文章目录
背景
目前对于flink来说，生产环境一般有两个部署模式，一个是 session模式，一个是per job模式。
session模式
这种模式会预先在yarn或者或者k8s上启动一个flink集群，然后将任务提交到这个集群上，这种模式，集群中的任务使用相同的资源，如果某一个任务出现了问题导致整个集群挂掉，那就得重启集群中的所有任务，这样就会给集群造成很大的负面影响。
per job模式
考虑到集群的资源隔离情况，一般生产上的任务都会选择per job模式，也就是每个任务启动一个flink集群，各个集群之间独立运行，互不影响,且每个集群可以设置独立的配置。
per job模式的问题
目前，对于per job模式，jar包的解析、生成JobGraph是在客户端上执行的，然后将生成的jobgraph提交到集群。很多公司都会有自己的实时计算平台，用户可以使用这些平台提交flink任务，如果任务特别多的话，那么这些生成JobGraph、提交到集群的操作都会在实时平台所在的机器上执行，那么将会给服务器造成很大的压力。
此外这种模式提交任务的时候会把本地flink的所有jar包先上传到hdfs上相应 的临时目录，这个也会带来大量的网络的开销，所以如果任务特别多的情况下，平台的吞吐量将会直线下降。
引入application模式
所以针对flink per job模式的一些问题，flink 引入了一个新的部署模式–Application模式。 目前 Application 模式支持 Yarn 和 K8s 的部署方式，Yarn Application 模式会在客户端将运行任务需要的依赖都上传到 Flink Master，然后在 Master 端进行任务的提交。
此外，还支持远程的用户jar包来提交任务，比如可以将jar放到hdfs上，进一步减少上传jar所需的时间，从而减少部署作业的时间。
具体的使用命令是：
/bin/flink run-application -p 1 -t yarn-application \
-yD yarn.provided.lib.dirs="hdfs://localhost/flink/libs" \
hdfs://localhost/user-jars/HelloWold.jar
通过程序提交任务
当我们要做一个实时计算平台的时候，会需要通过程序来提交任务到集群，这时候需要我们自己封装一套API来实现提交flink任务到集群，目前主要的生产环境还是以yarn居多，所以我们今天讲讲怎么通过api的方式把一个任务以application的方法提交到yarn集群。
-
引入相关的配置到classpath里
core-site.xml
hdfs-site.xml
yarn-site.xml -
定义相关的配置参数
//flink的本地配置目录，为了得到flink的配置
String configurationDirectory = "/Users/user/work/flink/conf/";
//存放flink集群相关的jar包目录
String flinkLibs = "hdfs://hadoopcluster/data/flink/libs";
//用户jar
String userJarPath = "hdfs://hadoopcluster/data/flink/user-lib/TopSpeedWindowing.jar";
String flinkDistJar = "hdfs://hadoopcluster/data/flink/libs/flink-yarn_2.11-1.11.0.jar";
- 获取flink的配置
这里其实还可以设置很多的配置参数，比如yarn的队列名字等等，大家根据自己的需要来设置。
// 获取flink的配置
Configuration flinkConfiguration = GlobalConfiguration.loadConfiguration(
configurationDirectory);
//设置为application模式
flinkConfiguration.set(
DeploymentOptions.TARGET,
YarnDeploymentTarget.APPLICATION.getName());
//yarn application name
flinkConfiguration.set(YarnConfigOptions.APPLICATION_NAME, "jobName");
.........
- 设置用户jar的参数和主类
// 设置用户jar的参数和主类
ApplicationConfiguration appConfig = new ApplicationConfiguration(args, null);
- 提交任务到集群
YarnClusterDescriptor yarnClusterDescriptor = new YarnClusterDescriptor(
flinkConfiguration,
yarnConfiguration,
yarnClient,
clusterInformationRetriever,
true);
ClusterClientProvider<ApplicationId> clusterClientProvider = null;
try {
clusterClientProvider = yarnClusterDescriptor.deployApplicationCluster(
clusterSpecification,
appConfig);
} catch (ClusterDeploymentException e){
e.printStackTrace();
}
完整代码请参考：
https://github.com/zhangjun0x01/bigdata-examples/blob/master/flink/src/main/java/cluster/SubmitJobApplicationMode.java
Application模式源码解析
通过上面提交的脚本我们看到入口是从flink bin目录下flink命令开始的，我们看下这个文件的最后一行代码，也就是提交任务的入口类：org.apache.flink.client.cli.CliFrontend，接下来我们基于flink 1.11的源码简单梳理一下flink是如何把一个任务提交到yarn集群的。
exec $JAVA_RUN $JVM_ARGS $FLINK_ENV_JAVA_OPTS "${log_setting[@]}" -classpath "`manglePathList "$CC_CLASSPATH:$INTERNAL_HADOOP_CLASSPATHS"`" org.apache.flink.client.cli.CliFrontend "$@"
入口
在CliFrontend的main方法里，我们看到做了这么几件事。
- 获取flink的配置目录
- 加载flink的配置
- 加载并解析命令行参数
- 通过CliFrontend.parseParameters方法来执行具体的操作
// 1. find the configuration directory
final String configurationDirectory = getConfigurationDirectoryFromEnv();
// 2. load the global configuration
final Configuration configuration = GlobalConfiguration.loadConfiguration(configurationDirectory);
// 3. load the custom command lines
final List<CustomCommandLine> customCommandLines = loadCustomCommandLines(
configuration,
configurationDirectory);
try {
final CliFrontend cli = new CliFrontend(
configuration,
customCommandLines);
SecurityUtils.install(new SecurityConfiguration(cli.configuration));
int retCode = SecurityUtils.getInstalledContext()
.runSecured(() -> cli.parseParameters(args));
System.exit(retCode);
}
执行具体的操作
在parseParameters方法里，解析出来要执行的操作，然后通过一个switch来进入要执行的方法，我们这里是进入runApplication方法。
switch (action) {
case ACTION_RUN:
run(params);
return 0;
case ACTION_RUN_APPLICATION:
runApplication(params);
return 0;
case ACTION_LIST:
list(params);
return 0;
..........
}
runApplication方法
在这个方法里，主要是用传进来的命令行参数构造出来flink的配置对象Configuration，以及application模式所需的配置ApplicationConfiguration，包括入口类，jar包参数，最后
// 用传进来的命令行参数构造出来flink的配置对象Configuration
final Configuration effectiveConfiguration = getEffectiveConfiguration(
activeCommandLine, commandLine, programOptions, Collections.singletonList(uri.toString()));
//构造包含入口类和jar包参数的配置ApplicationConfiguration
final ApplicationConfiguration applicationConfiguration =
new ApplicationConfiguration(programOptions.getProgramArgs(), programOptions.getEntryPointClassName());
deployer.run(effectiveConfiguration, applicationConfiguration);
构造ClusterDescriptor
上面的方法会进入ApplicationClusterDeployer的run方法，在这里会根据配置使用工厂类构造不同的ClusterDescriptor，比如是k8s的话会构造KubernetesClusterDescriptor，部署在yarn的话会构造YarnClusterDescriptor。之后会通过deployApplicationCluster来部署application模式的flink程序。
Deploy Application Cluster
我们这里以yarn集群为例，进入YarnClusterDescriptor#deployApplicationCluster方法，在这个方法里，我们看到经过一些简单的检查之后，调用了private方法YarnClusterDescriptor#deployInternal,这个deployInternal是一个提供公共功能的方法，可以看下其他的部署模式，yarn session模式，per job模式，都是调用的这个方法，只是参数不同而已。
我们简单看下这个方法：
/**
* This method will block until the ApplicationMaster/JobManager have been deployed on YARN.
*
* @param clusterSpecification 一些配置参数
* @param applicationName yarn job的名字
* @param yarnClusterEntrypoint 入口类
* @param jobGraph 程序的jobGraph，可为空
* @param detached 是否是隔离模式
*/
private ClusterClientProvider<ApplicationId> deployInternal(
ClusterSpecification clusterSpecification,
String applicationName,
String yarnClusterEntrypoint,
@Nullable JobGraph jobGraph,
boolean detached) throws Exception {
在这个方法里，将会根据不同的部署模式做一些必要的检查，然后启动yarn容器的操作。比如per job模式，上传flink jar包等等，都是在这个方法完成的。此外，该方法会一直阻塞到ApplicationMaster/JobManager部署成功，之后会进入用户程序的入口类ApplicationClusterEntryPoint来执行用户程序。
ApplicationClusterEntryPoint
yarn组件启动完成之后，开始执行用户的程序，在这个类里，会做以下的一些工作：
- 下载必要的jar或者resources
- 进行leader选举，决定谁执 main 方法
- 用户程序退出时终止集群
- 保证HA和容错
application模式提交任务到yarn集群，大概的流程就先讲到这里，flink任务执行的流程，后续再写篇文章专门介绍。
更多精彩信息，欢迎关注我的公众号【大数据技术与应用实战】
扫一扫
1821
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
