文章目录
- 一.Flink运行的四大组件
-
- 1,1 作业管理器(JobManager)
- 1.2 任务管理器(TaskManager)
- 1.3 资源管理器(ResourceManager)
- 1.4 分发器(Dispatcher)
- 二.任务提交流程
-
- 2.1 非yarn模式的任务提交流程
- 2.2 任务提交流程(YARN)
- 三. 任务调度原理
- 四. TaskManger与Slots与parallelism
- 五. 程序与数据流
- 六. 执行图(ExecutionGraph)
- 七. 数据传输形式
- 参考:
一.Flink运行的四大组件
如下图所示,Flink运行的四大组件:
1,1 作业管理器(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。
1.2 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。
1.3 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。
1.4 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.任务提交流程
2.1 非yarn模式的任务提交流程
2.2 任务提交流程(YARN)
三. 任务调度原理
1、 客户端不是运行时和程序执行的一部分,但它用于准备并发送dataflow(JobGraph)给Master(JobManager),然后,客户端断开连接或者维持连接以等待接收计算结果而JobManager会产生一个执行图(DataflowGraph);
2、 当Flink集群启动后,首先会启动一个JobManger和一个或多个的TaskManager由Client提交任务给JobManager,JobManager再调度任务到各个TaskManager去执行,然后TaskManager将心跳和统计信息汇报给JobManagerTaskManager之间以流的形式进行数据的传输上述三者均为独立的JVM进程;
3、 Client为提交Job的客户端,可以是运行在任何机器上(与JobManager环境连通即可)提交Job后,Client可以结束进程(Streaming的任务),也可以不结束并等待结果返回;
4、 JobManager主要负责调度Job并协调Task做checkpoint,职责上很像Storm的Nimbus从Client处接收到Job和JAR包等资源后,会生成优化后的执行计划,并以Task的单元调度到各个TaskManager去执行;
5、 TaskManager在启动的时候就设置好了槽位数(Slot),每个slot能启动一个Task,Task为线程从JobManager处接收需要部署的Task,部署启动后,与自己的上游建立Netty连接,接收数据并处理;
四. TaskManger与Slots与parallelism
1、 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子任务;
2、 为了控制一个TaskManager能接收多少个task,TaskManager通过taskslot来进行控制(一个TaskManager至少有一个slot);
3、 图中每个TaskManager中的Slot为3个,那么两个TaskManager一共有六个Slot,而这6个Slot代表着TaskManager最大的并发执行能力,一共能可以执行6个task进行同时执行;
4、 Slot是静态概念,代表着TaskManager具有的并发执行能力,可以通过参数taskmanager.numberOfTaskSlots进行配置;
5、 为了控制一个TaskManager能接收多少个task,TaskManager通过taskslot来进行控制(一个TaskManager至少有一个slot);
6、 图中Source和Map是一个Task,且并行度(我们设置的setParallelism())都为1,指这个task任务的并行能力为1,只占用一个Slot资源;
7、 在第二张图中为Flink的共享子任务,如果一个TaskManager一个slot,那将意味着每个taskgroup运行在独立的JVM中(该JVM可能是通过一个特定的容器启动的),而一个TaskManager多个slot意味着更多的subtask可以共享同一个JVM而在同一个JVM进程中的task将共享TCP连接(基于多路复用)和心跳消息它们也可能共享数据集和数据结构,因此这减少了每个task的负载;
8、 并行度parallelism是动态概念,即TaskManager运行程序时实际使用的并发能力,可以通过参数parallelism.default进行配置;
[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-hmsi9NJo-1634546295296)(https://upload-images.jianshu.io/upload_images/2638478-d32b23bef8e8c475.png?imageMogr2/auto-orient/strip%7CimageView2/2/w/1240)]
1、 也就是说,假设一共有3个TaskManager,每一个TaskManager中的分配3个TaskSlot,也就是每个TaskManager可以接收3个task,一共9个TaskSlot,如果我们设置parallelism.default=1,即运行程序默认的并行度为1,9个TaskSlot只用了1个,有8个空闲,因此,设置合适的并行度才能提高效率;
1、 一个特定算子的子任务(subtask)的个数被称之为其并行度(parallelism),我们可以对单独的每个算子进行设置并行度,也可以直接用env设置全局的并行度,更可以在页面中去指定并行度;
2、 最后,由于并行度是实际TaskManager处理task的能力,而一般情况下,一个stream的并行度,可以认为就是其所有算子中最大的并行度,则可以得出在设置Slot时,在所有设置中的最大设置的并行度大小则就是所需要设置的Slot的数量;
五. 程序与数据流
1、 所有的Flink程序都是由三部分组成的:Source、Transformation和Sink;
2、 Source负责读取数据源,Transformation利用各种算子进行处理加工,Sink负责输出;
3、 在运行时,Flink上运行的程序会被映射成“逻辑数据流”(dataflows),它包含了这三部分;
4、 每一个dataflow以一个或多个sources开始以一个或多个sinks结束dataflow类似于任意的有向无环图(DAG);
5、 在大部分情况下,程序中的转换运算(transformations)跟dataflow中的算子(operator)是一一对应的关系;
六. 执行图(ExecutionGraph)
1、 Flink中的执行图可以分成四层:StreamGraph->JobGraph->ExecutionGraph->物理执行图;
2、 StreamGraph:是根据用户通过StreamAPI编写的代码生成的最初的图用来表示程序的拓扑结构;
3、 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;
4、 ExecutionGraph:JobManager根据JobGraph生成ExecutionGraphExecutionGraph是JobGraph的并行化版本,是调度层最核心的数据结构;
5、 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;
七. 数据传输形式
1、 Flink采用了一种称为任务链的优化技术,可以在特定条件下减少本地通信的开销为了满足任务链的要求,必须将两个或多个算子设为相同的并行度,并通过本地转发(localforward)的方式进行连接;
2、 相同并行度的one-to-one操作,Flink这样相连的算子链接在一起形成一个task,原来的算子成为里面的subtask;
3、 并行度相同、并且是one-to-one操作,两个条件缺一不可;
4、 而为什么需要并行度相同,因为若flatMap并行度为1,到了之后的map并行度为2,从flatMap到map的数据涉及到数据由于并行度map为2会往两个slot处理,数据会分散,所产生的元素个数和顺序发生的改变所以有2个单独的task,不能成为任务链;
参考:
1、 https://www.bilibili.com/video/BV1qy4y1q728;
2、 https://blog.csdn.net/qq_40180229/article/details/106321149;
版权声明:本文不是「本站」原创文章,版权归原作者所有 | 原文地址: