关于Flink
Flink架构
Flink是一种流式计算框架，与Spark的“微批”设计理念不同，Flink则将数据看作无限的和有限的数据流，支持对数据流进行逐条或者窗口式处理，从而保证数据处理延迟可以达到毫秒级。同时基于有限流的设想，Flink还可以实现数据的批量处理，实现了流批一体。可以说完全基于数据流的设计理念，一举将Spark打的体无完肤，从而可以说目前Flink成为各大厂商的流式数据处理的标配。
Flink集群采用的是主从架构，JobManager作为集群的主节点，负责集群任务调度以及资源管理的任务。TaskManager作为集群的从节点，负责接受JobManager分派的执行任务，为集群提供计算资源。
Flink提供了多种部署模式，包括Standalone、YARN、Mesos、K8S、Docker等。针对不同的部署方式，Flink集群的运行时态架构不太一样，但是核心部署架构还是保持一致的，即JobManager+TaskManager的组合。
与YARN一致，为了解决主节点的单点问题，Flink也需要解决JobManager的单点问题。针对Standalone的部署模式，需要部署多个JobManager节点通过主备模式实现高可用；如果是将Flink集群托管给YARN进行管理，则可以借助YARN集群的AM恢复机制来实现JobManager的高可用。
Flink on YARN
Flink可以运行在YARN集群中，也是基于Job Manager+TaskManager来对外提供服务。在YARN中，JobManager将内嵌在Flink应用的AM中，负责处理client端提交的Flink JOB。而TaskManager将运行在Yarn Container中，提供计算能力。
Flink在YARN集群上支持三种部署模式：Session模式、Per-job模式以及Application模式。
Session模式
Session模式的原理与Standalone模式相似，只不过是将Flink集群运行在YARN集群提供的Container中。在这种模式下，Flink将基于client的请求动态进行TaskManager的申请和回收。
这种模式的优势在于与standalone模式保持了一致的体验，同时Yarn集群又提供了Container节点的自动恢复能力，即TaskManager进程挂掉之后，AM（JobManager）能够自动把它拉起来。劣势也是standalone的劣势，就是会产生资源竞争，所有任务也都在一个Flink集群实例当中，日志混淆在了一起，不太便于日志排查和分析。
启动yarn-session
yarn-session.sh -jm <jm-memory> -tm <tm-memory> -s <slots-per-taskmanager> -z <zk-namespace> -nm <app-name> -d
提交Job
在yarn-session模式下，提交job的方式与standalone模式一致。只不过区别在于，遵循的是yarn-cluster模式的命令参数组合，即可以通过-yD进行参数传递。
flink run -yD <xxx>=<xxx> -c <classname> -d <jar-file> <arguments>
停止job
与standalone模式一致，可以通过以下命令：
flink cancel <job-id>
停止yarn-session
两种方式：
- 命令退出：
echo "stop" | ./bin/yarn-session.sh -id <appId> - Attach方式：
yarn-session.sh -id <appId>然后通过ctrl+C来退出
高可用配置
high-availability: zookeeper
high-availability.zookeeper.quorum: localhost:2181
high-availability.storageDir: hdfs:///flink/recovery
high-availability.zookeeper.path.root: /flink
yarn.application-attempts: 10
探秘
经过研读源码，在启动yarn-session时，系统首先会检测是否在${yarn.properties-file.location}文件夹下存在yarn配置文件，在配置文件中存放的是flink应用的applicationId信息。
这样我们在执行 flink run命令后，就可以通过appId连接到Flink集群，从而将应用提交到yarn-session的flink 集群中。
Per-Job 模式
Per-Job 模式是指每个Flink Job都是一组独立集群，即有自己的JobManager和TaskManager。提交任务后，YARN首先会为该任务分派一个AM容器，该容器内会运行一个JobManager进程，之后JobManager会向Yarn申请运行TaskManager所需要的container，container的数量和container的配置（CPU、内存）会基于客户端的需求来确定，当JobManager和TaskManager进程都拉起来之后，则会执行相应的Flink Job。这样，与Standalone以及yarn-session不同的是，我们不需要准备一个常驻的Flink 集群进程，只需要保证本地有一个Flink环境即可，Flink集群是在我们提交Job时动态创建出来的。
这种方式的优势在于每个任务独立运行，相互不会收到干扰，这个不干扰还包括了运行日志也是隔离的。另外，借助YARN集群的能力，提供了对Flink Job的全方位保障，包括JobManager的高可用，TaskManager的恢复，然后再结合Flink自身提供的健壮性，包括检查点、保存点机制，从而能够很好的保障Flink Job的高可用和健壮性。劣势的话，就是保证了资源隔离的同时也占用了更多的资源，因为每个Job都需要一个JobManager，每个JobManager都会消耗一个AM进程资源。
提交Job
flink run -d -m yarn-cluster -ys <slots-per-taskmanager> -yD yarn.containers.vcores=2 -yD <xxx>=<xxx> -ynm <app-name> -ytm <tm-memory> -yjm <jm-memory> -c <class> <jar-file> <arguments>
其中 -m yarn-cluster 为固定写法【针对1.11版本】，通过阅读源码，Flink内部时通过提取-m中是否存在yarn-cluster标识来确定是否时per-job模式的。
停止Job
flink list -yid <appId>
flink cancel <jobId> -yid <appId>
探秘
之前一直好奇都是执行flink run命令，flink是如何区分是standalone、yarn-session还是per-job的，研读源码之后发现，相关的判断逻辑主要是在flink-client的工程中做的，首先会筛选应用Client进行Flink Job的启动，包括 GenericCLI、FlinkYarnSessionCli、DefaultCLI。如果在启动命令中包含 -m yarn-cluster 参数的话，则FlinkYarnSessionCli将被启用，从而顺利的开始执行后续的Per-job模式的启动流程。
Application模式
application模式与per-job模式类似，也是每个Job一个独立的Flink集群。与per-job的区别在于Flink Job的main函数的执行位置。Per-job的执行位置实在提交任务的客户端所在机器，需要进行JobGragh的生成与提交；而Application模式是在JobManaer侧执行，也就是在Yarn的AM中执行的，这样就可以释放clien侧的资源占用。另外，application模式可以从HDFS加载flink job相关jar文件，这样可以避免相关Jar文件的重复加载。
这种模式的优势的话与per-job是一致的，而且相比per-job还提供了远端启动job、jar包共享等优势，是一种更先进的部署模式。劣势与perjob是一致的。
启动Job
flink run-application -t yarn-application -Dtaskmanager.numberOfTaskSlots=2 -Dyarn.application.name=<xxx> -Dyarn.container.vcores=<xxx> -Dyarn.provided.lib.dirs=<hdfs-path> -Dtaskmanager.memory.process.size=2048m -Dstate.checkpoints.dir=<hdfs-path>/<job-name> -Dstate.saveponits.dir=<hdfs-path>/<job-name> -c <class> <jar-file> <arguments>
停止Job
flink list -yid=<appId>
flink cancel 00000000000000000000000000000000 -yid <appId>
探秘
application模式，flink client采用的是GenericCLI，也就是遵循的是flink run的Generic Mode的参数体系。相比与per-job的启动参数配置，这里多出了checkpoints和savepoints路径的配置，这是因为在application模式下，开启了HA之后，所有任务的jobid都会固定为 0，这样为了避免各个任务的checkpoints和savepoints存储路径发生冲突，所以需要针对每个Job进行定制。
另外，这种运行模式在运行时，如果依赖于系统变量，则需要在yarn-env中添加，并同时加入到yarn-site.xml的env-whitlist参数中。
HA场景验证
本次验证了各种场景下的Flink on YARN的高可用场景，包括kill TaskManager容器、kill JobManager容器、kill NodeManager进程、kill ResourceManager进程、停止NodeManager进程以及停止ResourceManager进程。针对这些场景，Flink Job都能够做到正常恢复。针对不同的场景，恢复的机制也不太相同。
kill TaskManager容器后，会导致Flink Job的中断；而kill JobManager容器则不会。同样kill NodeManager也会导致相应的job进行中断恢复，而kill ResourceManager则不会（因为我们开启了RM的recovery模式，并且开启了RM的状态存储）。
总结
借助Yarn提供的资源管理能力，能够很好的保护Flink Job的高可用，避免了对于Flink集群的维护。但是实际上针对我们这种全是long running的job，并且需要保证所有任务都得能够启动起来的场景看，YARN处理提供了可靠性保障外，并没有发挥出Yarn的调度策略优势。针对我们单个部门的单个项目而言，引入YARN的成本有些高。毕竟虽然不用维护Flink集群了，但是却引入了YARN集群，哈哈。
经过讨论，YARN集群还是适合在整个公司来应用，是公司的大数据基础设施的一部分，借助Yarn的灵活的调度策略，来对公司的整个大数据资源池进行管控和调度，这样我们在实行flink on yarn就更加轻松了。
当然，目前K8S发展势头很猛，未来Flink的最佳部署实践是不是还是以Yarn为主，还是直接基于K8S还有待进一步学习才行。
