Flink（二）CentOS7.5搭建Flink1.6.1分布式集群

2022-05-22 10:35:55

一. Flink的下载

安装包下载地址：http://flink.apache.org/downloads.html ，选择对应Hadoop的Flink版本下载

[admin@node21 software]$ wget http://mirrors.tuna.tsinghua.edu.cn/apache/flink/flink-1.6.1/flink-1.6.1-bin-hadoop27-scala_2.11.tgz

[admin@node21 software]$ ll

-rw-rw-r--  admin admin  Sep  : flink-1.6.-bin-hadoop27-scala_2..tgz

Flink 有三种部署模式，分别是 Local、Standalone Cluster 和 Yarn Cluster。

二. Local模式

对于 Local 模式来说，JobManager 和 TaskManager 会公用一个 JVM 来完成 Workload。如果要验证一个简单的应用，Local 模式是最方便的。实际应用中大多使用 Standalone 或者 Yarn Cluster，而local模式只是将安装包解压启动（./bin/start-local.sh）即可，在这里不在演示。

三. Standalone 模式

快速入门教程地址：https://ci.apache.org/projects/flink/flink-docs-release-1.6/quickstart/setup_quickstart.html

1. 软件要求

Java 1.8.x或更高版本，
ssh（必须运行sshd才能使用管理远程组件的Flink脚本）

集群部署规划

节点名称	master	worker	zookeeper
node21	master		zookeeper
node22	master	worker	zookeeper
node23		worker	zookeeper

2. 解压

[admin@node21 software]$ tar zxvf flink-1.6.-bin-hadoop27-scala_2..tgz -C /opt/module/

[admin@node21 software]$ cd /opt/module/

[admin@node21 module]$ ll

drwxr-xr-x  admin admin  Sep  : flink-1.6.

3. 修改配置文件

[admin@node21 conf]$ ls

flink-conf.yaml       log4j-console.properties  log4j-yarn-session.properties  logback.xml       masters  sql-client-defaults.yaml

log4j-cli.properties  log4j.properties          logback-console.xml            logback-yarn.xml  slaves   zoo.cfg

修改flink/conf/masters，slaves，flink-conf.yaml

[admin@node21 conf]$ sudo vi masters

node21:

[admin@node21 conf]$ sudo vi slaves

node22

node23

[admin@node21 conf]$ sudo vi flink-conf.yaml

taskmanager.numberOfTaskSlots：

jobmanager.rpc.address: node21

可选配置：

每个JobManager（jobmanager.heap.mb）的可用内存量，
每个TaskManager（taskmanager.heap.mb）的可用内存量，
每台机器的可用CPU数量（taskmanager.numberOfTaskSlots），
集群中的CPU总数（parallelism.default）和
临时目录（taskmanager.tmp.dirs）

4. 拷贝安装包到各节点

[admin@node21 module]$ scp -r flink-1.6./ admin@node22:`pwd`

[admin@node21 module]$ scp -r flink-1.6./ admin@node23:`pwd`

5. 配置环境变量

配置所有节点Flink的环境变量

[admin@node21 flink-1.6.]$ sudo vi /etc/profile

export FLINK_HOME=/opt/module/flink-1.6.

export PATH=$PATH:$FLINK_HOME/bin

[admin@node21 flink-1.6.]$ source /etc/profile

6. 启动flink

[admin@node21 flink-1.6.]$ ./bin/start-cluster.sh

Starting cluster.

Starting standalonesession daemon on host node21.

Starting taskexecutor daemon on host node22.

Starting taskexecutor daemon on host node23.

jps查看进程

7. WebUI查看

http://node21:8081

8. Flink 的 HA

首先，我们需要知道 Flink 有两种部署的模式，分别是 Standalone 以及 Yarn Cluster 模式。对于 Standalone 来说，Flink 必须依赖于 Zookeeper 来实现 JobManager 的 HA（Zookeeper 已经成为了大部分开源框架 HA 必不可少的模块）。在 Zookeeper 的帮助下，一个 Standalone 的 Flink 集群会同时有多个活着的 JobManager，其中只有一个处于工作状态，其他处于 Standby 状态。当工作中的 JobManager 失去连接后（如宕机或 Crash），Zookeeper 会从 Standby 中选举新的 JobManager 来接管 Flink 集群。

对于 Yarn Cluaster 模式来说，Flink 就要依靠 Yarn 本身来对 JobManager 做 HA 了。其实这里完全是 Yarn 的机制。对于 Yarn Cluster 模式来说，JobManager 和 TaskManager 都是被 Yarn 启动在 Yarn 的 Container 中。此时的 JobManager，其实应该称之为 Flink Application Master。也就说它的故障恢复，就完全依靠着 Yarn 中的 ResourceManager（和 MapReduce 的 AppMaster 一样）。由于完全依赖了 Yarn，因此不同版本的 Yarn 可能会有细微的差异。这里不再做深究。

1）修改配置文件

修改flink-conf.yaml，HA模式下，jobmanager不需要指定，在master file中配置，由zookeeper选出leader与standby。

#jobmanager.rpc.address: node21

high-availability:zookeeper                             #指定高可用模式（必须）

high-availability.zookeeper.quorum:node21:,node22:,node23:  #ZooKeeper仲裁是ZooKeeper服务器的复制组，它提供分布式协调服务（必须）

high-availability.storageDir:hdfs:///flink/ha/       #JobManager元数据保存在文件系统storageDir中，只有指向此状态的指针存储在ZooKeeper中（必须）

high-availability.zookeeper.path.root:/flink         #根ZooKeeper节点，在该节点下放置所有集群节点（推荐）

high-availability.cluster-id:/flinkCluster           ＃自定义集群（推荐）

state.backend: filesystem

state.checkpoints.dir: hdfs:///flink/checkpoints

state.savepoints.dir: hdfs:///flink/checkpoints

修改conf/zoo.cfg

server.=node21::

server.=node22::

server.=node23::

修改conf/masters

node21:

node22:

修改slaves

node22

node23

同步配置文件conf到各节点

2）启动HA

先启动zookeeper集群各节点（测试环境中也可以用Flink自带的start-zookeeper-quorum.sh），启动dfs ,再启动flink

[admin@node21 flink-1.6.]$ start-cluster.sh

WebUI查看，这是会自动产生一个主Master，如下

3）验证HA

手动杀死node22上的master，此时，node21上的备用master转为主mater。

4）手动将JobManager / TaskManager实例添加到群集

您可以使用bin/jobmanager.sh和bin/taskmanager.sh脚本将JobManager和TaskManager实例添加到正在运行的集群中。

添加JobManager

bin/jobmanager.sh ((start|start-foreground) [host] [webui-port])|stop|stop-all

添加TaskManager

bin/taskmanager.sh start|start-foreground|stop|stop-all

[admin@node22 flink-1.6.]$ jobmanager.sh start node22

新添加的为从master。

9. 运行测试任务

[admin@node21 flink-1.6.]$ flink run -m node21: ./examples/batch/WordCount.jar --input /opt/wcinput/wc.txt --output /opt/wcoutput/

[admin@node21 flink-1.6.]$ flink run -m node21: ./examples/batch/WordCount.jar --input hdfs:///user/admin/input/wc.txt --output hdfs:///user/admin/output2

四. Yarn Cluster模式

1. 引入

在一个企业中，为了最大化的利用集群资源，一般都会在一个集群中同时运行多种类型的 Workload。因此 Flink 也支持在 Yarn 上面运行。首先，让我们通过下图了解下 Yarn 和 Flink 的关系。

在图中可以看出，Flink 与 Yarn 的关系与 MapReduce 和 Yarn 的关系是一样的。Flink 通过 Yarn 的接口实现了自己的 App Master。当在 Yarn 中部署了 Flink，Yarn 就会用自己的 Container 来启动 Flink 的 JobManager（也就是 App Master）和 TaskManager。

启动新的Flink YARN会话时，客户端首先检查所请求的资源（容器和内存）是否可用。之后，它将包含Flink和配置的jar上传到HDFS（步骤1）。

客户端的下一步是请求（步骤2）YARN容器以启动ApplicationMaster（步骤3）。由于客户端将配置和jar文件注册为容器的资源，因此在该特定机器上运行的YARN的NodeManager将负责准备容器（例如，下载文件）。完成后，将启动ApplicationMaster（AM）。

该JobManager和AM在同一容器中运行。一旦它们成功启动，AM就知道JobManager（它自己的主机）的地址。它正在为TaskManagers生成一个新的Flink配置文件（以便它们可以连接到JobManager）。该文件也上传到HDFS。此外，AM容器还提供Flink的Web界面。YARN代码分配的所有端口都是临时端口。这允许用户并行执行多个Flink YARN会话。

之后，AM开始为Flink的TaskManagers分配容器，这将从HDFS下载jar文件和修改后的配置。完成这些步骤后，即可建立Flink并准备接受作业。

2. 修改环境变量

export HADOOP_CONF_DIR= /opt/module/hadoop-2.7.6/etc/hadoop

3. 部署启动

[admin@node21 flink-1.6.]$ yarn-session.sh -d -s  -tm  -n

-n : TaskManager的数量，相当于executor的数量

-s : 每个JobManager的core的数量，executor-cores。建议将slot的数量设置每台机器的处理器数量

-tm : 每个TaskManager的内存大小，executor-memory

-jm : JobManager的内存大小，driver-memory

上面的命令的意思是，同时向Yarn申请3个container，其中 2 个 Container 启动 TaskManager（-n 2），每个 TaskManager 拥有两个 Task Slot（-s 2），并且向每个 TaskManager 的 Container 申请 800M 的内存，以及一个ApplicationMaster（Job Manager）。

Flink部署到Yarn Cluster后，会显示Job Manager的连接细节信息。

Flink on Yarn会覆盖下面几个参数，如果不希望改变配置文件中的参数，可以动态的通过-D选项指定，如 -Dfs.overwrite-files=true -Dtaskmanager.network.numberOfBuffers=16368

jobmanager.rpc.address：因为JobManager会经常分配到不同的机器上

taskmanager.tmp.dirs：使用Yarn提供的tmp目录

parallelism.default：如果有指定slot个数的情况下

yarn-session.sh会挂起进程，所以可以通过在终端使用CTRL+C或输入stop停止yarn-session。

如果不希望Flink Yarn client长期运行，Flink提供了一种detached YARN session，启动时候加上参数-d或—detached

在上面的命令成功后，我们就可以在 Yarn Application 页面看到 Flink 的纪录。如下图。

如果在虚拟机中测试，可能会遇到错误。这里需要注意内存的大小，Flink 向 Yarn 会申请多个 Container，但是 Yarn 的配置可能限制了 Container 所能申请的内存大小，甚至 Yarn 本身所管理的内存就很小。这样很可能无法正常启动 TaskManager，尤其当指定多个 TaskManager 的时候。因此，在启动 Flink 之后，需要去 Flink 的页面中检查下 Flink 的状态。这里可以从 RM 的页面中，直接跳转（点击 Tracking UI）。这时候 Flink 的页面如图

yarn-session.sh启动命令参数如下：

[admin@node21 flink-1.6.]$ yarn-session.sh --help

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 i

n 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

     -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. 提交任务

之后，我们可以通过这种方式提交我们的任务

[admin@node21 flink-1.6.]$ ./bin/flink run -m yarn-cluster -yn  ./examples/batch/WordCount.jar --input /opt/wcinput/wc.txt --output /opt/wcoutput/

以上命令在参数前加上y前缀，-yn表示TaskManager个数。

在这个模式下，同样可以使用-m yarn-cluster提交一个"运行后即焚"的detached yarn（-yd）作业到yarn cluster。

5. 停止yarn cluster

yarn application -kill application_1539058959130_0001

6. Yarn模式的HA

应用最大尝试次数（yarn-site.xml），您必须配置为尝试应用的最大数量的设置`yarn-site.xml，当前YARN版本的默认值为2（表示允许单个JobManager失败）。`

<property>

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

  <value></value>

  <description>The maximum number of application master execution attempts</description>

</property>

申请尝试（flink-conf.yaml），您还必须配置最大尝试次数`conf/flink-conf.yaml`： yarn.application-attempts：10

示例：高度可用的YARN会话

配置HA模式和zookeeper法定人数在conf/flink-conf.yaml：

high-availability: zookeeper

high-availability.zookeeper.quorum: node21:2181,node22:2181,node23:2181

high-availability.storageDir: hdfs:///flink/recovery

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

yarn.application-attempts: 10

配置ZooKeeper的服务器中conf/zoo.cfg（目前它只是可以运行每台机器的单一的ZooKeeper服务器）：
```
server.1=node21:2888:3888

server.2=node22:2888:3888

server.3=node23:2888:3888
```
启动ZooKeeper仲裁：
```
$ bin / start-zookeeper-quorum.sh
```
启动HA群集：
```
$ bin / yarn-session.sh -n 2
```

五.错误异常

1.身份认证失败

[root@node21 flink-1.6.]# flink run examples/streaming/SocketWindowWordCount.jar --port

Starting execution of program

------------------------------------------------------------

 The program finished with the following exception:

org.apache.flink.client.program.ProgramInvocationException: Job failed. (JobID: b7a99ac5db242290413dbebe32ba52b0)

    at org.apache.flink.client.program.rest.RestClusterClient.submitJob(RestClusterClient.java:)

    at org.apache.flink.client.program.ClusterClient.run(ClusterClient.java:)

    at org.apache.flink.streaming.api.environment.StreamContextEnvironment.execute(StreamContextEnvironment.java:)

    at org.apache.flink.streaming.examples.socket.SocketWindowWordCount.main(SocketWindowWordCount.java:)

    at sun.reflect.NativeMethodAccessorImpl.invoke0(Native Method)

    at sun.reflect.NativeMethodAccessorImpl.invoke(NativeMethodAccessorImpl.java:)

    at sun.reflect.DelegatingMethodAccessorImpl.invoke(DelegatingMethodAccessorImpl.java:)

    at java.lang.reflect.Method.invoke(Method.java:)

    at org.apache.flink.client.program.PackagedProgram.callMainMethod(PackagedProgram.java:)

    at org.apache.flink.client.program.PackagedProgram.invokeInteractiveModeForExecution(PackagedProgram.java:)

    at org.apache.flink.client.program.ClusterClient.run(ClusterClient.java:)

    at org.apache.flink.client.cli.CliFrontend.executeProgram(CliFrontend.java:)

    at org.apache.flink.client.cli.CliFrontend.runProgram(CliFrontend.java:)

    at org.apache.flink.client.cli.CliFrontend.run(CliFrontend.java:)

    at org.apache.flink.client.cli.CliFrontend.parseParameters(CliFrontend.java:)

    at org.apache.flink.client.cli.CliFrontend.lambda$main$(CliFrontend.java:)

    at java.security.AccessController.doPrivileged(Native Method)

    at javax.security.auth.Subject.doAs(Subject.java:)

    at org.apache.hadoop.security.UserGroupInformation.doAs(UserGroupInformation.java:)

    at org.apache.flink.runtime.security.HadoopSecurityContext.runSecured(HadoopSecurityContext.java:)

    at org.apache.flink.client.cli.CliFrontend.main(CliFrontend.java:)

Caused by: java.net.ConnectException: Connection refused (Connection refused)

    at java.net.PlainSocketImpl.socketConnect(Native Method)

    at java.net.AbstractPlainSocketImpl.doConnect(AbstractPlainSocketImpl.java:)

    at java.net.AbstractPlainSocketImpl.connectToAddress(AbstractPlainSocketImpl.java:)

    at java.net.AbstractPlainSocketImpl.connect(AbstractPlainSocketImpl.java:)

    at java.net.SocksSocketImpl.connect(SocksSocketImpl.java:)

    at java.net.Socket.connect(Socket.java:)

    at org.apache.flink.streaming.api.functions.source.SocketTextStreamFunction.run(SocketTextStreamFunction.java:)

    at org.apache.flink.streaming.api.operators.StreamSource.run(StreamSource.java:)

    at org.apache.flink.streaming.api.operators.StreamSource.run(StreamSource.java:)

    at org.apache.flink.streaming.runtime.tasks.SourceStreamTask.run(SourceStreamTask.java:)

    at org.apache.flink.streaming.runtime.tasks.StreamTask.invoke(StreamTask.java:)

    at org.apache.flink.runtime.taskmanager.Task.run(Task.java:)

    at java.lang.Thread.run(Thread.java:)

通过查看日志，发现有如下报错

-- ::, ERROR org.apache.flink.shaded.curator.org.apache.curator.ConnectionState  - Authentication failed

解决法案：添加定时任务认证kerberos

码农公寓