51、Flink的管理执行（执行配置、程序打包和并行执行）的介绍及示例

文章目录

• Flink 系列文章
• 一、执行配置
• 二、程序打包和分布式运行

• 1、打包程序
• 2、总结

• 三、并行执行

• 1、设置并行度

• 1）、算子层次
• 2）、执行环境层次
• 3）、客户端层次
• 4）、系统层次

• 2、设置最大并行度

本文介绍了Flink的管理执行的三个内容，即执行配置、打包和分布式运行以及并行执行（设置并行度的几种方式）。

本文除了maven依赖外，没有其他依赖。

一、执行配置

StreamExecutionEnvironment 包含了 ExecutionConfig，它允许在运行时设置作业特定的配置值。要更改影响所有作业的默认值，请参阅配置。

StreamExecutionEnvironment env = StreamExecutionEnvironment.getExecutionEnvironment();
ExecutionConfig executionConfig = env.getConfig();

以下是可用的配置选项（下面粗体部分为系统默认值）：

• setClosureCleanerLevel()
  closure cleaner 的级别默认设置为 ClosureCleanerLevel.RECURSIVE。closure cleaner 删除 Flink 程序中对匿名 function 的调用类的不必要引用。禁用 closure cleaner 后，用户的匿名 function 可能正引用一些不可序列化的调用类。这将导致序列化器出现异常。
  可设置的值是：
  NONE：完全禁用 closure cleaner ，
  TOP_LEVEL：只清理顶级类而不递归到字段中，
  RECURSIVE：递归清理所有字段。
• getParallelism() / setParallelism(int parallelism)
  为作业设置默认的并行度。
• getMaxParallelism() / setMaxParallelism(int parallelism)
  为作业设置默认的最大并行度。此设置决定最大并行度并指定动态缩放的上限。
• getNumberOfExecutionRetries() / setNumberOfExecutionRetries(int numberOfExecutionRetries)
  设置失败任务重新执行的次数。
  值为零会有效地禁用容错。
  -1 表示使用系统默认值（在配置中定义）。
  该配置已弃用，请改用重启策略 。
• getExecutionRetryDelay() / setExecutionRetryDelay(long executionRetryDelay)
  设置系统在作业失败后重新执行之前等待的延迟（以毫秒为单位）。
  在 TaskManagers 上成功停止所有任务后，开始计算延迟，一旦延迟过去，任务会被重新启动。
  此参数对于延迟重新执行的场景很有用，当尝试重新执行作业时，由于相同的问题，作业会立刻再次失败，该参数便于作业再次失败之前让某些超时相关的故障完全浮出水面（例如尚未完全超时的断开连接）。
  此参数仅在执行重试次数为一次或多次时有效。
  该配置已被弃用，请改用重启策略 。
• getExecutionMode() / setExecutionMode()。默认的执行模式是 PIPELINED
  设置执行模式以执行程序。
  执行模式定义了数据交换是以批处理方式还是以流方式执行。
• enableForceKryo() / disableForceKryo()
  默认情况下不强制使用 Kryo。
  强制 GenericTypeInformation 对 POJO 使用 Kryo 序列化器，即使我们可以将它们作为 POJO 进行分析。
  在某些情况下，应该优先启用该配置。
  例如，当 Flink 的内部序列化器无法正确处理 POJO 时。
• enableForceAvro() / disableForceAvro()
  默认情况下不强制使用 Avro。
  强制 Flink AvroTypeInfo 使用 Avro 序列化器而不是 Kryo 来序列化 Avro 的 POJO。
• enableObjectReuse() / disableObjectReuse()
  默认情况下，Flink 中不重用对象。
  启用对象重用模式会指示运行时重用用户对象以获得更好的性能。
  当一个算子的用户代码 function 没有意识到这种行为时可能会导致bug。
• getGlobalJobParameters() / setGlobalJobParameters()
  此方法允许用户将自定义对象设置为作业的全局配置。
  由于 ExecutionConfig 可在所有用户定义的 function 中访问，因此这是一种使配置在作业中全局可用的简单方法。
• addDefaultKryoSerializer(Class<?> type, Serializer<?> serializer)
  为指定的类型注册 Kryo 序列化器实例。
• addDefaultKryoSerializer(Class<?> type, Class<? extends Serializer<?>> serializerClass)
  为指定的类型注册 Kryo 序列化器的类。
• registerTypeWithKryoSerializer(Class<?> type, Serializer<?> serializer)
  使用 Kryo 注册指定类型并为其指定序列化器。
  通过使用 Kryo 注册类型，该类型的序列化将更加高效。
• registerKryoType(Class<?> type)
  如果类型最终被 Kryo 序列化，那么它将在 Kryo 中注册，以确保只有标记（整数 ID）被写入。
  如果一个类型没有在 Kryo 注册，它的全限定类名将在每个实例中被序列化，从而导致更高的 I/O 成本。
• registerPojoType(Class<?> type)
  将指定的类型注册到序列化栈中。
  如果该类型最终被序列化为 POJO，那么该类型将注册到 POJO 序列化器中。
  如果该类型最终被 Kryo 序列化，那么它将在 Kryo 中注册，以确保只有标记被写入。
  如果一个类型没有在 Kryo 注册，它的全限定类名将在每个实例中被序列化，从而导致更高的I/O成本。

用 registerKryoType() 注册的类型对 Flink 的 Kryo 序列化器实例来说是不可用的。

• disableAutoTypeRegistration()
  自动类型注册在默认情况下是启用的。
  自动类型注册是将用户代码使用的所有类型（包括子类型）注册到 Kryo 和 POJO 序列化器。
• setTaskCancellationInterval(long interval)
  设置尝试连续取消正在运行任务的等待时间间隔（以毫秒为单位）。
  当一个任务被取消时，会创建一个新的线程，如果任务线程在一定时间内没有终止，新线程就会定期调用任务线程上的 interrupt() 方法。
  这个参数是指连续调用 interrupt() 的时间间隔，默认设置为 30000 毫秒，或 30秒 。

通过 getRuntimeContext() 方法在 Rich* function 中访问到的 RuntimeContext 也允许在所有用户定义的 function 中访问 ExecutionConfig。

二、程序打包和分布式运行

Flink 程序可以使用 remote environment 在集群上执行。或者，程序可以被打包成 JAR 文件（Java Archives）执行。如果使用命令行的方式执行程序，将程序打包是必需的。

1、打包程序

为了能够通过命令行或 web 界面执行打包的 JAR 文件，程序必须使用通过 StreamExecutionEnvironment.getExecutionEnvironment() 获取的 environment。

当 JAR 被提交到命令行或 web 界面后，该 environment 会扮演集群环境的角色。如果调用 Flink 程序的方式与上述接口不同，该 environment 会扮演本地环境的角色。

打包程序只要简单地将所有相关的类导出为 JAR 文件，JAR 文件的 manifest 必须指向包含程序入口点（拥有公共 main 方法）的类。

实现的最简单方法是将 main-class 写入 manifest 中（比如 main-class: org.apache.flinkexample.MyProgram）。

main-class 属性与 Java 虚拟机通过指令 java -jar pathToTheJarFile 执行 JAR 文件时寻找 main 方法的类是相同的。

大多数 IDE 提供了在导出 JAR 文件时自动包含该属性的功能。

2、总结

调用打包后程序的完整流程包括两步：

• 搜索 JAR 文件 manifest 中的 main-class 或 program-class 属性。如果两个属性同时存在，program-class 属性会优先于 main-class 属性。对于 JAR manifest 中两个属性都不存在的情况，命令行和 web 界面支持手动传入入口点类名参数。
• 系统接着调用该类的 main 方法。

三、并行执行

一个 Flink 程序由多个任务 task 组成（转换/算子、数据源和数据接收器）。一个 task 包括多个并行执行的实例，且每一个实例都处理 task 输入数据的一个子集。一个 task 的并行实例数被称为该 task 的 并行度 (parallelism)。

使用 savepoints 时，应该考虑设置最大并行度。当作业从一个 savepoint 恢复时，你可以改变特定算子或着整个程序的并行度，并且此设置会限定整个程序的并行度的上限。由于在 Flink 内部将状态划分为了 key-groups，且性能所限不能无限制地增加 key-groups，因此设定最大并行度是有必要的。

1、设置并行度

一个 task 的并行度可以从多个层次指定：

1）、算子层次

单个算子、数据源和数据接收器的并行度可以通过调用 setParallelism()方法来指定。如下所示：

// 设置 算子 并行度
 static void test1() throws Exception {
     StreamExecutionEnvironment env = StreamExecutionEnvironment.getExecutionEnvironment();

     DataStream<String> source = env.socketTextStream("192.168.10.42", 8888)
             .map(o -> {
                 String[] lines = o.split(",");
                 return "name:" + lines[0] + " age: " + lines[1];
             }).setParallelism(8);// 设置map的并行度

     source.print();
     env.execute();
 }

2）、执行环境层次

Flink 程序运行在执行环境的上下文中。执行环境为所有执行的算子、数据源、数据接收器 (data sink) 定义了一个默认的并行度。可以显式配置算子层次的并行度去覆盖执行环境的并行度。

可以通过调用 setParallelism() 方法指定执行环境的默认并行度。如果想以并行度3来执行所有的算子、数据源和数据接收器。可以在执行环境上设置默认并行度，如下所示：

// 设置 执行环境层次 并行度
static void test2() throws Exception {
    StreamExecutionEnvironment env = StreamExecutionEnvironment.getExecutionEnvironment();
    env.setParallelism(8);
    DataStream<String> source = env.socketTextStream("192.168.10.42", 8888)
            .map(o -> {
                String[] lines = o.split(",");
                return "name:" + lines[0] + " age: " + lines[1];
            });

    source.print();
    env.execute();
}

3）、客户端层次

将作业提交到 Flink 时可在客户端设定其并行度。客户端可以是 Java 或 Scala 程序，Flink 的命令行接口（CLI）就是一种典型的客户端。

在 CLI 客户端中，可以通过 -p 参数指定并行度，例如：

./bin/flink run -p 10 ../examples/*WordCount-java*.jar

或者在 Java 程序中，可以通过如下方式指定并行度：
说明：
1、该种方法比较复杂，是不是相当于把Flink自身的客户端实现重新实现了一遍呢？大致逻辑如下，代码示例
2、具体实现可以参考其客户端的实现以及测试用例中的实现。
3、客户端的入口类为org.apache.flink.client.cli.CliFrontend；其测试用例类为org.apache.flink.client.program.ClientTest

import static org.apache.flink.util.Preconditions.checkNotNull;

import java.io.File;
import java.net.URL;
import java.util.List;
import java.util.concurrent.CompletableFuture;
import java.util.stream.Stream;

import javax.annotation.Nonnull;

import org.apache.flink.api.common.JobID;
import org.apache.flink.api.common.Plan;
import org.apache.flink.api.java.ExecutionEnvironment;
import org.apache.flink.api.java.io.DiscardingOutputFormat;
import org.apache.flink.client.ClientUtils;
import org.apache.flink.client.FlinkPipelineTranslationUtil;
import org.apache.flink.client.cli.ExecutionConfigAccessor;
import org.apache.flink.client.deployment.ClusterClientJobClientAdapter;
import org.apache.flink.client.program.ClusterClient;
import org.apache.flink.client.program.MiniClusterClient;
import org.apache.flink.client.program.PackagedProgram;
import org.apache.flink.configuration.AkkaOptions;
import org.apache.flink.configuration.Configuration;
import org.apache.flink.configuration.CoreOptions;
import org.apache.flink.configuration.DeploymentOptions;
import org.apache.flink.configuration.JobManagerOptions;
import org.apache.flink.core.execution.DefaultExecutorServiceLoader;
import org.apache.flink.core.execution.JobClient;
import org.apache.flink.core.execution.PipelineExecutor;
import org.apache.flink.core.execution.PipelineExecutorFactory;
import org.apache.flink.core.execution.PipelineExecutorServiceLoader;
import org.apache.flink.runtime.jobgraph.JobGraph;
import org.apache.flink.runtime.jobgraph.SavepointRestoreSettings;
import org.apache.flink.runtime.testutils.InternalMiniClusterExtension;
import org.apache.flink.runtime.testutils.MiniClusterResourceConfiguration;

/*
 * @Author: alanchan
 * @LastEditors: alanchan
 * @Description: 
 */
public class TestParallelismByClientDemo {
    private static final String TEST_EXECUTOR_NAME = "test_executor";
    private static Plan plan;
	private static Configuration config;
    private static final InternalMiniClusterExtension MINI_CLUSTER_RESOURCE = new InternalMiniClusterExtension(new MiniClusterResourceConfiguration.Builder().build());
    public static void main(String[] args) throws Exception {
		ExecutionEnvironment env = ExecutionEnvironment.createLocalEnvironment();
		env.generateSequence(1, 1000).output(new DiscardingOutputFormat<>());
		plan = env.createProgramPlan();

		config = new Configuration();
		config.setString(JobManagerOptions.ADDRESS, "localhost");

		config.set(AkkaOptions.ASK_TIMEOUT_DURATION, AkkaOptions.ASK_TIMEOUT_DURATION.defaultValue());

        // 1、构造PackagedProgram
        Configuration configuration = new Configuration();
		configuration.setString(DeploymentOptions.TARGET, TEST_EXECUTOR_NAME);
		configuration.set(CoreOptions.DEFAULT_PARALLELISM, 2);

		// <dependency>
		// <groupId>org.apache.flink</groupId>
		// <artifactId>flink-runtime</artifactId>
		// <version>${flink.version}</version>
		// </dependency>

        String entryPointClass = TestExecute.class.getName();
        String jarFilePath = "../examples/flinktest.jar";//打包jar文件的路径
        File jarFile = new File(jarFilePath);
        List<URL> classpaths = PackagedProgram.getJobJarAndDependencies(jarFile,entryPointClass);

    //    Creates an instance that wraps the plan defined in the jar file using the given arguments
    //    For generating the plan the class defined in the className parameter is used.
    //    private PackagedProgram(
    //            @Nullable File jarFile, //jarFile The jar file which contains the plan.
    //            List<URL> classpaths, //classpaths Additional classpath URLs needed by the Program.
    //            @Nullable String entryPointClassName, //entryPointClassName Name of the class which generates the plan. Overrides the class defined in the jar file manifest.
    //            Configuration configuration, //configuration Flink configuration which affects the classloading policy of the Program execution.
    //            SavepointRestoreSettings savepointRestoreSettings,
    //            String... args) //args Optional. The arguments used to create the pact plan, depend on implementation of the pact plan. See getDescription().
        PackagedProgram program = PackagedProgram.newBuilder()
                    .setJarFile(jarFile)
                    .setUserClassPaths(classpaths)
                    .setEntryPointClassName(entryPointClass)
                    .setConfiguration(configuration)
                    .setSavepointRestoreSettings(SavepointRestoreSettings.fromConfiguration(configuration))
                    .setArguments(args)
                    .build();

        // 2、构造客户端执行环境
        // public static void executeProgram(
        //     PipelineExecutorServiceLoader executorServiceLoader,
        //     Configuration configuration,
        //     PackagedProgram program,
        //     boolean enforceSingleJobExecution,
        //     boolean suppressSysout)
        // ClientUtils.executeProgram(new DefaultExecutorServiceLoader(), configuration, program, false, false);


        ClusterClient<?> clusterClient = new MiniClusterClient(new Configuration(), MINI_CLUSTER_RESOURCE.getMiniCluster());
        ClientUtils.executeProgram(new TestExecutorServiceLoader(clusterClient, plan), configuration, program, false, false);
    }

    public static final class TestExecute {

		public static void main(String[] args) throws Exception {
			final ExecutionEnvironment env = ExecutionEnvironment.getExecutionEnvironment();

			for (int i = 0; i < 2; i++) {
				env.fromElements(1, 2).output(new DiscardingOutputFormat<>());
				JobClient jc = env.executeAsync();

				jc.getJobExecutionResult();
			}
		}
	}

    private static final class TestExecutorServiceLoader implements PipelineExecutorServiceLoader {

		private final ClusterClient<?> clusterClient;

		private final Plan plan;

		TestExecutorServiceLoader(final ClusterClient<?> clusterClient, final Plan plan) {
			this.clusterClient = checkNotNull(clusterClient);
			this.plan = checkNotNull(plan);
		}

		@Override
		public PipelineExecutorFactory getExecutorFactory(@Nonnull Configuration configuration) {
			return new PipelineExecutorFactory() {

				@Override
				public String getName() {
					return "my-name";
				}

				@Override
				public boolean isCompatibleWith(@Nonnull Configuration configuration) {
					return TEST_EXECUTOR_NAME.equalsIgnoreCase(configuration.getString(DeploymentOptions.TARGET));
				}

				@Override
				public PipelineExecutor getExecutor(@Nonnull Configuration configuration) {
					return (pipeline, config, classLoader) -> {
						final int parallelism = config.getInteger(CoreOptions.DEFAULT_PARALLELISM);
						final JobGraph jobGraph = FlinkPipelineTranslationUtil.getJobGraph(classLoader, plan, config, parallelism);

						final ExecutionConfigAccessor accessor = ExecutionConfigAccessor.fromConfiguration(config);
						jobGraph.addJars(accessor.getJars());
						jobGraph.setClasspaths(accessor.getClasspaths());

						final JobID jobID = clusterClient.submitJob(jobGraph).get();
						return CompletableFuture.completedFuture(new ClusterClientJobClientAdapter<>(() -> clusterClient, jobID, classLoader));
					};
				}
			};
		}

		@Override
		public Stream<String> getExecutorNames() {
			throw new UnsupportedOperationException("not implemented");
		}
	}

}

4）、系统层次

可以通过设置 ./conf/flink-conf.yaml 文件中的 parallelism.default 参数，在系统层次来指定所有执行环境的默认并行度。

2、设置最大并行度

最大并行度可以在所有设置并行度的地方进行设定（客户端和系统层次除外）。与调用 setParallelism() 方法修改并行度相似，你可以通过调用 setMaxParallelism() 方法来设定最大并行度。

默认的最大并行度等于将 operatorParallelism + (operatorParallelism / 2) 值四舍五入到大于等于该值的一个整型值，并且这个整型值是 2 的幂次方，注意默认最大并行度下限为 128，上限为 32768。

为最大并行度设置一个非常大的值将会降低性能，因为一些 state backends 需要维持内部的数据结构，而这些数据结构将会随着 key-groups 的数目而扩张（key-group 是状态重新分配的最小单元）。

从之前的作业恢复时，改变该作业的最大并发度将会导致状态不兼容。

以上，本文介绍了Flink的管理执行的三个内容，即执行配置、打包和分布式运行以及并行执行（设置并行度的几种方式）。