🍅程序员小王的博客:程序员小王的博客

🍅 欢迎点赞 👍 收藏 ⭐留言 📝

🍅 如有编辑错误联系作者,如果有比较好的文章欢迎分享给我,我会取其精华去其糟粕

前言

这篇博客主要就是总结了各种flink部署方法及部署中出现的一些问题

  • 首先我进行了flink单机部署,个人建议不管是学习还是开发尽量不使用
  • 然后开始了flink自带集群部署,部署在三台服务器上,资源管理由flink集群自己管理,然后为了解决集群的单点故障问题,使用zookeeper监听事件,实现独立高可用集群,防止集群的单点故障,推荐这种集群可以部署在开发环境中测试使用
  • 最后一种就是flink on yarn: 把资源管理交给yarn实现,计算机资源统一由Haoop YARN管理,推荐部署在生产环境中使用,也算是目前主流的一种部署方式。
  • 然后k8s部署,容器化部署是如今业界流行的一项技术,基于 Docker 镜像运行能够让用户更加方便地对应用进行管理和运维。容器管理工具中最为流行的就是 Kubernetes(k8s),而 Flink 也在最近的版本中支持了 k8s 部署模式。我在这篇博客中没有详细介绍k8s部署Flink,如果感兴趣,可以自己查阅资料进行部署

 

一、Flink的特性

  • Flink 是第三代分布式流处理器,它的功能丰富而强大。

  • flink是一个分布式,高性能,随时可用的以及准确的流处理计算框架,flink可以对无界数据(流处理)和有界数据(批处理)进行有状态计算(flink天生支持状态计算)的分布式,高性能的计算框架。

1、Flink核心特性

Flink 区别与传统数据处理框架的特性如下:

  • 高吞吐和低延迟。每秒处理数百万个事件,毫秒级延迟。

  • 结果的准确性。Flink 提供了事件时间(event-time)和处理时间(processing-time)语义。对于乱序事件流,事件时间语义仍然能提供一致且准确的结果。

  • 精确一次(exactly-once)的状态一致性保证。

  • 可以连接到最常用的存储系统,如 Apache Kafka、Apache Cassandra、Elasticsearch、JDBC、Kinesis 和(分布式)文件系统,如 HDFS 和 S3。高可用。本身高可用的设置,加上与 K8s,YARN 和 Mesos 的紧密集成,再加上从故障中快速恢复和动态扩展任务的能力,Flink 能做到以极少的停机时间 7×24 全天候运行。

  • 能够更新应用程序代码并将作业(jobs)迁移到不同的 Flink 集群,而不会丢失应用程序的状态

  • 支持带有事件时间的窗口(Window)操作

  • Flink在JVM中实现了自己的内存管理

2、分层API

除了上述这些特性之外,Flink 还是一个非常易于开发的框架,因为它拥有易于使用的分层 API,整体 API 分层如图:

大多数应用并不需要上述的底层抽象,而是直接针对核心 API(Core APIs) 进行编程,比如 DataStream API(用于处理有界或无界流数据)以及 DataSet API(用于处理有界

数据集)。这些 API 为数据处理提供了通用的构建模块,比如由用户定义的多种形式的转换(transformations)、连接(joins)、聚合(aggregations)、窗口(windows)操作等。

3、大数据技术框架发展阶段

总共有四代:

  • mr-->DAG框架(tez)--->Spark流批处理框架,内存计算(伪实时)-->flink流批处理,内存计算(真正的实时计算

4、Flink和Spark的区别

5、Flink的基石

  • flink的四大基石:checkpoint,state,time,window

  • checkpoint:基于chandy-lamport算法实现分布式计算任务的一致性语义;

  • state:flink中的状态机制,flink天生支持state,state可以认为程序的中间计算结果或者是历史计算结果;

  • time:flink中支持基于事件时间和处理时间进行计算,spark streaming只能按照process time进行处理;基于事件时间的计算我们可以解决数据迟到和乱序等问题。

  • window:flink提供了更多丰富的window,基于时间,基于数量,session window,同样支持滚动和滑动窗口的计算

6、Flink的流处理和批处理

  • 流处理:无界,实时性有要求,只需对经过程序的每条数据进行处理

  • 批处理:有界,持久,需要对全部数据进行访问处理;

1. spark:spark生态中是把所有的计算都当做批处理,
         spark streaming中流处理本质上也是批处理(micro batch);

2. flink:flink中是把批处理(有界数据集的处理)看成是一个特殊的流处理场景;
          flink中所有计算都是流式计算
  • flink技术栈

二、Flink体系结构

1、Flink的重要角色

  • JobManager:类似spark中master,负责资源申请,任务分发,任务调度执行,checkpoint的协调执行;可以搭建HA,双master。

  • TaskManager:类似spark中的worker,负责任务的执行,基于dataflow(spark中DAG)划分出的task;与jobmanager保持心跳,汇报任务状态。

客户端(Client)、作业管理器(JobManager)和任务管理器(TaskManager)。

我们的代码,实际上是由客户端获取并做转换,之后提交给JobManger 的。所以 JobManager 就是 Flink 集群里的“管事人”,对作业进行中央调度管理;而它获取到要执行的作业后,会进一步处理转换,然后分发任务给众多的 TaskManager。这里的 TaskManager,就是真正“干活的人”,数据的处理操作都是它们来做的

  • Flink程序由JobClient进行提交

  • JobClient将作业提交给JobManager

  • JobManager负责协调资源分配和作业执行。资源分配完成后,任务将提交给相应的TaskManager

  • TaskManager启动一个线程以开始执行。TaskManager会向JobManager报告状态更改,如开始执行,正在进行或已完成。

  • 作业执行完成后,结果将发送回客户端(JobClient)

2、有界数据和无界数据

  • 无界数据流:数据流是有一个开始但是没有结束;

  • 有界数据流:数据流是有一个明确的开始和结束,数据流是有边界的。

  • flink流处理批处理的原理:

link支持的runtime(core 分布式流计算)支持的是无界数据流,
但是对flink来说可以支持批处理,
只是从数据流上来说把有界数据流只是无界数据流的一个特例,
无界数据流只要添加上边界就是有界数据流。

三、Flinl单节点部署和standalone集群搭建

1、Flink的安装模式

  • local:单机模式,尽量不使用

  • standalone: flink自带集群,资源管理由flink集群管理,开发环境测试使用

  • flink on yarn: 把资源管理交给yarn实现,计算机资源统一由Haoop YARN管理,生产环境测试。

2、环境配置

Flink 是一个分布式的流处理框架,所以实际应用一般都需要搭建集群环境。我们在进行

Flink 安装部署的学习时,需要准备 3 台 Linux 机器。具体要求如下:

  • 系统环境为 CentOS 7.5 版本。

  • 安装 Java 8。

#1. 安装jdk
rpm -ivh jdk-8u171-linux-x64.rpm 
#2.搜索默认安装位置
find / -name "java"
#3.配置环境变量
vi /etc/profile
#4.在文末加上配置
export JAVA_HOME=/usr/java/jdk1.8.0_171-amd64/
export PATH=$PATH:$JAVA_HOME/bin
#5.加载配置生效
source /etc/profile  
#6.测试环境变量
java -version

  • flink 1.7.2版本

  • 配置集群节点服务器间时间同步以及免密登录,关闭防火墙。

3、单节点部署

  • 原理

(1)上传安装包然后解压到指定目录,注意修改所属用户和用户组

#1.解压
tar -zxvf flink-1.7.2-bin-hadoop27-scala_2.11.tgz 
#2.改名
mv flink-1.7.2 flink
#3.赋予权限
chown -R root:root flink

  • flink目录结构

(2)去flink的bin目录下启动shell交互式窗口

bin/start-scala-shell.sh local

(3)提交一个任务

  • 准备文件:words.txt

  • 测试

benv.readTextFile("/home/user/apps/test/words.txt").flatMap(_.split(" ")).map((_,1)).groupBy(0).sum(1).print()

  • 启动scala-shell的现象flink准备了benv,senv,分别是批处理和流处理程序入口对象

单节点的flink集群

(4)直接启动

  • 关闭防火墙

systemctl stop firewalld
  • 直接启动

bin/start-cluster.sh

  • 验证taskmanager,jobmanager进程是否存在

[root@node1 flink]# jps

(5)客户端访问

(6)提交任务到flink 单节点集群

  • 统计/home/user/apps/test/words.txt中的单词数量,(准备数据文件)

#四行代码要写在一排,其中要提前准备words.txt,WordCount.jar 自带的,out不用准备
/home/user/apps/flink/bin/flink run 
/home/user/apps/flink/examples/batch/WordCount.jar 
--input /home/user/apps/test/words.txt 
--output /home/user/apps/test/out  

  • 查看out中获取的数据

  • 注意:如果来回切换模式时可能会遇到提交任务报错的情况:如失败需删除之前的运行信息

rm -rf /tmp/.yarn-properties-root
  • 前端页面成功

(7)停止集群

bin/stop-cluster.sh

4、standalone集群

  • 搭建原理:standalone模式是最简单的一种集群模式,不需要yarn、mesos等资源调度平台

  • standalone: flink自带集群,资源管理由flink集群管理,开发环境测试使用

  • 集群规划

1. 192.168.43.129(master+Slave)
1. 192.168.43.130(Slave)
1. 192.168.43.131(Slave)

(1)修改配置文件 conf/flink-conf.yaml

[root@node1 conf]# vim  flink-conf.yaml
  • 修改之前

  • 修改之后

jobmanager.rpc.address: 192.168.43.129 
jobmanager.rpc.port: 6123
jobmanager.heap.size: 1024
taskmanager.heap.size: 1024
taskmanager.numberOfTaskSlots: 2
taskmanager.memory.preallocate: false
parallelism.default: 1
jobmanager.web.port: 8081
taskmanager.tmp.dirs: /home/user/apps/flink/tmp
#页面提交
web.submit.enable: true

(2)修改master文件conf/master

192.168.43.129:8081

(3)修改conf目录下slave文件

#如果自己的ip没有命名,可以这样,如下:
192.168.43.129
192.168.43.130
192.168.43.131

(4)分发flink目录到其它节点

 scp -r /home/user/apps/flink 192.168.43.130:/home/user/apps/flink
 scp -r /home/user/apps/flink 192.168.43.131:/home/user/apps/flink
scp -r /etc/profile 192.168.43.130:/etc/profile
 scp -r /etc/profile 192.168.43.131:/etc/profile

(5)启动集群

bin/start-cluster.sh 停止 bin/stop-cluster.sh

  • 单独启动jobmanager或者taskmanager(启动成功后,可以不启动)

bin/jobmanager.sh start/stop
bin/taskmanager.sh start/stop
  • jps测

(6)部署hadoop及往hadoop上传文件

  • 首先我们应该上传文件到hdfs文件中

#1. 查看hdfs文件系统目录文件
hdfs dfs -ls /wordcount
#2.上传:hdfs dfs -put 本地文件目录  HDFS文件目录
hdfs dfs -put /usr/apps/word/words.txt /wordcount
#3.删除文件hdfs dfs -rm -r HDFS文件路径
hdfs dfs -rm -r /wordcount

(7)提交任务到standalone集群

/home/user/apps/flink/bin/flink run  
/home/user/apps/flink/examples/batch/WordCount.jar 
--input hdfs://node1:8020/wordcount/words.txt 
--output hdfs://node1:8020/wordcount/output/result.txt  --parallelism 2  

  • 注意:使用的数据文件是hdfs上,不能是本地文件路径,因为会找不到文件。

  • 提交之前,output目录为空

四、Flink(standalone HA)集群搭建

2、standalone HA Flink集群搭建

  • standalone HA:独立高可用集群

  • 解决standalone集群的单点故障问题,所以搭建HA集群。

(1)原理:

(2)配置hadoop_conf_dir到/etc/profile中

#hadoop_conf_dir
export hadoop_conf_dir=/usr/apps/hadoop/etc/hadoop

(3)停止原先standone集群

bin/stop-cluster.sh

(4)修改conf/flink-conf.yaml

#开启HA,使用文件系统作为快照存储
state.backend: filesystem
#启用检查点,可以将快照保存到HDFS
state.backend.fs.checkpointdir: hdfs://node1:8020/flink-checkpoints
#使用zookeeper搭建高可用
high-availability: zookeeper
# 存储JobManager的元数据到HDFS
high-availability.storageDir: hdfs://node1:8020/flink/ha/
# 配置ZK集群地址
high-availability.zookeeper.quorum: node1:2181,node2:2181,node3:2181
# 默认是 open,如果 zookeeper security 启用了更改成 creator
high-availability.zookeeper.client.acl: open

# 设置savepoints 的默认目标目录(可选)
# state.savepoints.dir: hdfs://namenode-host:port/flink-checkpoints

# 用于启用/禁用增量 checkpoints 的标志
# state.backend.incremental: false

(5)配置master

[root@node1 conf]# vim masters 
node1:8081
node2:8081

(6)分发masters,flink-conf.yaml

scp -r /home/user/apps/flink/conf/masters node2:/home/user/apps/flink/conf/
scp -r /home/user/apps/flink/conf/masters node3:/home/user/apps/flink/conf/
scp -r /home/user/apps/flink/conf/flink-conf.yaml node2:/home/user/apps/flink/conf/
scp -r /home/user/apps/flink/conf/flink-conf.yaml node3:/home/user/apps/flink/conf/

(7)在node2节点上,修改flink-conf.yaml

jobmanager.rpc.address: node2

(8)启动HA集群

#1.启动hadoop
/usr/apps/hadoop/sbin/start-dfs.sh
#2.启动Zookeeper
/usr/apps/zookeeper/bin/zkServer.sh start
 #查看zookeeper是否启动:/usr/apps/zookeeper/bin/zkServer.sh status
#3.启动Flink
bin/start-cluster.sh
#查看flink是否启动 jps

  • 三个Flink节点

(9)测试

  • 为了实现windows能够访问linux的名称节点,比如node1等,我们需要配置

#1.在windows系统中打开 C:\Windows\System32\drivers\etc\hosts 
#   文件并添加主机配置。我添加的是自己的虚拟主机ip跟主机名。
192.168.43.129 node1
192.168.43.130 node2
192.168.43.131 node3

  • hosts需要关闭可读

  • 我们输入http://node2:8081访问Flink,也还是自动访问node1:8081

(9)杀死active(node1)的jobmanager,然后看standby(node2)是否会切换为active状态。

  • 关闭node1d1的jobmanager

[root@node1 flink]# jps
86913 QuorumPeerMain
91139 Jps
87177 NameNode
88442 StandaloneSessionClusterEntrypoint
87326 DataNode
88958 TaskManagerRunner
[root@node1 flink]# kill -9 88442

  • node1不能访问了

  • node2正常访问

五、Yarn搭建Flink集群(企业生产环境使用)

独立(Standalone)模式由 Flink 自身提供资源,无需其他框架,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。但我们知道,Flink 是大数据计算框架,不是资源调度框架,这并不是它的强项;所以还是应该让专业的框架做专业的事,和其他资源调度框架集成更靠谱。而在目前大数据生态中,国内应用最为广泛的资源管理平台就是 YARN 了。在强大的 YARN 平台上 Flink 是如何集成部署的。整体来说,YARN 上部署的过程是:客户端把 Flink 应用提交给 Yarn 的 ResourceManager,Yarn 的 ResourceManager 会向 Yarn 的 NodeManager 申请容器。在这些容器上,Flink 会部署JobManager 和 TaskManager 的实例,从而启动集群。Flink 会根据运行在 JobManger 上的作业所需要的 Slot 数量动态分配 TaskManager 资源。

1、yarn简介

yarn(yet another resource negotiator)是一个通用分布式资源管理系统和调度平台,为上层应用提供统一的资源管理和调度。在集群利用率、资源统一管理和数据共享等方面带来巨大好处。

  • 资源管理系统:集群的硬件资源,如内存、CPU等。

  • 调度平台:多个程序同时申请计算资源如何分配,调度的规则(算法)。

  • 通用:不仅仅支持mapreduce程序,理论上支持各种计算程序。yarn不关心你干什么,只关心你要资源,在有的情况下给你,用完之后还我。

  • flink on yarn: 把资源管理交给yarn实现,计算机资源统一由Haoop YARN管理,生产环境测试。

2、Yarn搭建Flink集群准备工作

  • flink on yarn 企业生产环境运行flink任务大多数的选择

  • 好处:集群资源由yarn集群统一调度和管理,提高利用率,flink中jobmanager的高可用操作就由yarn集群来管理实现。

(1)在yarn-site.xml中配置关闭内存校验

  • yarn-site.xml是hadoop中/etc/hadoop下的配置文件,否则flink任务可能会因为内存超标而被yarn集群主动杀死

(hadoop集群部署:http://t.csdn.cn/ZLLD9

<!-- 设置不检查虚拟内存的值,不然内存不够会报错 -->
<property>
    <name>yarn.nodemanager.pmem-check-enabled</name>
    <value>false</value>
</property>
<property>
    <name>yarn.nodemanager.vmem-check-enabled</name>
    <value>false</value>
</property>

(2)Yarn搭建Flink集群方式分类

在yarn上启动一个Flink主要有两种方式:

  • 启动一个Yarn session(在yarn集群内部初始化一个Flink集群常驻,一直运行)

  • 直接在yarn上提交运行Flink作业(每次提交一个job到yarn集群,yarn集群开辟资源初始化一个Flink集合)

3、Yarn搭建Flink集群之回话模式

  • 启动一个Yarn session(在yarn集群内部初始化一个Flink集群常驻,一直运行)

(1)启动hadoop集群(HDFS,YARN)

#1.启动hadoop
/usr/apps/hadoop/sbin/start-all.sh
#2.启动Zookeeper(因为flink里面有zookeeper的配置,不打卡会报错:Deployment took more than 60 seconds. Please check if the requested resources are available in the YARN cluster)
/usr/apps/zookeeper/bin/zkServer.sh start

  • 启动成功页面

(2)执行脚本命令向 YARN 集群申请资源,开启一个 YARN 会话,启动 Flink 集群。

  • 使用yarn-session.sh命令申请资源初始化一个flink集群(yarn-session.sh命令在flink的bin下)

bin/yarn-session.sh -n 2 -tm 800 -s 1 -d

  • 命令参数解释

# -n 表示申请2个容器,这里指的就是多少个taskmanager(虽然写的是2但是真实申请的是3个)
# -s 表示每个TaskManager的slots数量
# -tm 表示每个TaskManager的内存大小
# -d 表示以后台程序方式运行,分离模式,如果你不想让 Flink YARN 客户端一直前台运行,可以使用这个参数,
#     即使关掉当前对话窗口,YARN session 也可以后台运行。
#-qu(--queue):指定 YARN 队列名。
  • 注意:Flink1.11.0 版本(我部署的是flink 1.7.2)不再使用-n 参数和-s 参数分别指定 TaskManager 数量和 slot 数量,YARN 会按照需求动态分配 TaskManager 和 slot。所以从这个意义上讲,YARN 的会话模式也不会把集群资源固定,同样是动态分配的。

  • YARN Session 启动之后会给出一个 web UI 地址以及一个 YARN application ID,如下所示,用户可以通过 web UI 或者命令行两种方式提交作业。

从图中可以看到我们创建的 Yarn-Session 实际上是一个 Yarn 的Application,并且有唯一的 Application ID。

  • 也可以通过 Flink 的 Web UI 页面查看提交任务的运行情况

(3)使用bin/yarn-session.sh --help 查看可用参数:

Usage:
   Required
     -n,--container <arg>   Number of YARN container to allocate (=Number of Task Managers)
   Optional
     -D <property=value>             use value for given property
     -d,--detached                   If present, runs the job in detached mode
     -h,--help                       Help for the Yarn session CLI.
     -id,--applicationId <arg>       Attach to running YARN session
     -j,--jar <arg>                  Path to Flink jar file
     -jm,--jobManagerMemory <arg>    Memory for JobManager Container with optional unit (default: MB)
     -m,--jobmanager <arg>           Address of the JobManager (master) to which to connect. Use this flag to connect to a different JobManager than the one specified in the configuration.
     -n,--container <arg>            Number of YARN container to allocate (=Number of Task Managers)
     -nl,--nodeLabel <arg>           Specify YARN node label for the YARN application
     -nm,--name <arg>                Set a custom name for the application on YARN
     -q,--query                      Display available YARN resources (memory, cores)
     -qu,--queue <arg>               Specify YARN queue.
     -s,--slots <arg>                Number of slots per TaskManager
     -sae,--shutdownOnAttachedExit   If the job is submitted in attached mode, perform a best-effort cluster shutdown when the CLI is terminated abruptly, e.g., in response to a user interrupt, such
                                     as typing Ctrl + C.
     -st,--streaming                 Start Flink in streaming mode
     -t,--ship <arg>                 Ship files in the specified directory (t for transfer)
     -tm,--taskManagerMemory <arg>   Memory per TaskManager Container with optional unit (default: MB)
     -yd,--yarndetached              If present, runs the job in detached mode (deprecated; use non-YARN specific option instead)
     -z,--zookeeperNamespace <arg>   Namespace to create the Zookeeper sub-paths for high availability mode

(4)使用命令行提交任务

  • yarn集群中运行的任务:

  • flink run

在 YARN 环境中,由于有了外部平台做资源调度,所以我们也可以直接向 YARN 提交一个单独的作业,从而启动一个 Flink 集群。

/home/user/apps/flink/bin/flink run /home/user/apps/flink/examples/batch/WordCount.jar

  • 在 YARN 的 ResourceManager 界面查看执行情况

  • 点击可以打开 Flink Web UI 页面进行监控

  • 也可以直接在命令行查看结果哟!

(5)关闭yarn会话模式的集群

  • 停止 flink on yarn 会话模式中的flink集群

yarn application -kill appid

  • appid指hadoop前端页面中的id

  • 也是项目启动的那个

  • 前端页面被杀死

(6)会话模式这种方式的优缺点:

  • 缺点:1 会一直有一个程序运行在yarn集群中,不管有没有任务提交执行,浪费资源,

  • 优点:flink 集群环境是提前准备好的不需要为每个作业单独创建flink环境

  • 适用场景:大量的小作业的时候可以考虑使用这种方式

4、job分离模式

  • job分离模式一般用于长时间工作的任务,实际生产环境中job分离的方式使用较多!

(1)flink run -m yarn-cluster --help;可用参数:

Options for yarn-cluster mode:
     -d,--detached                        If present, runs the job in detached
                                          mode
     -m,--jobmanager <arg>                Address of the JobManager (master) to
                                          which to connect. Use this flag to
                                          connect to a different JobManager than
                                          the one specified in the
                                          configuration.
     -sae,--shutdownOnAttachedExit        If the job is submitted in attached
                                          mode, perform a best-effort cluster
                                          shutdown when the CLI is terminated
                                          abruptly, e.g., in response to a user
                                          interrupt, such as typing Ctrl + C.
     -yD <property=value>                 use value for given property
     -yd,--yarndetached                   If present, runs the job in detached
                                          mode (deprecated; use non-YARN
                                          specific option instead)
     -yh,--yarnhelp                       Help for the Yarn session CLI.
     -yid,--yarnapplicationId <arg>       Attach to running YARN session
     -yj,--yarnjar <arg>                  Path to Flink jar file
     -yjm,--yarnjobManagerMemory <arg>    Memory for JobManager Container with
                                          optional unit (default: MB)
     -yn,--yarncontainer <arg>            Number of YARN container to allocate
                                          (=Number of Task Managers)
     -ynl,--yarnnodeLabel <arg>           Specify YARN node label for the YARN
                                          application
     -ynm,--yarnname <arg>                Set a custom name for the application
                                          on YARN
     -yq,--yarnquery                      Display available YARN resources
                                          (memory, cores)
     -yqu,--yarnqueue <arg>               Specify YARN queue.
     -ys,--yarnslots <arg>                Number of slots per TaskManager
     -yst,--yarnstreaming                 Start Flink in streaming mode
     -yt,--yarnship <arg>                 Ship files in the specified directory
                                          (t for transfer)
     -ytm,--yarntaskManagerMemory <arg>   Memory per TaskManager Container with
                                          optional unit (default: MB)
     -yz,--yarnzookeeperNamespace <arg>   Namespace to create the Zookeeper
                                          sub-paths for high availability mode
     -z,--zookeeperNamespace <arg>        Namespace to create the Zookeeper
                                          sub-paths for high availability mode

(2)直接提交任务到yarn即可:

bin/flink run -m yarn-cluster -yn 2 -yjm 1024 -ytm 1024  /home/user/apps/flink/examples/batch/WordCount.jar

  • 命令参数解释:

# -m yarn-cluster 表示使用Job分离模式
# -yjm 指定jobmanager内存
# -ytm 指定taskmanager内存
# -yn 指定taskmanager数量
# -ys 指定每个taskmanager的slot数量

提交任务之后会在yarn集群按照我们的配置初始化一个flink集群,运行我们提交的作业,作业执行完成之后就释放资源关闭掉flink集群,把资源还给yarn集群。

  • 如果运行时报错:Could not allocate enough slots within timeout of 300000 ms to run the job. Please make sure that the cluster has enough resources.就在flink里面flink-conf.yaml里面的新增参数增加可支持的slot数量

taskmanager.network.memory.fraction: 0.1

taskmanager.network.memory.min: 268435456

taskmanager.network.memory.max: 4294967296
  • 注意:一般自己的项目比较小,linux资源比较少的不要设置,268435456 >= 209715200

(3)job分离模式的优缺点

  • 优点:随到随用,只有任务需要运行时才会开启flink集群;运行完就关闭释放资源,资源利用更合理;

  • 缺点:对于小作业不太友好,

  • 用场景:适合大作业,长时间运行的大作业。

六、K8S 模式搭建Flink集群

容器化部署是如今业界流行的一项技术,基于 Docker 镜像运行能够让用户更加方便地对

应用进行管理和运维。容器管理工具中最为流行的就是 Kubernetes(k8s),而 Flink 也在最近

的版本中支持了 k8s 部署模式。基本原理与 YARN 是类似的,具体配置可以参见官网说明

Logo

为开发者提供学习成长、分享交流、生态实践、资源工具等服务,帮助开发者快速成长。

更多推荐