【Flink】【第三章 Flink运行模式】 Flink on Yarn

---

1. Flink on Yarn 简介

Flink的Standalone和 Yarn模式都属于集群运行模式，但是有很大的不同，在实际环境中，使用Flink on Yarn模式者居多。

on yarn模式的好处

在集群运行时，可能会有很多的集群实例包括MapReduce、Spark、Flink等等，那么如果它们全基于on Yarn就可以完成资源分配，减少单个实例集群的维护，提高集群的利用率。

on yarn模式注意事项

• 在yarn模式下，启动flink集群之前要启动yarn和hadoop
• 以Yarn模式部署Flink任务时，要求Flink有Hadoop支持的版本。Flink1.10要求Hadoop环境需要保证版本在2.2以上，并且集群中安装有HDFS服务。

2.Flink on Yarn的两种模式说明

Flink on yarn有两种运行模式：Session-Cluster和Per-Job-Cluster模式。

2.1 Session-cluster 模式

（1）session模式特点

• 内存集中管理
  在Yarn中初始化一个Flink集群，开辟指定的资源，资源申请到之后，资源永远保持不变，之后我们提交的Flink Jon都在这个Flink yarn-session中，也就是说不管提交多少个job，这些job都会共用开始时在yarn中申请的资源。这个Flink集群会常驻在Yarn集群中，除非手动停止。
  如果资源满了，下一个作业就无法提交（阻塞），只能等到yarn中的其中一个作业执行完成后，释放了资源，下个作业才会正常提交。

从上面来看， Session模式下基本和standalone模式一样，只不过是资源管理交给了Yarn集群

（2）session模式下的flink集群运行时四个组件

• Dispatcher和ResourceManager由所有提交的job共享
• Dispatcher负责给job封装jobManager，jobManager和job是绑定的，一个job由一个jobManager管理。
• ResourceManager负责给job安排NodeManager用来启动TaskManager

（3）Session模式的适用场景

• 适合规模小、执行时间短的作业。
• 比如适合小的有界流，不适合无界流，因为无界流的Job 7*24小时运行，始终占用资源，如果Job多了资源不够用，导致Job阻塞

2.2 Per-Job-Cluster 模式

• 先提交job，再启动flink集群。一个job对应一个flink集群，每个flink集群单独向yarn申请资源，因此每个job之间资源不共享、每个job之间互相独立，互不影响，方便管理，一个作业的失败与否并不会影响下一个作业的正常提交和运行。
• 只有当整个yarn集群资源不足，才会造成任务无法提交了。
• job执行完成之后对应的集群也会消失。

由于每个job独享一个flink集群，每个job独享Dispatcher和ResourceManager，按需接受资源申请；

应用场景：规模大，时间长的任务，无界流任务可用

2.3 Application Mode

3.Flink on Yarn 两种模式演示

Session Cluster使用演示

Session Cluster的启动

1.启动hadoop集群（略）

2.添加hadoop依赖
将hadoop依赖支持放进flink/lib目录下
Flink官方从1.8版本开始不提供带hadoop支持，flink将hadoop当做额外的组件，需要手动放进来。
在G:\18_尚硅谷大数据技术之Flink\2.资料目录下，2.8和3.1版本都能用

3.启动yarn-session

bin/yarn-session.sh -n 2 -s 2 -jm 1024 -tm 1024 -nm test -d
1

Yarn-session模式下，在启动的时候就指定好了TaskManager的数量，指定了资源的数量；

• -n (–container)：TaskManager的数量。
• -s(–slots)： 每个TaskManager的slot数量，默认1个slot1个core，有时可以多一些taskmanager，做冗余。
• -jm：JobManager的内存（单位MB)。
• -tm：每个taskmanager的内存（单位MB)。
• -nm：yarn 的appName(现在yarn的ui上的名字)。
• -d：后台执行。
  其中-n 和 -d已经无效了。（并不会后台执行）

注意：每次启动yarn-session会阻塞当前Linux的页面，ctrl+c 会挂掉当前的yarn-session；并且页面末尾如下面一张图所示，每次启动yarn-session会随机jobmanager的端口号，因此要从web页面访问，需要按照这个端口号来访问。[总结：启动yarn-session阻塞页面+随机web端口号]

jpsall如下：

提交Job执行任务

./flink run -c com.atguigu.wc.Flink03_WordCount_Unbounded FlinkTutorial-1.0-SNAPSHOT-jar-with-dependencies.jar --host hadoop102 --port 7777
1

去yarn控制台查看任务状态

取消任务

yarn application --kill application_1577588252906_0001
1

Session-Cluster中任务提交现象说明

前提：三台机器，flink的配置为每个TaskManager有两个slots，一共6个slots

（1）访问web页面会看到可用slots个数为0，因为还没有提交任务，yarn没有给flink集群分配资源。Yarn分配资源的进程为YarnTaskExecutorRunner，提交任务后，yarn回启动这个进程来调度资源。用jps可以看到。

现象1：提交job后才能查看flink集群可用资源

（2）提交一个并行度为4的job，yarn会分配两个TaskManager，4个slots



两个taskManager进程都分配到第三台 机器了；
现象2：（一台NodeManager可以运行多个TaskManager进程）

（3）再提交并行度为1的job，flink需要1个TaskManager来执行此job，由于两个已经启动的TaskManager已经没有slot可以提供给job了，yarn需要申请NodeManager资源来启动TaskManager，而一个TaskManager就带有两个Slot，因此会还剩1个slot可用。
现象3：（TaskManager进程是Flink中管理资源的最小单元）

（4）再提交并行度>1的job，会造成和standAlone模式下一样的现象

可用slots为0，Running Jobs为3，但是第三个Job是阻塞的

2.3 Per Job Cluster使用演示

1. 启动hadoop集群（略）

2. 将hadoop依赖支持放进flink/lib目录下
   Flink官方从1.8版本开始不提供带hadoop支持，flink将hadoop当做额外的组件，需要手动放进来。
   在G:\18_尚硅谷大数据技术之Flink\2.资料目录下，2.8和3.1版本都能用

3. 不用启动yarn-session，直接执行job

./flink run -m yarn-cluster -c com.atguigu.wc.Flink03_WordCount_Unbounded \
FlinkTutorial-1.0-SNAPSHOT-jar-with-dependencies.jar --host hadoop102 --port 7777
1
2

说明：Per Job Cluster模式下提交job比standalone模式下提交job多一个参数-m yarn-cluster

---

提交后linux窗口阻塞，如下图所示：也会随机web的地址

---

Yarn模式下提交的flink任务，在yarn web页面都能查看到，可以看出来flink在yarn的两种部署模式

2.3.1 Per Job模式下两种访问web UI页面方式

第一种：根据随机的web地址，在浏览器访问
第二种：在yarn页面中找到当前提交的flink Job，在Tracking UI页面可以访问到UI页面（如下图所示）

注意： PerJob模式下，一个job对应一个webUI页面，和Session模式不同，Session模式下所有任务共享一个webUI页面，因此可以看见一个页面有多个Job的现象，但是PerJob模式下的web页面只会显示当前一个Job。

---

2.4 无界流job占满一个队列

• 无界流job占满一个队列
  如果提交了一个无界流Job，由于Yarn模式下，默认使用的是容量调度器，容量调度器是多队列但是先进先出型，一个队列只能跑一个任务，而无界流任务不会停止，因此会将队列阻塞，此时如果再提交一个job，即使集群的资源足够使用，由于调度队列被阻塞，仍然会导致第二个job阻塞，因此需要提交到另一个队列中

2.5 flink提交任务时指定队列的方式

bin/flink 可以查看命令的参数

PerJob模式提交一个flink job到hive队列中：

2.6 两种模式下job占用队列方式

• Yarn-session模式下，Yarn-session整体相当于一个Job提交在yarn的调度队列中，因此可以提交多个无界流任务；
• PerJob模式不同，PerJob提交的每一个Job都是一个调度队列中的，因此一个队列只能提交一个无界流Job

2.7 PerJob模式下一个NodeManager可有多个TaskManager

PerJob 模式下分别提交两个并行度为4的Job到两个队列中：

是可以运行的，因为允许一台机器上启动多个TaskManager

一台机器上起的TaskManager的个数受TaskManger配置的内存限制：

结论：PerJob模式下，只要整个Yarn集群的机器资源充足，就能一直启动TaskManager，
而YarnSession和standalone模式下，一台机器只能启动一个taskManager；

调小slots大小的两种方式：

1. 调小taskManager的内存
2. 调大slots个数