走进Flink

• 什么是Flink
  • Flink是一个分布式的、高性能的、可伸缩的、容错的流处理引擎，它支持批处理和流处理，并提供了丰富的 API 和库，是实时数据处理的理想选择
  • 由Java 和 Scala 实现的，所以所有组件都会运行在Java 虚拟机【单个JVM也可以】上
  • 不需要依赖于hadoop集群的组件
• 优缺点
  • 优点
    • 事件驱动型。Flink的事件驱动型应用是一类具有状态的应用，它从一个或多个事件流提取数据，并根据到来的事件触发计算、状态更新或其他外部动作。
    • 高吞吐、低延迟、高性能。Flink被设计在所有常见的集群环境中运行，以内存执行速度和任意规模来执行计算。
    • 强大的容错机制。Flink使用两阶段提交协议来解决容错问题。
  • 缺点
    • Flink的API较难使用。
    • Flink的社区相对较小。
• 应用场景
  • 事件驱动的应用：Flink应用每接受一条数据，就会处理一条数据，处理之后就会触发一个动作，同时也可以将处理结果写入外部消息队列中，其他Flink应用再消费。
  • 智能推荐： 根据用户历史的购买行为，通过推荐算法训练模型，预测用户未来可能会购买的物品。【例如：实时统计每隔1秒统计最近2秒单词出现的次数，可以直接使用Flink训练的API】
  • 复杂事件处理： 比较常见的案例主要集中于工业领域，例如对车载传感器、机械设备等实时故障检测。
  • 实时计算： 实时监控、实时报表（实时化采集、加工流式数据存储）、流数据分析、实时仓库。
• 架构组件
  • 作业管理器（JobManager）
    • 控制一个应用程序的主进程，每个应用程序都会被一个不同的JobManager 所控制执行。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。
  • 资源管理器（ResourceManager）
    • 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。另外，ResourceManager 还负责终止空闲的 TaskManager，释放计算资源。
  • 任务管理器（TaskManager）
    • 是一个工作进程,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。
  • 分发器（Dispatcher）
    • 负责接收用户提交的作业，并且将作业提交给作业管理器。
• 工作原理
  • 自身
    • ①由应用端(App)提交应用给分发器(dispatcher)
    • ②Dispatcher启动并提交应用给JobManager
    • ③JobManager向resourcemanager请求slots(插槽)资源
    • ④resourcemanager收到了JobManager的资源请求后，就去启动TaskManager
    • ⑤TaskManger启动之后，会去resourcemanager注册slots
    • ⑥resourcemanager收到TaskManger的注册slots请求后，会给TaskManger发出提供slot的指令
    • ⑦TaskManager接到指令后，JobManager会被告知已有所需数量的slots使用。
    • ⑧JobManager得知有足够的slots可以使用后，就会提交要执行的任务给TaskManager
    • ⑨与此同时，TaskManager之间也会进行数据的交换
  • 依赖于Hadoop集群的Yarn
    • ①Flink客户端上传flink的jar包和配置到HDFS
    • ②客户端提交job到resourcemanager(yarn)
    • ③resourcemanager启动ApplicationMaster，同时ApplicationMaster启动JobManager，之后jobmanager从HDFS上加载Flink的jar包和配置环境(除了yarn的resourcemanager，flink也有自己的resourcemanager，只不过它不管理资源，而是由yarn的resourcemanager管理资源)
    • ④jobmanager向resourcemanager申请资源
    • ⑤jobmanager申请到资源后，启动TaskManager，同样TaskManager向flink的ResourceManager注册slot，因此jobmanager得知有足够的slots可以使用，就会将job任务提交给TaskManager去执行，同时taskmanager会从HDFS加载flink的jar包和环境配置。
• 基本概念
  • 处理无界和有界数据
    • 无界流： 有定义流的开始，但没有定义流的结束。它们会无休止地产生数据。无界流的数据必须持续处理，即数据被摄取后需要立刻处理。我们不能等到所有数据都到达再处理，因为输入是无限的，在任何时候输入都不会完成。处理无界数据通常要求以特定顺序摄取事件，例如事件发生的顺序，以便能够推断结果的完整性。
    • 有界流 ： 有定义流的开始，也有定义流的结束。有界流可以在摄取所有数据后再进行计算。有界流所有数据可以被排序，所以并不需要有序摄取。有界流处理通常被称为批处理
• 常踩的坑
  • 数据延迟：当外部组件往Kafka topic在写数据，而同时Flink正在消费这个topic的数据，如果外部组件出现问题，就会发生数据晚到的现象。
  • 乱序数据：由于Flink能通过延迟水印来支持乱序，所以即使数据出现乱序，Flink也可以处理。
  • 日志记录过多：在处理窗口时，需要测量花费的时间，只要计算窗口所需的时间超过1分钟，就记录下所有可能的数据，过多的记录会降低性能。
  • 卡住作业的调查：需要找到一种简单的方法，来定位作业疑似卡住时当前正在运行的代码段。
• 初学者
  • Flink Shell
    • 开发的时候容易出错，如果每次都打包进行调试，比较麻烦，并且也不好定位问题，可以在scala shell命令行下进行调试