Flink操作训练场
在各种环境中部署和操作Apache Flink的方法有很多。无论这种多样性如何,Flink集群的基本构件保持不变,类似的操作原则也适用。
在这个操场上,你将学习如何管理和运行Flink Jobs。您将看到如何部署和监控应用程序,体验Flink如何从Job故障中恢复,并执行日常操作任务,如升级和重新缩放。
这个游乐场的构造
这个游乐场由一个长寿的Flink Session Cluster和一个Kafka Cluster组成。
一个Flink Cluster总是由一个JobManager和一个或多个Flink TaskManagers组成。JobManager负责处理Job提交,监督Job以及资源管理。Flink TaskManagers是工人进程,负责执行构成Flink Job的实际任务。在这个游戏场中,你将从一个单一的TaskManager开始,但以后会扩展到更多的TaskManager。此外,这个游乐场还带有一个专门的客户端容器,我们使用它来提交Flink Job,并在以后执行各种操作任务。客户端容器不是Flink Cluster本身需要的,只是为了方便使用才包含在里面。
Kafka集群由一个Zookeeper服务器和一个Kafka Broker组成。
当游乐场启动时,一个名为Flink Event Count的Flink Job将被提交给JobManager。此外,还会创建两个Kafka主题输入和输出。
该作业从输入主题中消耗ClickEvents,每个ClickEvents都有一个时间戳和一个页面。然后按页面对事件进行键入,并在 15 秒的窗口中进行计数。结果被写入输出主题。
有6个不同的页面,我们在每个页面和15秒内产生1000个点击事件。因此,Flink作业的输出应该显示每个页面和窗口有1000个浏览量。
启动游乐场
游戏场环境的设置只需几步。我们将引导你完成必要的命令,并展示如何验证一切都在正确运行。
我们假设你的机器上安装了Docker(1.12+)和docker-compose(2.1+)。
所需的配置文件可以在flink-playgrounds仓库中找到。检查一下,然后旋转环境。
git clone --branch release-1.12 https://github.com/apache/flink-playgrounds.git cd flink-playgrounds/operations-playground docker-compose build docker-compose up -d
之后,你可以用以下命令检查正在运行的Docker容器。
docker-compose ps Name Command State Ports ----------------------------------------------------------------------------------------------------------------------------- operations-playground_clickevent-generator_1 /docker-entrypoint.sh java ... Up 6123/tcp, 8081/tcp operations-playground_client_1 /docker-entrypoint.sh flin ... Exit 0 operations-playground_jobmanager_1 /docker-entrypoint.sh jobm ... Up 6123/tcp, 0.0.0.0:8081->8081/tcp operations-playground_kafka_1 start-kafka.sh Up 0.0.0.0:9094->9094/tcp operations-playground_taskmanager_1 /docker-entrypoint.sh task ... Up 6123/tcp, 8081/tcp operations-playground_zookeeper_1 /bin/sh -c /usr/sbin/sshd ... Up 2181/tcp, 22/tcp, 2888/tcp, 3888/tcp
这表明客户端容器已经成功提交了Flink Job(Exit 0),所有集群组件以及数据生成器都在运行(Up)。
您可以通过调用来停止游乐场环境。
docker-compose down -v
进入游乐场
在这个游乐场中,有很多东西你可以尝试和检查。在下面的两节中,我们将向您展示如何与Flink集群进行交互,并展示Flink的一些主要功能。
Flink WebUI
观察你的Flink集群最自然的出发点是在http://localhost:8081 下暴露的 WebUI。如果一切顺利,你会看到集群最初由一个任务管理器组成,并执行一个名为Click Event Count的Job。
Flink WebUI包含了很多关于Flink集群和它的工作的有用和有趣的信息(JobGraph, Metrics, Checkpointing Statistics, TaskManager Status, ...)。
日志
JobManager
JobManager的日志可以通过docker-compose进行尾随。
docker-compose logs -f jobmanager
在初始启动后,你应该主要看到每一个检查点完成的日志信息。
TaskManager
任务管理器的日志也可以用同样的方式进行尾随。
docker-compose logs -f taskmanager
在初始启动后,你应该主要看到每一个检查点完成的日志信息。
Flink 客户端命令
Flink CLI可以在客户端容器中使用。例如,要打印Flink CLI的帮助信息,你可以运行以下命令
docker-compose run --no-deps client flink --help
Flink REST API
Flink REST API通过主机上的localhost:8081或客户端容器中的jobmanager:8081暴露出来,例如,要列出所有当前正在运行的作业,你可以运行。
curl localhost:8081/jobs
Kafka Topics
你可以通过运行以下命令来查看写入Kafka主题的记录
//input topic (1000 records/s) docker-compose exec kafka kafka-console-consumer.sh \ --bootstrap-server localhost:9092 --topic input //output topic (24 records/min) docker-compose exec kafka kafka-console-consumer.sh \ --bootstrap-server localhost:9092 --topic output
Time to Play!开玩
现在你已经学会了如何与Flink和Docker容器进行交互,让我们来看看一些常见的操作任务,你可以在我们的操场上尝试一下。所有这些任务都是相互独立的,即你可以以任何顺序执行它们。大多数任务可以通过CLI和REST API来执行。
Listing Running Jobs列出正在运行的作业
命令1
docker-compose run --no-deps client flink list
预期输出1
Waiting for response...
------------------ Running/Restarting Jobs -------------------
16.07.2019 16:37:55 : <job-id> : Click Event Count (RUNNING)
--------------------------------------------------------------
No scheduled jobs.
JobID在提交时分配给作业,并且需要通过CLI或REST API对作业执行操作。
命令2
curl localhost:8081/jobs
预期输出2
{
"jobs": [
{
"id": "<job-id>",
"status": "RUNNING"
}
]
}
JobID在提交时分配给作业,并且需要通过CLI或REST API对作业执行操作。
观察故障和恢复
Flink在(部分)失败下提供了精确的一次处理保证。在这个游戏场中,你可以观察并--在一定程度上--验证这种行为。
步骤1:观察输出
如上所述,在这个游戏场中的事件是这样生成的,每个窗口正好包含一千条记录。因此,为了验证Flink是否成功地从TaskManager故障中恢复,而没有数据丢失或重复,你可以跟踪输出主题,并检查--恢复后--所有的窗口都存在,而且计数是正确的。
为此,从输出主题开始读取,并让这个命令运行到恢复后(步骤3)。
docker-compose exec kafka kafka-console-consumer.sh \ --bootstrap-server localhost:9092 --topic output
步骤2:引入故障
为了模拟部分故障,你可以杀死一个任务管理器。在生产设置中,这可能对应于TaskManager进程、TaskManager机器的丢失,或者仅仅是框架或用户代码抛出的一个短暂的异常(例如,由于外部资源的暂时不可用)。
docker-compose kill taskmanager
几秒钟后,JobManager会注意到任务管理器的丢失,取消受影响的Job,并立即重新提交它进行恢复。当Job被重新启动后,它的任务仍然处于SCHEDULED状态,紫色的方块表示(见下面的截图)。
注意:即使作业的任务处于SCHEDULED状态,还没有RUNNING,作业的整体状态也会显示为RUNNING。
此时,Job的任务不能从SCHEDULED状态转为RUNNING状态,因为没有资源(TaskManagers提供的TaskSlots)来运行任务。在新的任务管理器可用之前,Job将经历一个取消和重新提交的循环。
同时,数据生成器会不断地将ClickEvents推送到输入主题中。这类似于真正的生产设置,在生产数据的同时,要处理数据的Job却停机了。
步骤3:恢复
一旦你重新启动任务管理器,它就会重新连接到JobManager。
docker-compose up -d taskmanager
当JobManager被通知到新的任务管理器时,它将恢复中的Job的任务调度到新的可用任务槽。重新启动后,任务会从故障前最后一次成功的检查点恢复其状态,并切换到RUNNING状态。
Job将快速处理来自Kafka的全部积压输入事件(在故障期间积累的),并以更高的速度(>24条记录/分钟)产生输出,直到到达流的头部。在输出中,你会看到所有的键(页)都存在于所有的时间窗口中,而且每个计数都是精确的一千。由于我们是在 "至少一次 "模式下使用FlinkKafkaProducer,所以你有可能会看到一些重复的输出记录。
注意:大多数生产设置依赖于资源管理器(Kubernetes、Yarn、Mesos)来自动重启失败的进程。
升级和重新缩放一个作业
升级Flink作业总是涉及两个步骤。首先,用一个保存点优雅地停止Flink Job。保存点是在一个明确定义的、全局一致的时间点(类似于检查点)上的完整应用状态的一致快照。其次,升级后的Flink Job从Savepoint开始。在这种情况下,"升级 "可以意味着不同的事情,包括以下内容。
- 配置的升级(包括作业的并行性)。
- 对工作的拓扑结构进行升级(增加/删除操作员)。
- 对Job的用户定义功能进行升级。
在开始升级之前,你可能要开始尾随输出主题,以观察在升级过程中没有数据丢失或损坏。
docker-compose exec kafka kafka-console-consumer.sh \ --bootstrap-server localhost:9092 --topic output
步骤1:停止作业
要优雅地停止作业,您需要使用 CLI 或 REST API 的 "stop "命令。为此,您需要该作业的JobID,您可以通过列出所有正在运行的Job或从WebWeb中获得。有了JobID,您就可以继续停止该作业。
第一种:CLI方式
命令
docker-compose run --no-deps client flink stop <job-id>
预期输出
Suspending job "<job-id>" with a savepoint.
Savepoint completed. Path: file:<savepoint-path>
Savepoint已经被存储到flink-conf.yaml中配置的state.savepoint.dir中,它被安装在本地机器的/tmp/flink-savepoints-directory/下。在下一步,你将需要这个Savepoint的路径。
第二种:REST方式
请求
{
"request-id": "<trigger-id>"
}
预期输出
{
"request-id": "<trigger-id>"
}
请求
# 检查停止动作的状态并检索保存点路径
curl localhost:8081/jobs/<job-id>/savepoints/<trigger-id>
预期输出
{
"status": {
"id": "COMPLETED"
},
"operation": {
"location": "<savepoint-path>"
}
}
步骤2A:重新启动作业而不做更改
现在您可以从该保存点重新启动升级后的作业。为了简单起见,您可以在不做任何更改的情况下重新启动它。
第一种方式:CLI方式
命令
docker-compose run --no-deps client flink run -s <savepoint-path> \
-d /opt/ClickCountJob.jar \
--bootstrap.servers kafka:9092 --checkpointing --event-time
预期输出
Job has been submitted with JobID <job-id>
一旦作业再次运行,您将在输出主题中看到,在作业处理中断期间积累的积压时,记录以更高的速度产生。此外,您还会看到在升级过程中没有丢失任何数据:所有窗口都存在,数量正好是一千。
第二种方式:REST方式
请求
请求
# 从客户端容器上传JAR
docker-compose run --no-deps client curl -X POST -H "Expect:" \
-F "jarfile=@/opt/ClickCountJob.jar" http://jobmanager:8081/jars/upload
预期输出
{
"filename": "/tmp/flink-web-<uuid>/flink-web-upload/<jar-id>",
"status": "success"
}
请求
# 提交工作
curl -X POST http://localhost:8081/jars/<jar-id>/run \
-d '{"programArgs": "--bootstrap.servers kafka:9092 --checkpointing --event-time", "savepointPath": "<savepoint-path>"}'
预期输出
{
"jobid": "<job-id>"
}
一旦作业再次运行,您将在输出主题中看到,在作业处理中断期间积累的积压时,记录以更高的速度产生。此外,您还会看到在升级过程中没有丢失任何数据:所有窗口都存在,数量正好是一千。
步骤2B:以不同的并行度重新启动作业(重新缩放)
另外,您也可以在重新提交时通过传递不同的并行性,从这个保存点重新缩放作业。
第一种方式:CLI方式
命令
docker-compose run --no-deps client flink run -p 3 -s <savepoint-path> \
-d /opt/ClickCountJob.jar \
--bootstrap.servers kafka:9092 --checkpointing --event-time
预期输出
Starting execution of program
Job has been submitted with JobID <job-id>
第二种方式:REST方式
请求
请求
# 从客户端容器上传JAR
docker-compose run --no-deps client curl -X POST -H "Expect:" \
-F "jarfile=@/opt/ClickCountJob.jar" http://jobmanager:8081/jars/upload
预期输出
{
"filename": "/tmp/flink-web-<uuid>/flink-web-upload/<jar-id>",
"status": "success"
}
请求
# 提交工作
curl -X POST http://localhost:8081/jars/<jar-id>/run \
-d '{"parallelism": 3, "programArgs": "--bootstrap.servers kafka:9092 --checkpointing --event-time", "savepointPath": "<savepoint-path>"}'
预期输出
{
"jobid": "<job-id>"
}
现在,作业已经被重新提交,但它不会启动,因为没有足够的TaskSlots在增加的并行度下执行它(2个可用,3个需要)。有了
docker-compose scale taskmanager=2
你可以在Flink集群中添加一个带有两个任务槽的第二个任务管理器,它将自动注册到JobManager中。添加任务管理器后不久,该任务应该再次开始运行。
一旦Job再次 "RUNNING",你会在输出Topic中看到在重新缩放过程中没有丢失数据:所有的窗口都存在,计数正好是一千。
查询作业的指标
JobManager通过其REST API公开系统和用户指标。
端点取决于这些指标的范围。可以通过 jobs/<job-id>/metrics 来列出一个作业的范围内的度量。指标的实际值可以通过get query参数进行查询。
请求
curl "localhost:8081/jobs/<jod-id>/metrics?get=lastCheckpointSize"
预期输出
[ { "id": "lastCheckpointSize", "value": "9378" } ]
REST API不仅可以用来查询指标,还可以检索运行中的作业状态的详细信息。
请求
# find the vertex-id of the vertex of interest curl localhost:8081/jobs/<jod-id>
预期输出
{ "jid": "<job-id>", "name": "Click Event Count", "isStoppable": false, "state": "RUNNING", "start-time": 1564467066026, "end-time": -1, "duration": 374793, "now": 1564467440819, "timestamps": { "CREATED": 1564467066026, "FINISHED": 0, "SUSPENDED": 0, "FAILING": 0, "CANCELLING": 0, "CANCELED": 0, "RECONCILING": 0, "RUNNING": 1564467066126, "FAILED": 0, "RESTARTING": 0 }, "vertices": [ { "id": "<vertex-id>", "name": "ClickEvent Source", "parallelism": 2, "status": "RUNNING", "start-time": 1564467066423, "end-time": -1, "duration": 374396, "tasks": { "CREATED": 0, "FINISHED": 0, "DEPLOYING": 0, "RUNNING": 2, "CANCELING": 0, "FAILED": 0, "CANCELED": 0, "RECONCILING": 0, "SCHEDULED": 0 }, "metrics": { "read-bytes": 0, "read-bytes-complete": true, "write-bytes": 5033461, "write-bytes-complete": true, "read-records": 0, "read-records-complete": true, "write-records": 166351, "write-records-complete": true } }, { "id": "<vertex-id>", "name": "Timestamps/Watermarks", "parallelism": 2, "status": "RUNNING", "start-time": 1564467066441, "end-time": -1, "duration": 374378, "tasks": { "CREATED": 0, "FINISHED": 0, "DEPLOYING": 0, "RUNNING": 2, "CANCELING": 0, "FAILED": 0, "CANCELED": 0, "RECONCILING": 0, "SCHEDULED": 0 }, "metrics": { "read-bytes": 5066280, "read-bytes-complete": true, "write-bytes": 5033496, "write-bytes-complete": true, "read-records": 166349, "read-records-complete": true, "write-records": 166349, "write-records-complete": true } }, { "id": "<vertex-id>", "name": "ClickEvent Counter", "parallelism": 2, "status": "RUNNING", "start-time": 1564467066469, "end-time": -1, "duration": 374350, "tasks": { "CREATED": 0, "FINISHED": 0, "DEPLOYING": 0, "RUNNING": 2, "CANCELING": 0, "FAILED": 0, "CANCELED": 0, "RECONCILING": 0, "SCHEDULED": 0 }, "metrics": { "read-bytes": 5085332, "read-bytes-complete": true, "write-bytes": 316, "write-bytes-complete": true, "read-records": 166305, "read-records-complete": true, "write-records": 6, "write-records-complete": true } }, { "id": "<vertex-id>", "name": "ClickEventStatistics Sink", "parallelism": 2, "status": "RUNNING", "start-time": 1564467066476, "end-time": -1, "duration": 374343, "tasks": { "CREATED": 0, "FINISHED": 0, "DEPLOYING": 0, "RUNNING": 2, "CANCELING": 0, "FAILED": 0, "CANCELED": 0, "RECONCILING": 0, "SCHEDULED": 0 }, "metrics": { "read-bytes": 20668, "read-bytes-complete": true, "write-bytes": 0, "write-bytes-complete": true, "read-records": 6, "read-records-complete": true, "write-records": 0, "write-records-complete": true } } ], "status-counts": { "CREATED": 0, "FINISHED": 0, "DEPLOYING": 0, "RUNNING": 4, "CANCELING": 0, "FAILED": 0, "CANCELED": 0, "RECONCILING": 0, "SCHEDULED": 0 }, "plan": { "jid": "<job-id>", "name": "Click Event Count", "nodes": [ { "id": "<vertex-id>", "parallelism": 2, "operator": "", "operator_strategy": "", "description": "ClickEventStatistics Sink", "inputs": [ { "num": 0, "id": "<vertex-id>", "ship_strategy": "FORWARD", "exchange": "pipelined_bounded" } ], "optimizer_properties": {} }, { "id": "<vertex-id>", "parallelism": 2, "operator": "", "operator_strategy": "", "description": "ClickEvent Counter", "inputs": [ { "num": 0, "id": "<vertex-id>", "ship_strategy": "HASH", "exchange": "pipelined_bounded" } ], "optimizer_properties": {} }, { "id": "<vertex-id>", "parallelism": 2, "operator": "", "operator_strategy": "", "description": "Timestamps/Watermarks", "inputs": [ { "num": 0, "id": "<vertex-id>", "ship_strategy": "FORWARD", "exchange": "pipelined_bounded" } ], "optimizer_properties": {} }, { "id": "<vertex-id>", "parallelism": 2, "operator": "", "operator_strategy": "", "description": "ClickEvent Source", "optimizer_properties": {} } ] } }
请参考REST API参考资料,了解可能查询的完整列表,包括如何查询不同范围的指标(如TaskManager指标)。
变体
你可能已经注意到,Click Event Count应用程序总是以--checkpointing和--event-time程序参数启动。通过在docker-compose.yaml的客户端容器的命令中省略这些,你可以改变Job的行为。
- --checkpointing启用了checkpoint,这是Flink的容错机制。如果你在没有它的情况下运行,并通过故障和恢复,你应该会看到数据实际上已经丢失了。
- --event-time 启用了你的 Job 的事件时间语义。当禁用时,作业将根据挂钟时间而不是ClickEvent的时间戳将事件分配给窗口。因此,每个窗口的事件数量将不再是精确的一千。
Click Event Count应用程序还有另一个选项,默认情况下是关闭的,你可以启用这个选项来探索这个作业在背压下的行为。你可以在docker-compose.yaml的客户端容器的命令中添加这个选项。
- -backpressure在作业中间增加了一个额外的操作者,在偶数分钟内会造成严重的背压(例如,在10:12期间,但在10:13期间不会)。这可以通过检查各种网络指标(如 outputQueueLength 和 outPoolUsage)和/或使用 WebUI 中的背压监控来观察。