独立部署(Standalone)模式由Flink自身提供计算资源,无需其他框架提供资源,这种方式降低了和其他第三方资源框架的耦合性,独立性非常强。但是我们也要知道,Flink主要是计算框架,而不是资源调度框架,所以本身提供的资源调度并不是它的强项,所以还是和其他专业的资源调度框架集成更靠谱,所以接下来我们来学习在强大的Yarn环境中Flink是如何使用的。(其实是因为在国内工作中,Yarn使用的非常多)

一、Yarn模式配置

把Flink应用提交给Yarn的ResourceManager, Yarn的ResourceManager会申请容器从Yarn的NodeManager上面. Flink会创建JobManager和TaskManager在这些容器上.Flink会根据运行在JobManger上的job的需要的slot的数量动态的分配TaskManager资源

1. 复制flink-yarn

cp -r flink-1.13.1 flink-yarn

2.配置环境变量HADOOP_CLASSPATH, 如果前面已经配置可以忽略。

在/etc/profile.d/my.sh中配置并分发

export HADOOP_CLASSPATH=`hadoop classpath`

二、Yarn运行无界流WordCount

1.启动hadoop集群(hdfs, yarn)

2.运行无界流

bin/flink run -t yarn-per-job -c com.bigdata.flink.java.chapter_2.Flink03_WC_UnBoundedStream ./flink-prepare-1.0-SNAPSHOT.jar

3.在yarn的ResourceManager界面查看执行情况

三、Flink on Yarn的3种部署模式

Flink提供了yarn上运行的3种模式,分别为Session-Cluster,Application Mode和Per-Job-Cluster模式。

1. Session-Cluster

Session-Cluster模式需要先启动Flink集群,向Yarn申请资源。以后提交任务都向这里提交。这个Flink集群会常驻在yarn集群中,除非手动停止。

在向Flink集群提交Job的时候, 如果资源被用完了,则新的Job不能正常提交。

缺点: 如果提交的作业中有长时间执行的大作业, 占用了该Flink集群的所有资源, 则后续无法提交新的job。

所以, Session-Cluster适合那些需要频繁提交的多个小Job, 并且执行时间都不长的Job。

2. Per-Job-Cluster

一个Job会对应一个Flink集群,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。

每次提交都会创建一个新的flink集群,任务之间互相独立,互不影响,方便管理。任务执行完成之后创建的集群也会消失。

3. Application Mode

Application Mode会在Yarn上启动集群, 应用jar包的main函数(用户类的main函数)将会在JobManager上执行。只要应用程序执行结束, Flink集群会马上被关闭。也可以手动停止集群。

与Per-Job-Cluster的区别:就是Application Mode下, 用户的main函数式在集群中执行的,并且当一个application中有多个job的话,per-job模式则是一个job对应一个yarn中的application,而Application Mode则这个application中对应多个job。

测试代码:

import org.apache.flink.api.common.functions.MapFunction;

import org.apache.flink.streaming.api.datastream.DataStreamSource;

import org.apache.flink.streaming.api.environment.StreamExecutionEnvironment;

public class Application_Test {

public static void main(String[] args) throws Exception {

StreamExecutionEnvironment env = StreamExecutionEnvironment.getExecutionEnvironment();

test1(env);

test2(env);

test3(env);

}

public static void test1(StreamExecutionEnvironment env) throws Exception {

DataStreamSource<String> stringDataStreamSource = env.fromElements("22222");

stringDataStreamSource.map(new MapFunction<String, String>() {

@Override

public String map(String value) throws Exception {

return value;

}

}).print();

env.execute();

}

public static void test2(StreamExecutionEnvironment env) throws Exception {

DataStreamSource<String> stringDataStreamSource = env.fromElements("22222");

stringDataStreamSource.map(new MapFunction<String, String>() {

@Override

public String map(String value) throws Exception {

return value;

}

}).print();

env.execute();

}

public static void test3(StreamExecutionEnvironment env) throws Exception {

DataStreamSource<String> stringDataStreamSource = env.socketTextStream("hadoop102", 9999);

stringDataStreamSource.map(new MapFunction<String, String>() {

@Override

public String map(String value) throws Exception {

return value;

}

}).print();

env.execute();

}

}

打包上传到集群,分别以Per-job和Application Mode模式运行,对比区别

Per-job模式执行结果,一个job对应一个Application

Application Mode模式执行结果,多个job对应一个Application并且对应一个flink集群。

官方建议:

出于生产的需求, 我们建议使用Per-job or Application Mode,因为他们给应用提供了更好的隔离!

https://ci.apache.org/projects/flink/flink-docs-release-1.12/deployment/

四、各模式下执行无界流WordCount

1. Per-Job-Cluster模式执行无界流WordCount

bin/flink run -d -t yarn-per-job -c com.bigdata.flink.java.chapter_2.Flink03_WC_UnBoundedStream ./flink-prepare-1.0-SNAPSHOT.jar

提交任务到Yarn的其他队列

bin/flink run -d -m yarn-cluster -yqu hive -c com.bigdata.flink.java.chapter_2.Flink03_WC_UnBoundedStream ./flink-prepare-1.0-SNAPSHOT.jar(老版本)

bin/flink run -d -t yarn-per-job -Dyarn.application.queue=hive -c com.bigdata.flink.java.chapter_2.Flink03_WC_UnBoundedStream ./flink-prepare-1.0-SNAPSHOT.jar

2. Session-Cluster模式执行无界流WordCount

2.1 启动一个Flink-Session

bin/yarn-session.sh -d

2.2 在Session上运行Job

bin/flink run -c com.bigdata.flink.java.chapter_2.Flink03_WC_UnBoundedStream ./flink-prepare-1.0-SNAPSHOT.jar

会自动找到你的yarn-session启动的Flink集群.也可以手动指定你的yarn-session集群:

bin/flink run -t yarn-session -Dyarn.application.id=application_XXXX_YY -c com.bigdata.flink.java.chapter_2.Flink03_WC_UnBoundedStream ./flink-prepare-1.0-SNAPSHOT.jar

注意: application_XXXX_YY 指的是在yarn上启动的yarn应用

如果是1.12版本开启了Yarn模式的高可用,上面指定yarn-session集群的命令不能用,需要去掉 -t yarn-session (1.13版本已修复)

bin/flink run -Dyarn.application.id=application_XXXX_YY -c com.bigdata.flink.java.chapter_2.Flink03_WC_UnBoundedStream ./flink-prepare-1.0-SNAPSHOT.jar

3. Application Mode模式执行无界流WordCount

bin/flink run-application -t yarn-application -c com.bigdata.flink.java.chapter_2.Flink03_WC_UnBoundedStream ./flink-prepare-1.0-SNAPSHOT.jar

五、Yarn模式高可用

Yarn模式的高可用和Standalone模式的高可用原理不一样。

Standalone模式中, 同时启动多个Jobmanager, 一个为leader其他为standby的, 当leader挂了, 其他的才会有一个成为leader。

yarn的高可用是同时只启动一个Jobmanager, 当这个Jobmanager挂了之后, yarn会再次启动一个, 其实是利用的yarn的重试次数来实现的高可用。

1. 在yarn-site.xml中配置

<property>

<name>yarn.resourcemanager.am.max-attempts</name>

<value>4</value>

<description>

The maximum number of application master execution attempts.

</description>

</property>

注意: 配置完不要忘记分发, 和重启yarn

2. 在flink-conf.yaml中配置

yarn.application-attempts: 3

high-availability: zookeeper

high-availability.storageDir: hdfs://hadoop102:8020/flink/yarn/ha

high-availability.zookeeper.quorum: hadoop102:2181,hadoop103:2181,hadoop104:2181

high-availability.zookeeper.path.root: /flink-yarn

3. 启动yarn-session

4. 杀死Jobmanager, 查看的他的复活情况

注意: yarn-site.xml中是它活的次数的上限, flink-conf.xml中的次数应该小于这个值。

5. 测试过程中会发现一直kill不掉jobManager,是因为除了重试次数这个机制外,还有一个时间的机制(Akka超时时间),如果在一定的时间内jobManager重新拉取了几次还是挂掉的话,那就会真正的挂掉。

总结

Flink提供了yarn上运行的3种模式,分别为Session-Cluster,Application Mode和Per-Job-Cluster模式。Session-Cluster适合那些需要频繁提交的多个小Job, 并且执行时间都不长的Job。Per-Job-Cluster适合规模大长时间运行的作业。Per-job模式执行结果,一个job对应一个Application。Application Mode模式执行结果,多个job对应一个Application并且对应一个Flink集群。

举报/反馈

尚硅谷教育

4.1万获赞 2.2万粉丝
让天下没有难学的技术
北京晟程华科教育科技有限公司官方账号,教育领域创作者
关注
0
0
收藏
分享