flink教程-详解flink 1.11中的新部署模式-Application模式-卡咪卡咪哈-一个博客

背景 session模式 per job模式 per job模式的问题引入application模式通过程序提交任务 Application模式源码解析入口执行具体的操作 runApplication方法构造ClusterDescriptor Deploy Application Cluster ApplicationClusterEntryPoint

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。