一、Flink相关API说明
flinkAPI官网：Apache Flink 1.12 Documentation: Flink DataStream API Programming Guide
Flink提供了多个层次的API供开发者使用，越往上抽象程度越高，使用起来越方便；越往下越底层，使用起来难度越大
注意：我自己使用的是flink 1.7.2版本，但是在Flink1.12时支持流批一体，DataSetAPI已经不推荐使用了，大家最好优先使用DataStream流式API，既支持无界数据处理/流处理，也支持有界数据处理/批处理！
二、Flink运行架构
1、flink的编程模型
Flink程序主要包含三部分：Source/Transformation/Sink（源/转换操作/输出）
2、创建工程，maven依赖准备
properties
<properties> <encoding>UTF-8</encoding> <project.build.sourceEncoding>UTF-8</project.build.sourceEncoding> <maven.compiler.source>1.8</maven.compiler.source> <maven.compiler.target>1.8</maven.compiler.target> <java.version>1.8</java.version> <!-- Flink的架构中使用了 Akka 来实现底层的分布式通信，而 Akka 是用 Scala 开发的。我们用到的 Scala 版本为 2.12。--> <scala.version>2.12</scala.version> <flink.version>1.12.0</flink.version> </properties>
dependencies
build
<sourceDirectory>src/main/java</sourceDirectory> <plugins> <!-- 编译插件 --> <plugin> <groupId>org.apache.maven.plugins</groupId> <artifactId>maven-compiler-plugin</artifactId> <version>3.5.1</version> <configuration> <source>1.8</source> <target>1.8</target> <!--<encoding>${project.build.sourceEncoding}</encoding>--> </configuration> </plugin> <plugin> <groupId>org.apache.maven.plugins</groupId> <artifactId>maven-surefire-plugin</artifactId> <version>2.18.1</version> <configuration> <useFile>false</useFile> <disableXmlReport>true</disableXmlReport> <includes> <include>**/*Test.*</include> <include>**/*Suite.*</include> </includes> </configuration> </plugin> <!-- 打包插件(会包含所有依赖) --> <plugin> <groupId>org.apache.maven.plugins</groupId> <artifactId>maven-shade-plugin</artifactId> <version>2.3</version> <executions> <execution> <phase>package</phase> <goals> <goal>shade</goal> </goals> <configuration> <filters> <filter> <artifact>*:*</artifact> <excludes> <!-- zip -d learn_spark.jar META-INF/*.RSA META-INF/*.DSA META-INF/*.SF --> <exclude>META-INF/*.SF</exclude> <exclude>META-INF/*.DSA</exclude> <exclude>META-INF/*.RSA</exclude> </excludes> </filter> </filters> <transformers> <transformer implementation="org.apache.maven.plugins.shade.resource.ManifestResourceTransformer"> <!-- 设置jar包的入口类(可选) --> <mainClass>com.tjcu.TestDataStreamYarn</mainClass> </transformer> </transformers> </configuration> </execution> </executions> </plugin> </plugins>
3、需求
- 使用Flink实现WordCount
4、编码步骤
编码步骤参考官网：https://ci.apache.org/projects/flink/flink-docs-release-1.12/dev/datastream_api.html
1.准备环境-env 2.准备数据-source 3.处理数据-transformation 4.输出结果-sink 5.触发执行-execute
其中创建环境参考官网：
getExecutionEnvironment() //推荐使用 createLocalEnvironment() createRemoteEnvironment(String host, int port, String... jarFiles)
5、代码实现
（1）DataSet(了解)
package com.tjcu; import org.apache.flink.api.common.functions.FlatMapFunction; import org.apache.flink.api.common.functions.MapFunction; import org.apache.flink.api.java.DataSet; import org.apache.flink.api.java.ExecutionEnvironment; import org.apache.flink.api.java.operators.AggregateOperator; import org.apache.flink.api.java.operators.DataSource; import org.apache.flink.api.java.operators.FlatMapOperator; import org.apache.flink.api.java.operators.UnsortedGrouping; import org.apache.flink.api.java.tuple.Tuple2; import org.apache.flink.util.Collector; /** * @author ：王恒杰 * @date ：Created in 2022/4/20 15:37 * @description：使用Flink完成WordCount-DataSet * 编码步骤 * 1.准备环境-env * 2.准备数据-source * 3.处理数据-transformation * 4.输出结果-sink * 5.触发执行-execute//如果有print,DataSet不需要调用execute,DataStream需要调用execute */ public class TestDataSet { public static void main(String[] args) throws Exception { //老版本的API如下，目前不推荐使用了 //1.准备环境 env ExecutionEnvironment executionEnvironment = ExecutionEnvironment.getExecutionEnvironment(); //2.准备数据-source DataSource<String> stringDataSource = executionEnvironment.fromElements("whj hadoop spark", "whj hadoop spark", "whj hadoop spark"); //3.处理数据-transformation //3.1每一行数据按照空格切分成一个个的单词组成一个集合 FlatMapOperator<String, String> wordsDS = stringDataSource.flatMap(new FlatMapFunction<String, String>() { @Override public void flatMap(String value, Collector<String> out) throws Exception { //value就是一行行的数据 String[] words = value.split(" "); for (String word : words) { out.collect(word);//将切割处理的一个个的单词收集起来并返回 } } }); DataSet<Tuple2<String, Integer>> wordAndOne = wordsDS.map(new MapFunction<String, Tuple2<String, Integer>>() { @Override public Tuple2<String, Integer> map(String value) throws Exception { //value就是每一个单词 return Tuple2.of(value, 1); } }); //分组 UnsortedGrouping<Tuple2<String, Integer>> grouped = wordAndOne.groupBy(0); //聚合 AggregateOperator<Tuple2<String, Integer>> result = grouped.sum(1); //输出结果-sink result.print(); } }
（2）基于DataStream（匿名内部类-处理流）
package com.tjcu; import org.apache.flink.api.common.RuntimeExecutionMode; import org.apache.flink.api.common.functions.FlatMapFunction; import org.apache.flink.api.common.functions.MapFunction; import org.apache.flink.api.java.ExecutionEnvironment; import org.apache.flink.api.java.operators.DataSource; import org.apache.flink.api.java.operators.FlatMapOperator; import org.apache.flink.api.java.tuple.Tuple2; import org.apache.flink.streaming.api.datastream.DataStream; import org.apache.flink.streaming.api.datastream.DataStreamSource; import org.apache.flink.streaming.api.datastream.KeyedStream; import org.apache.flink.streaming.api.datastream.SingleOutputStreamOperator; import org.apache.flink.streaming.api.environment.StreamExecutionEnvironment; import org.apache.flink.util.Collector;; /** * @author ：王恒杰 * @date ：Created in 2022/4/20 16:07 * @description：需求:使用Flink完成WordCount-DataStream 批处理 * * 编码步骤 * * 1.准备环境-env * * 2.准备数据-source * * 3.处理数据-transformation * * 4.输出结果-sink * * 5.触发执行-execute//如果有print,DataSet不需要调用execute,DataStream需要调用execute */ public class TestDataStream { public static void main(String[] args) throws Exception { //新版本的流批统一API,既支持流处理也支持批处理 //1.准备环境 env StreamExecutionEnvironment executionEnvironment = StreamExecutionEnvironment.getExecutionEnvironment(); // executionEnvironment.setRuntimeMode(RuntimeExecutionMode.BATCH);//注意:使用DataStream实现批处理 executionEnvironment.setRuntimeMode(RuntimeExecutionMode.STREAMING);//注意:使用DataStream实现流处理 //executionEnvironment.setRuntimeMode(RuntimeExecutionMode.AUTOMATIC);//注意:使用DataStream根据数据源自动选择使用流还是批 //2.准备数据-source DataStreamSource<String> stringDataStreamSource = executionEnvironment.fromElements("whj hadoop spark", "whj spark", "whj"); //3.处理数据-transformation //3.1每一行数据按照空格切分成一个个的单词组成一个集合 DataStream<String> words = stringDataStreamSource.flatMap(new FlatMapFunction<String, String>() { @Override public void flatMap(String value, Collector<String> out) throws Exception { //value就是每一行数据 String[] arr = value.split(" "); for (String word : arr) { out.collect(word); } } }); DataStream<Tuple2<String, Integer>> wordAndOne = words.map(new MapFunction<String, Tuple2<String, Integer>>() { @Override public Tuple2<String, Integer> map(String value) throws Exception { //value就是一个个单词 return Tuple2.of(value, 1); } }); //分组:注意DataSet中分组是groupBy,DataStream分组是keyBy KeyedStream<Tuple2<String, Integer>, String> grouped = wordAndOne.keyBy(t -> t.f0); //聚合 SingleOutputStreamOperator<Tuple2<String, Integer>> result = grouped.sum(1); //TODO 3.sink result.print(); //启动并等待程序结束 executionEnvironment.execute(); } }
注意:在Flink1.12中DataStream既支持流处理也支持批处理,如何区分?
env.setRuntimeMode(RuntimeExecutionMode.BATCH);//注意:使用DataStream实现批处理 env.setRuntimeMode(RuntimeExecutionMode.STREAMING);//注意:使用DataStream实现流处理 env.setRuntimeMode(RuntimeExecutionMode.AUTOMATIC);//注意:使用DataStream根据数据源自动选择使用流还是批
（3）代码实现-DataStream-Lambda
package com.tjcu; import org.apache.flink.api.common.RuntimeExecutionMode; import org.apache.flink.api.common.typeinfo.Types; import org.apache.flink.api.java.tuple.Tuple2; import org.apache.flink.streaming.api.datastream.DataStream; import org.apache.flink.streaming.api.datastream.DataStreamSource; import org.apache.flink.streaming.api.datastream.KeyedStream; import org.apache.flink.streaming.api.datastream.SingleOutputStreamOperator; import org.apache.flink.streaming.api.environment.StreamExecutionEnvironment; import org.apache.flink.util.Collector;;import java.util.Arrays; /** * @author ：王恒杰 * @date ：Created in 2022/4/20 16:07 * @description：需求:使用Flink完成WordCount-DataStream 批处理 * * 编码步骤 * * 1.准备环境-env * * 2.准备数据-source * * 3.处理数据-transformation * * 4.输出结果-sink * * 5.触发执行-execute//如果有print,DataSet不需要调用execute,DataStream需要调用execute */ public class TestDataStream { public static void main(String[] args) throws Exception { //新版本的流批统一API,既支持流处理也支持批处理 //1.准备环境 env StreamExecutionEnvironment executionEnvironment = StreamExecutionEnvironment.getExecutionEnvironment(); // executionEnvironment.setRuntimeMode(RuntimeExecutionMode.BATCH);//注意:使用DataStream实现批处理 executionEnvironment.setRuntimeMode(RuntimeExecutionMode.STREAMING);//注意:使用DataStream实现流处理 //executionEnvironment.setRuntimeMode(RuntimeExecutionMode.AUTOMATIC);//注意:使用DataStream根据数据源自动选择使用流还是批 //2.准备数据-source DataStreamSource<String> stringDataStreamSource = executionEnvironment.fromElements("whj hadoop spark", "whj spark", "whj"); //3.处理数据-transformation //3.1每一行数据按照空格切分成一个个的单词组成一个集合 SingleOutputStreamOperator<String> words = stringDataStreamSource.flatMap( (String value, Collector<String> out) -> Arrays.stream(value.split(" ")).forEach(out::collect) ).returns(Types.STRING); DataStream<Tuple2<String, Integer>> wordAndOne = words.map( (String value) -> Tuple2.of(value, 1) ).returns(Types.TUPLE(Types.STRING,Types.INT)); //分组:注意DataSet中分组是groupBy,DataStream分组是keyBy KeyedStream<Tuple2<String, Integer>, String> grouped = wordAndOne.keyBy(t -> t.f0); //聚合 SingleOutputStreamOperator<Tuple2<String, Integer>> result = grouped.sum(1); //TODO 3.sink result.print(); //启动并等待程序结束 executionEnvironment.execute(); } }
（4）On-Yarn-掌握
- 注意：写入HDFS如果存在权限问题，进行如下设置:
hadoop fs -chmod -R 777 /
并在代码中添加:
System.setProperty("HADOOP_USER_NAME", "root")
代码实现：
package com.tjcu; import org.apache.flink.api.common.RuntimeExecutionMode; import org.apache.flink.api.common.typeinfo.Types; import org.apache.flink.api.java.functions.KeySelector; import org.apache.flink.api.java.tuple.Tuple2; import org.apache.flink.api.java.utils.ParameterTool; import org.apache.flink.streaming.api.datastream.DataStream; import org.apache.flink.streaming.api.environment.StreamExecutionEnvironment; import org.apache.flink.util.Collector; import java.util.Arrays; /** * @author ：王恒杰 * @date ：Created in 2022/4/20 16:28 * @description：使用Flink完成WordCount-DataStream--使用lambda表达式--修改代码使适合在Yarn上运行 编码步骤 * * 1.准备环境-env * * 2.准备数据-source * * 3.处理数据-transformation * * 4.输出结果-sink * * 5.触发执行-execute//批处理不需要调用!流处理需要 */ public class TestDataStreamYarn { public static void main(String[] args) throws Exception { //获取参数 ParameterTool params = ParameterTool.fromArgs(args); String output = null; if (params.has("output")) { output = params.get("output"); } else { output = "hdfs://node1:8020/wordcount/output_" + System.currentTimeMillis(); } //1.准备环境-env StreamExecutionEnvironment executionEnvironment = StreamExecutionEnvironment.getExecutionEnvironment(); executionEnvironment.setRuntimeMode(RuntimeExecutionMode.AUTOMATIC); //2.准备数据源-source DataStream<String> linesDS = executionEnvironment.fromElements("whj hadoop spark", "whj hadoop spark", "whj hadoop", "whj"); //3.处理数据-transformation DataStream<Tuple2<String, Integer>> result = linesDS .flatMap( (String value, Collector<String> out) -> Arrays.stream(value.split(" ")).forEach(out::collect) ).returns(Types.STRING) .map( (String value) -> Tuple2.of(value, 1) ).returns(Types.TUPLE(Types.STRING, Types.INT)) //.keyBy(0); .keyBy((KeySelector<Tuple2<String, Integer>, String>) t -> t.f0) .sum(1); //4.输出结果-sink result.print(); //如果执行报hdfs权限相关错误,可以执行 hadoop fs -chmod -R 777 / System.setProperty("HADOOP_USER_NAME", "root");//设置用户名 //result.writeAsText("hdfs://node1:8020/wordcount/output_"+System.currentTimeMillis()).setParallelism(1); result.writeAsText(output).setParallelism(1); //5.触发执行-execute executionEnvironment.execute(); } }
打包
上传
提交执行
/usr/apps/flink/bin/flink run -Dexecution.runtime-mode=BATCH -m yarn-cluster -yjm 1024 -ytm 1024 /usr/apps/words.jar --output hdfs://node1:8020/wordcount/output_xx
在Web页面可以观察到提交的程序：
http://node1:8088/cluster或者http://node1:50070/explorer.html#/
输出结果：http://192.168.43.129:50070/explorer.html#/wordcount
三、Flink原理
1、Flink角色分工
在实际生产中，Flink 都是以集群在运行，在运行的过程中包含了两类进程。
#1. JobManager 他扮演的是集群管理者的角色，负责调度任务，协调checkpoints、协调故障恢复、 收集 Job 的状态信息，并管理 Flink 集群中的从节点 TaskManager。 #2.TaskManager 实际负责执行计算的 Worker，在其上执行 Flink Job 的一组 Task； TaskManager 还是所在节点的管理员， 它负责把该节点上的服务器信息比如内存、磁盘、任务运行情况等向 JobManager 汇报。 #3.Client： 用户在提交编写好的 Flink 工程时，会先创建一个客户端再进行提交，这个客户端就是 Client
上面个案例的运行就是从节点执行的
角色分工
2、Flink执行流程
用户首先提交Flink程序到JobClient，经过JobClient的处理、解析、优化提交到JobManager，最后由TaskManager运行task。
（1）Standalone版本
（2）On Yarn版本实现原理
1. Client向HDFS上传Flink的Jar包和配置 2. Client向Yarn ResourceManager提交任务并申请资源 3. ResourceManager分配Container资源并启动ApplicationMaster, 然后AppMaster加载Flink的Jar包和配置构建环境,启动JobManager 4. ApplicationMaster向ResourceManager申请工作资源, NodeManager加载Flink的Jar包和配置构建环境并启动TaskManager 5. TaskManager启动后向JobManager发送心跳包，并等待JobManager向其分配任务
3、Flink Streaming Dataflow
- 官网关于Flink的词汇表（我使用google翻译为中文的） Apache Flink 1.11 Documentation: Glossary
（1）Dataflow、Operator、Partition、SubTask、Parallelism
1. Dataflow:Flink程序在执行的时候会被映射成一个数据流模型 2. Operator:数据流模型中的每一个操作被称作Operator,Operator分为:Source/Transform/Sink 准备数据-Source 处理数据-Transformation 输出结果-Sink 3. Partition:数据流模型是分布式的和并行的,执行中会形成1~n个分区 4. Subtask:多个分区任务可以并行,每一个都是独立运行在一个线程中的,也就是一个Subtask子任务 5. Parallelism:并行度,就是可以同时真正执行的子任务数/分区数
（2) Operator传递模式
数据在两个operator(算子)之间传递的时候有两种模式：
One to One模式：
两个operator用此模式传递的时候，会保持数据的分区数和数据的排序；如上图中的Source1到Map1，它就保留的Source的分区特性，以及分区元素处理的有序性。--类似于Spark中的窄依赖
Redistributing 模式：
这种模式会改变数据的分区数；每个一个operator subtask会根据选择transformation把数据发送到不同的目标subtasks,比如keyBy()会通过hashcode重新分区,broadcast()和rebalance()方法会随机重新分区。--类似于Spark中的宽依赖
（3）Operator Chain（算子链）
客户端在提交任务的时候会对Operator进行优化操作，能进行合并的Operator会被合并为一个Operator，合并后的Operator称为Operator chain，实际上就是一个执行链，每个执行链会在TaskManager上一个独立的线程中执行--就是SubTask。
（4）TaskSlot（任务槽） And Slot Sharing（槽共享）
任务槽（TaskSlot）
每个TaskManager是一个JVM的进程, 为了控制一个TaskManager(worker)能接收多少个task，Flink通过Task Slot来进行控制。TaskSlot数量是用来限制一个TaskManager工作进程中可以同时运行多少个工作线程，TaskSlot 是一个 TaskManager 中的最小资源分配单位，一个 TaskManager 中有多少个 TaskSlot 就意味着能支持多少并发的Task处理。
Flink将进程的内存进行了划分到多个slot中，内存被划分到不同的slot之后可以获得如下好处:
1. TaskManager最多能同时并发执行的子任务数是可以通过TaskSolt数量来控制的 2. TaskSolt有独占的内存空间，这样在一个TaskManager中可以运行多个不同的作业，作业之间不受影响。
槽共享（Slot Sharing）
Flink允许子任务共享插槽，即使它们是不同任务(阶段)的子任务(subTask)，只要它们来自同一个作业。比如图左下角中的map和keyBy和sink 在一个 TaskSlot 里执行以达到资源共享的目的。
允许插槽共享有两个主要好处：
1. 1. 资源分配更加公平，如果有比较空闲的slot可以将更多的任务分配给它。 2. 2. 有了任务槽共享，可以提高资源的利用率。
注意:
slot是静态的概念，是指taskmanager具有的并发执行能力
parallelism(平行)是动态的概念，是指程序运行时实际使用的并发能力
（5）运行时组件
Flink运行时架构主要包括四个不同的组件，它们会在运行流处理应用程序时协同工作：
作业资源管理器（JobManager）: 分配任务、调度checkpoint做快照
任务管理器（TaskManager）：主要干活的
资源管理器（ResourceManager）：管理分配资源
分发器（Dispatcher）：方便递交任务的接口，WebUI
因为Flink是用Java和Scala实现的，所以所有组件都会运行在Java虚拟机上。每个组件的职责如下：
作业管理器（JobManager）
1. 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。 2. JobManager 会先接收到要执行的应用程序，这个应用程序会包括： 作业图（JobGraph）、逻辑数据流图（logical dataflow graph）和打包了所有的类、库和其它资源的JAR包。 3. 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。 4. 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。
任务管理器（TaskManager）
1. 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。 2. 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。 3. 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）
1. 主要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。 2. 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。 3. 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）
1. 可以跨作业运行，它为应用提交提供了REST接口。 2. 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。 3. 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。 4. 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。
(6)Flink执行图（ExecutionGraph）
由Flink程序直接映射成的数据流图是StreamGraph，也被称为逻辑流图，因为它们表示的是计算逻辑的高级视图。为了执行一个流处理程序，Flink需要将逻辑流图转换为物理数据流图（也叫执行图），详细说明程序的执行方式。
Flink 中的执行图可以分成四层：StreamGraph(逻辑流图) -> JobGraph -> ExecutionGraph -> 物理执行图。
1. 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 [tuò pū] 结构。 2. 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 在一起作为一个节点，这样可以减少数据在节点之间流动所需要的序列化/反序列化/传输消耗。 3. ExecutionGraph：JobManager 根据 JobGraph 生成ExecutionGraph。方便调度和监控和跟踪各个 tasks 的状态。 ExecutionGraph是JobGraph的并行化版本，是调度层最核心的数据结构。 4. 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。
Flink执行executor会自动根据程序代码生成DAG数据流图
简单理解：
1. StreamGraph：最初的程序执行逻辑流程，也就是算子之间的前后顺序--在Client上生成 2. JobGraph：将OneToOne的Operator合并为OperatorChain--在Client上生成 3. ExecutionGraph：将JobGraph根据代码中设置的并行度和请求的资源进行并行化规划!--在JobManager上生成 4. 物理执行图：将ExecutionGraph的并行计划,落实到具体的TaskManager上，将具体的SubTask落实到具体的TaskSlot内进行运行。
