1.理论

一.Flink流处理介绍

Flink 是什么

image.png

• Apache Flink is a framework and distributed processing enginefor stateful computations over unbounded and bounded data streams.
• Apache Flink 是一个框架和分布式处理引擎，用于对无界和有界数据流进行状态计算。
• 官网 https://flink.apache.org/flink-architecture.html

为什么选择 Flink

• 流数据更真实地反映了我们的生活方式
  • 真实的数据大部分是连续不断产生的，而不是攒了一批产生的
• 传统的数据架构是基于有限数据集的
  • 即攒一批数据然后处理，失去了实时性
• 我们的目标
  • 低延迟
    • 毫秒级别
  • 高吞吐
    • 海量数据
  • 结果的****准确性****和****良好的容错性

哪些行业需要处理流数据（延迟性要求高的业务）

• 电商和市场营销
  • 数据报表、广告投放、业务流程需要
• 物联网（IOT）
  • 传感器实时数据采集和显示、实时报警，交通运输业
• 电信业
  • 基站流量调配
• 银行和金融业
  • 实时结算和通知推送，实时检测异常行为

传统数据处理架构

事务处理

image.png

• compute和storage分开的
• 缺点：吞吐量低，当数据量很大的时候后台传统数据库多表联查很慢，支持不了高并发
• 优点：实时性好

分析处理

• 将数据从业务数据库复制到数仓，再进行分析和查询

image.png

• 当需要分析计算的时候，将数据从关系型数据库中提取出来做ETL计算（清洗、整合），然后统一放到数仓中，最后通过数据计算引擎写sql做查询，可以存报表或者机器学习
• 一个标准的离线查询的流程
• 缺点：基本舍弃了实时性
• 优点：高并发，数据量上去了

有状态的流式处理

image.png

• 数据不放库中，直接放在本地内存中，将数据存成本地状态，每次数据流入，直接判断本地状态结合状态做计算
• 有状态：
  • 将原来需要持久化的数据存放在本地内存中，而不存放在关系型数据库中
• checkpoint 检查点
  • 针对状态做定期的备份
• 问题：
  • 分布式架构下数据的顺序无法保证
  • 基于此，产生了第二代的流处理器：lambda 架构

流处理的演变

lambda 架构

• 用两套系统，同时保证低延迟和结果准确

image.png

• batch layer：批处理层
  • 攒一批数据然后将结果放在batch table中
• speed layer：流处理层
  • 保证速度，将数据存储在speed table中
• 将上面两张表结合然后响应给用户
• 实际效果：
  • 客户端快速看见一个近似的处理结果，但是可能不准，隔一段时间之后，得到一个正确的处理结果
• 问题：
  • 实现一个需求要实现两套系统，维护成本高

第三代流处理器：Flink

image.png

• Flink满足：低延迟、高吞吐、时间正确、表现力好、压力下保持正确
• storm：是第一代处理器，低延迟好，毫秒级延迟
• spark streaming：只能满足高吞吐、压力下保持正确，但是其他满足不了

Flink 的主要特点

事件驱动（Event-driven）

image.png

• 流处理持久化数据存储在内存中，即本地状态，为了容错可以选择落盘持久化到磁盘上
• 流式计算基于事件驱动的

基于流的世界观

• 在 Flink 的世界观中，一切都是由流组成的
  • 离线数据是有界的流；
  • 实时数据是一个没有界限的流；
  • 这就是所谓的有界流和无界流

image.png

分层API

• 越顶层越抽象，表达含义越简明，使用越方便
• 越底层越具体，表达能力越丰富，使用越灵活
  • 如最底层能操作evets、state、time

image.png

• Flink是个批流统一的框架
  • 离线用 dateset
  • 实时用 datastream

Flink 的其它特点

• 支持事件时间（event-time）和处理时间（processing-time）

语义

• 精确一次（exactly-once）的状态一致性保证
  • 状态一致性：结果正确，即使出现故障也要保证恢复后结果正确
• 低延迟，每秒处理数百万个事件，毫秒级延迟
• 与众多常用存储系统的连接
• 高可用，动态扩展，实现7*24小时全天候运行

Flink vs Spark Streaming

• 流（stream）和微批（micro-batching）
  • spark streaming 延迟一般在几百毫秒，底层实际是批处理，所以称为微批处理
    • 这是其架构设计导致的
  • flink延迟真正保证了毫秒
    • 其也能做批处理，即将流视作有界流

image.png

• 数据模型
  • spark 采用 RDD 模型，spark streaming 的 DStream 实际上也就是一组 组小批数据 RDD 的集合
• flink 基本数据模型是数据流，以及事件（Event）序列
  • 即spark是基于一批数据的数据集做计算，flink是基于事件序列
• 运行时架构
  • spark 是批计算，将 DAG 划分为不同的 stage，一个完成后才可以计算下一个，即每个事件数据都有等待的过程
• flink 是标准的流执行模式，一个事件在一个节点处理完后可以直接发往下一个节点进行处理

二.Flink运行架构

Flink 运行时的组件

image.png

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（JobGraph）
      • 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。
    • 逻辑数据流图（logical dataflow graph）
    • 打包了所有的类、库和其它资源的JAR包。
• JobManager 工作机制：
  • 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。
  • 针对每一个job做进程管理

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。
• TaskManager工作流程：
  • 启动之后，TaskManager会向资源管理器(ResourceManager)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。

资源管理器（ResourceManager）

• 主要负责管理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。

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。

任务提交流程

image.png

• standone模式，用多少资源启动几个taskmanager，现用现启taskmanager

任务提交流程（YARN）

image.png

• resourcemanager是yarn的资源管理器，接收job后启动applicatonMaster，其中有Flink的生态如jobManager和resourceManager （Flink的资源管理），但是此时Flink的resourceManager就不管资源分配了，而是放到Yarn中管理类（第四步）
• Flink启动的时候需要从环境中加载配置
• 上图是yarn的job模式，提交一个job，启动一个集群

任务调度原理

image.png

思考

如何实现并行计算？

并行任务需要占用多少个slot?

一个流处理程序，到底包含多少个任务？

并行度（Parallelism）

image.png

• 一个特定算子的** 子任务（subtask）的个数**被称之为其并行度（parallelism）。
  • 一个特定算子并行执行子任务的个数
• 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。

TaskManager 和 Slots

图中并行度是5，一个算子类型一个slot，可以通过slotsharinggroup实现，不同组之间一定互斥，占用不同的slot

image.png

• 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
  • 因为是独立的jvm进程，所以其可以有多个子任务，多子任务即多线程
• 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）
• slot就是执行一个独立线程所需要的计算资源的最小单元，就是一组计算资源
  • 每个slot内存彼此隔离
• cpu资源不隔离，如果该cpu此时有两个slot工作，即两个线程执行任务，就需要cpu做时间片的轮转，供两个线程同时使用
• 虽然没有直接设置cpu的分配，但是一般按照当前cpu的核心数量来设置slot
• number of task slot 一个taskmanger中slot数量，即每个taskManager最大的并行能力，即最多多少个线程并行执行
• Parallelism default 默认并行度，job提交的并行度，指定job需要的subtask数量

job并行度调成6，13个subtask

image.png

slot 来进行控制（一个 TaskManager 至少有一个 slot）TaskManager 和 Slots

• 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。
• 共享slot：
  • 前后发生的不同的任务可以共享一个slot
  • 共享 slot：即不同的subtask放在了同一个slot中，一个slot上运行多个线程
  • 同一个任务的并行的子任务必须分开，必须执行在不同的slot上，而先后发生的不同subtask可以运行在一个slot上
  • 默认slot共享，如果不设置slot的group，默认每个操作使用前一个操作的共享组，即所有计算都在一个group中，所以默认所有操作共享slot
• 前后发生的不同subtask放在同一个slot中的好处：
  • 一个 slot 可以保存作业的整个管道（Pipline），即在一个slot中执行了一套完整的作业算子，避免了不同算子之间在不同的slot中的通信
  • slot之间彼此隔离，即使一个slot挂了，不影响其他slot中的计算
  • 如果按照算子类型分配slot，每个算子需要的计算时间不同，可能会出现部分slot满载，部分slot空闲，出现数据堆积
    • 数据共享使得每个slot资源都能合理利用
• Task Slot 是静态的概念，是指 TaskManager 具有的并发执行能力

并行子任务的分配

image.png

• 两条流，A、C，到D4合并，然做操作E
• A4 表示并行度是4，其有四个subtask
• 当前jobgraph一共有16个任务（所有操作并行子任务之和）
• 虽然是两条流做计算，但是slot不是6（C2+A4）而是4，即按照A4的并行度来分配4个slot，C2可以使用其中两个slot，不同操作可以共享slot
  • 即前文提到的“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”

并行度的例子

image.png

• flink-conf.yaml
  • 指定了taskslots数量：3，默认为cpu核心数
  • 三个taskmanager,每个taskmanger有3个slot
  • 一个作业如果parallelism=3最优的分配方式为：3个taskmanager各占用一个slot
• 一共9个slot
• example1中
  • paralelism=1，并行度为1，三个操作共享内存使用一个slot
• example2中
  • 将并行度调成2，如上图有三种修改方法
    • flink-conf
    • flink client
      • 提交flink的job时，指定-p参数
    • environment
      • 代码中写死
    • 优先级：先看代码中，然后看client，最后看conf
  • 此时占用两个slot，优先将并行的任务提交给另外一个taskmanager上的slot中，

image.png

• example3中
  • 设置parallelism=9
  • 一个操作表示一个任务，三个任务使用一个slot，共使用9个slot
• example4中
  • parallelism=9,将sink算子设置成1，此时有19个任务（18个source+reduce与1个sink）

程序与数据流（DataFlow）

image.png

• 所有的Flink程序都是由三部分组成的： Source 、Transformation 和 Sink。
  • 流的转换都是基于Datastream
  • Source任务从外部读取数据源
  • Transformation任务 负责转换计算
  • sink任务负责将当前计算结果输出到外部，可以有多个比如输出到多个应用中
  • 以上所有任务的操作在flin中就是一个完整的数据流图dataflow graph
• 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

logical dataflow graph

• 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
• 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）
• 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

image.png

执行图（ExecutionGraph）

• 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。
    • 一个操作就是一个节点一个任务
  • 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（连） 在一起作为一个节点
    • 该动作在客户端上生成
  • 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。

image.png

数据传输形式

• 一个程序中，不同的算子可能具有不同的并行度
• 算子之间传输数据的形式可以是 one-to-one (forwarding) 的模式也可以是redistributing 的模式，具体是哪一种形式，取决于算子的种类
  • One-to-one：
    • stream维护着分区以及元素的顺序（比如source和map之间）。
    • 这意味着map 算子的子任务看到的元素的个数以及顺序跟 source 算子的子任务生产的元素的个数、顺序相同。
      • 不发发生分区
    • map、fliter、flatMap等算子都是one-to-one的对应关系。
  • Redistributing：
    • stream的分区会发生改变。
    • 每一个算子的子任务依据所选择的transformation发送数据到不同的目标任务。
      • 例如，keyBy 基于 hashCode 重分区、而 broadcast 和 rebalance 会随机重新分区，这些算子都会引起redistribute过程，而 redistribute 过程就类似于 Spark 中的 shuffle 过程。
        • rebalance是轮询

任务链（Operator Chains）

• 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（local forward）的方式进行连接
  • 将多个任务合并成一个任务
• 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
• 并行度相同、并且是 one-to-one 操作，两个条件缺一不可
  • 默认满足以上两个条件就会合并，如果不想让他们合并则：
    • 在两个算子之间做一个重分区算子
    • api disableChaining() 指定当前算子不参与operation chain中

例子

image.png

• source并行度是1，flatmap并行度是2不能合并
• flatmap与key agg并行度相同，但是基于hashcode重分区，算子之间传输类型是redistributing，所以也不能合并
• key agg与sink并行度相同且是one-to-one可以合并
• 所以以上需要两个slot就可以运行了