当前位置：首页 > news >正文

flink介绍

news 来源：原创 2025/6/18 12:10:32

Flink 架构概述

Apache Flink 是一个分布式流处理框架，支持 有状态（Stateful）计算，能够处理流式（Streaming）和批量（Batch）数据。Flink 采用主从架构，由 JobManager 和 TaskManager 共同协作完成任务调度和计算。

1. Flink 主要组件

Flink 的核心架构主要由以下组件组成：

Client（客户端）
- 提交 Flink 任务 到集群
- 解析用户代码并生成 JobGraph，提交给 JobManager
JobManager（主节点）
- 负责任务的 调度、资源分配、故障恢复
- 主要由 Dispatcher、ResourceManager、JobMaster 组成
TaskManager（工作节点）
- 负责具体的 任务执行
- 运行 TaskSlot，并处理 数据流、状态管理
Storage（存储）
- 任务的**检查点（Checkpoint）和保存点（Savepoint）**存储在 HDFS、S3、RocksDB 等外部存储中
- 任务的输入和输出数据存储在 Kafka、HDFS、MySQL、Elasticsearch 等

2. Flink 集群架构

Flink 采用 Master-Slave（主从）架构，主要包含 JobManager（主节点）和 TaskManager（从节点）。

（1）Master 节点（JobManager）

JobManager 负责任务管理和调度，主要组件：

Dispatcher（调度器）：
- 负责接收 Client 提交的任务
- 提供 REST API 接口，允许用户查询任务状态
ResourceManager（资源管理器）：
- 负责管理 Flink 计算资源
- 与 YARN / Kubernetes / Mesos 协作，动态分配 TaskManager
JobMaster（作业管理器）：
- 负责管理 Flink 任务的执行
- 维护 ExecutionGraph（执行图）
- 处理 故障恢复

（2）Worker 节点（TaskManager）

TaskManager 负责执行具体任务，包含：

TaskSlot（任务槽）：
- 任务的最小资源单位，每个 TaskManager 有多个 TaskSlot
- Slot 之间内存相互隔离
Task（任务）：
- 执行 算子（Operators）
- 通过 数据流（Stream） 进行计算

（3）存储层

Flink 需要持久化存储以下数据：

检查点（Checkpoint） → HDFS、S3、RocksDB
状态（State）存储 → RocksDB、内存
输入（Source）数据 → Kafka、MySQL、HDFS
输出（Sink）数据 → Elasticsearch、HDFS、Redis

3. Flink 作业执行流程

（1）任务提交

Client 提交 Flink Job
- 解析代码，生成 JobGraph
- 发送 JobGraph 到 Dispatcher
Dispatcher 分配 JobMaster
- 启动 JobMaster 处理任务
- JobMaster 解析 JobGraph，构造 ExecutionGraph

（2）任务调度

JobMaster 解析 ExecutionGraph
- 将 JobGraph 转换为并行执行图（ExecutionGraph）
- 按算子依赖关系进行任务切分
ResourceManager 分配 TaskManager
- 申请 TaskSlot
- 分配 TaskManager 并启动 Task 任务

（3）任务执行

TaskManager 启动 Task
- 运行算子（Operators）
- 处理数据流（Stream）
数据传输
- 通过 Shuffle、Network Stack 传输数据
- 任务之间通过 流（Stream） 传递数据

（4）状态管理 & 容错

Checkpoint 机制
- 定期将 Task 状态 持久化到 HDFS、RocksDB
- 任务故障时，从最近的 Checkpoint 恢复
Savepoint 机制
- 手动触发 Savepoint，支持 作业升级、代码变更后的恢复
Failover
- 任务失败后，JobMaster 重新调度任务，恢复计算

4. Flink 任务并行度

Flink 是 并行计算框架，并行度的定义如下：

全局并行度（Global Parallelism）
- 由 execution.parallelism 决定，影响整个 Job
算子级别并行度（Operator Parallelism）
- 可以通过 operator.setParallelism(n) 设置
Task Slot 数量
- 每个 TaskManager 有多个 TaskSlot，影响作业运行

默认并行度

Flink 默认并行度为 1，可以在 flink-conf.yaml 配置：
```
parallelism.default: 4  # 设置默认并行度为 4
```
也可以通过代码指定：
```
env.setParallelism(4);
```

5. Flink vs Spark 对比

对比项	Flink	Spark
计算模式	流计算（Streaming First）	批计算（Batch First）
数据流模型	实时流（Unbounded Stream）	微批处理（Micro-batch）
状态管理	内置状态管理（RocksDB）	依赖外部存储（HDFS、Redis）
故障恢复	精准一次（Exactly Once）	依赖 RDD 重计算
吞吐量	高吞吐、低延迟	吞吐量高但延迟较高
并行计算	Task Slot 控制并行度	RDD Partition 控制并行度

6. 结论

✅ Flink 采用 Master-Slave 架构，由 JobManager（主节点）+ TaskManager（工作节点）+ 存储层 组成
✅ 支持流计算和批计算，以 流计算优先（Streaming First） 为核心
✅ 高并发低延迟，支持 Exactly Once 语义，适用于 实时计算场景
✅ 任务并行度由 Task Slot、算子并行度决定，默认并行度为 1，可调整
✅ 与 Spark 相比，Flink 在实时流计算方面更强，而 Spark 在离线计算更优秀

Savepoint

1. 什么是 Savepoint？

Savepoint 是 Flink 提供的一种手动触发的作业状态快照机制，用于：

任务升级、迁移（跨版本、跨集群恢复）
故障恢复（比 Checkpoint 更灵活）
A/B 测试（从相同状态启动不同版本任务）

2. Savepoint vs Checkpoint

对比项	Savepoint	Checkpoint
触发方式	手动触发	自动触发（周期性）
存储内容	作业完整状态（可跨版本恢复）	任务运行状态（仅用于故障恢复）
存储位置	HDFS / S3 / RocksDB / 文件系统	HDFS / S3 / RocksDB
用途	任务升级、迁移、测试	任务失败后自动恢复
适用场景	长期存储，版本切换	临时存储，断点恢复
数据一致性	需要手动触发，非实时	端到端 Exactly-Once

总结：
✅ Savepoint 适用于长期存储和版本迁移
✅ Checkpoint 适用于作业自动恢复

3. 如何使用 Savepoint？

3.1 触发 Savepoint

flink savepoint job_id savepoint_path

例如：

flink savepoint 123456 /flink/savepoints/

说明：job_id 是 Flink 任务 ID，savepoint_path 指定 Savepoint 存储位置（HDFS、S3等）。

3.2 使用 Savepoint 恢复作业

flink run -s savepoint_path -c MainClass my-flink-job.jar

示例：

flink run -s hdfs://flink/savepoints/savepoint-1234 my-job.jar

说明：-s 参数指定 Savepoint 位置，作业会从 Savepoint 处继续执行。

3.3 删除 Savepoint

Savepoint 需要手动删除：

flink stop -s savepoint_path job_id

4. Savepoint 适用于哪些场景？

任务升级
- 旧版本任务 触发 Savepoint，新版本任务从 Savepoint 恢复
- 例如升级 Flink 作业时，保证状态不丢失
跨集群任务迁移
- 在 不同 Flink 集群 之间迁移作业
- 先在 A 集群 Savepoint，然后在 B 集群加载 Savepoint
A/B 测试
- 从同一个 Savepoint 启动多个作业，对比不同算法版本效果

5. Savepoint vs Kafka Offset

对比项	Savepoint	Kafka Offset
作用	存储 Flink 作业的所有状态	存储 Kafka 消费者消费位点
适用范围	所有 Flink 状态（窗口、聚合等）	仅流式 Kafka 消费 Offset
是否支持作业升级	✅ 支持	❌ 不支持
存储方式	HDFS / S3 / RocksDB	Kafka 内部存储