理leader选举)
    • 创建JobMaster(实际执行任务入口,包含在JobManagerRunner)
    • 启动JobManagerRunner(会进行leader选举,ZK目录为leader/${jobId}/job_manager_lock)
    • 当为主时会调用JobManagerRunner#grantLeadership方法
      • 启动JobMaster
      • 将任务运行状态信息写入ZK(/${AppID}/running_job_registry/${jobId})
      • 启动JobMaster的Endpoint
      • 开始调度任务JobMaster#startJobExecution

接下来就进行任务具体调度(构造ExecutionGraph、申请Slot等)流程,本篇文章不再展开介绍。

3. Per-Job-Cluster模式

一个任务会对应一个Job,每提交一个作业会根据自身的情况,都会单独向yarn申请资源,直到作业执行完成,一个作业的失败与否并不会影响下一个作业的正常提交和运行。独享Dispatcher和ResourceManager,按需接受资源申请;适合规模大长时间运行的作业。

3.1 启动任务

启动Per-Job-Cluster任务,可通过./bin/flink run -m yarn-cluster -d -c mainClass /path/to/user/jar命令使用分离模式启动一个集群,即单任务单集群;

3.2. 流程分析

与Session-Cluster类似,我们对Per-Job-Cluster模式也分为本地和远端。

3.2.1 本地流程

  • 与Session-Cluster模式类似,入口也为CliFrontend#main
  • 解析处理参数
  • 根据用户jar、main、程序参数、savepoint信息生成PackagedProgram
  • 根据PackagedProgram创建JobGraph(对于非分离模式还是和Session模式一样,模式Session-Cluster)
  • 获取集群资源信息
  • 部署集群YarnClusterDesriptor#deployJobCluster -> AbstractYarnClusterDescriptor#deployInternal;后面流程与Session-Cluster类似,值得注意的是在AbstractYarnClusterDescriptor#startAppMaster中与Session-Cluster有一个显著不同的就是其会将任务的JobGraph上传至Hdfs供后续服务端使用

经过上述步骤,客户端提交任务过程就完成了,主要涉及到文件(JobGraph和jar包)的上传。

3.2.2 远端流程

  • 远端宿主在Container中的集群入口为YarnJobClusterEntrypoint#main
  • ClusterEntrypoint#runClusterEntrypoint -> ClusterEntrypoint#startCluster启动集群
  • 创建JobDispatcherResourceManagerComponentFactory(用于创建JobDispatcherResourceManagerComponent)
  • 创建ResourceManager(YarnResourceManager)、Dispatcher(MiniDispatcher),其中在创建MiniDispatcher时会从之前的JobGraph文件中读取出JobGraph,并启动进行ZK选举
  • 当为主时会调用Dispatcher#grantLeadership方法
    • Dispatcher#recoverJobs恢复任务,获取JobGraph
    • Dispatcher#tryAcceptLeadershipAndRunJobs确认获取主并开始运行任务
      • Dispatcher#runJob开始运行任务(创建JobManagerRunner并启动进行ZK选举),后续流程与Session-Cluster相同,不再赘述

4. 总结

Flink提供在Yarn上两种运行模式:Session-Cluster和Per-Job-Cluster,其中Session-Cluster的资源在启动集群时就定义完成,后续所有作业的提交都共享该资源,作业可能会互相影响,因此比较适合小规模短时间运行的作业,对于Per-Job-Cluster而言,所有作业的提交都是单独的集群,作业之间的运行不受影响(可能会共享CPU计算资源),因此比较适合大规模长时间运行的作业。

posted @ 2019-07-05 09:21  leesf  阅读(5876)  评论(0编辑  收藏