摘要：本文主要介绍了FusionInsight Flink组件的基本原理、Flink任务提交的常见问题、以及最佳实践FAQ。
本文分享自华为云社区《FusionInsight HD Flink组件基本原理和常见问题解析》，作者：FI小粉丝 。
Flink是一个批处理和流处理结合的统一计算框架，其核心是一个提供数据分发以及并行化计算的流数据处理引擎。
它的最大亮点是流处理，是业界最顶级的开源流处理引擎。
Flink最适合的应用场景是低时延的数据处理（Data Processing）场景：高并发pipeline处理数据，时延毫秒级，且兼具可靠性。
本文主要介绍了FusionInsight Flink组件的基本原理、Flink任务提交的常见问题、以及最佳实践FAQ。
基本概念
基本原理
简介
Flink是一个批处理和流处理结合的统一计算框架，其核心是一个提供了数据分发以及并行化计算的流数据处理引擎。它的最大亮点是流处理，是业界最顶级的开源流处理引擎。
Flink最适合的应用场景是低时延的数据处理（Data Processing）场景：高并发pipeline处理数据，时延毫秒级，且兼具可靠性。
Flink技术栈如图所示：
Flink在当前版本中重点构建如下特性，其他特性继承开源社区，不做增强，具体请参考：https://ci.apache.org/projects/flink/flink-docs-release-1.4/
- DataStream
- Checkpoint
- Stream SQL
- 窗口
- Job Pipeline
- 配置表
架构
Flink架构如图所示。
Flink整个系统包含三个部分：
- Client
Flink Client主要给用户提供向Flink系统提交用户任务（流式作业）的能力。
- TaskManager
Flink系统的业务执行节点，执行具体的用户任务。TaskManager可以有多个，各个TaskManager都平等。
- JobManager
Flink系统的管理节点，管理所有的TaskManager，并决策用户任务在哪些Taskmanager执行。JobManager在HA模式下可以有多个，但只有一个主JobManager。
Flink系统提供的关键能力：
- 低时延
提供ms级时延的处理能力。
- Exactly Once
提供异步快照机制，保证所有数据真正只处理一次。
- HA
JobManager支持主备模式，保证无单点故障。
- 水平扩展能力
TaskManager支持手动水平扩展。
原理
- Stream & Transformation & Operator
用户实现的Flink程序是由Stream和Transformation这两个基本构建块组成。
- Stream是一个中间结果数据，而Transformation是一个操作，它对一个或多个输入Stream进行计算处理，输出一个或多个结果Stream。
- 当一个Flink程序被执行的时候，它会被映射为Streaming Dataflow。一个Streaming Dataflow是由一组Stream和Transformation Operator组成，它类似于一个DAG图，在启动的时候从一个或多个Source Operator开始，结束于一个或多个Sink Operator。
下图为一个由Flink程序映射为Streaming Dataflow的示意图。
上图中“FlinkKafkaConsumer”是一个Source Operator，Map、KeyBy、TimeWindow、Apply是Transformation Operator，RollingSink是一个Sink Operator。
- Pipeline Dataflow
在Flink中，程序是并行和分布式的方式运行。一个Stream可以被分成多个Stream分区（Stream Partitions），一个Operator可以被分成多个Operator Subtask。
Flink内部有一个优化的功能，根据上下游算子的紧密程度来进行优化。
- 紧密度低的算子则不能进行优化，而是将每一个Operator Subtask放在不同的线程中独立执行。一个Operator的并行度，等于Operator Subtask的个数，一个Stream的并行度(分区总数)等于生成它的Operator的并行度。如下图所示。
Operator
- 紧密度高的算子可以进行优化，优化后可以将多个Operator Subtask串起来组成一个Operator Chain，实际上就是一个执行链，每个执行链会在TaskManager上一个独立的线程中执行，如下图所示。
Operator chain
- 上图中上半部分表示的是将Source和map两个紧密度高的算子优化后串成一个Operator Chain，实际上一个Operator Chain就是一个大的Operator的概念。图中的Operator Chain表示一个Operator，keyBy表示一个Operator，Sink表示一个Operator，它们通过Stream连接，而每个Operator在运行时对应一个Task，也就是说图中的上半部分有3个Operator对应的是3个Task。
- 上图中下半部分是上半部分的一个并行版本，对每一个Task都并行化为多个Subtask，这里只是演示了2个并行度，sink算子是1个并行度。
日志介绍
日志描述
日志存储路径：
- Executor运行日志：“${BIGDATA_DATA_HOME}/hadoop/data${i}/nm/containerlogs/application_${appid}/container_{$contid}”
运行中的任务日志存储在以上路径中，运行结束后会基于Yarn的配置确定是否汇聚到HDFS目录中。
- 其他日志：“/var/log/Bigdata/flink/flinkResource”
日志归档规则：
- Executor日志默认50MB滚动存储一次，最多保留100个文件，不压缩。
- 日志大小和压缩文件保留个数可以在FusionInsight Manager界面中配置。
Flink日志列表
日志级别
Flink中提供了如下表所示的日志级别。日志级别优先级从高到低分别是ERROR、WARN、INFO、DEBUG。程序会打印高于或等于所设置级别的日志，设置的日志等级越高，打印出来的日志就越少。
日志级别
如果您需要修改日志级别，请执行如下操作：
- 登录FusionInsight Manager系统。
- 选择“服务管理 > Flink > 服务配置”。
- “参数类别”下拉框中选择“全部”。
- 左边菜单栏中选择所需修改的角色所对应的日志菜单。
- 选择所需修改的日志级别。
- 单击“保存配置”，在弹出窗口中单击“确定”使配置生效。
配置完成后立即生效，不需要重启服务。
日志格式
常见故障
1. Flink对接kafka-写入数据倾斜，部分分区没有写入数据
问题现象与背景
使用FlinkKafkaProducer进行数据生产，数据只写到了kafka的部分分区中，其它的分区没有数据写入
原因分析
- 可能原因1：Flink写kafka使用的机制与原生接口的写入方式是有差别的，在默认情况下，Flink使用了”并行度编号+分区数量”取模计算的结果作为topic的分区编号。那么会有以下两种场景：
- 并行度%分区数量=0，表示并行度是kafkatopic分区数的一倍或者多倍，数据的写入每个分区数据量是均衡的。
- 并行度%分区数量≠0，那么数据量势必会在个别分区上的数据量产生倾斜。
- 可能原因2：在业务代码的部分算子中使用了keyby()方法，由于现网中的数据流中，每个key值所属的数据量不一致（就是说某些key的数据量会非常大，有些又非常小）导致每个并行度中输出的数据流量不一致。从而出现数据倾斜。
解决办法
原因一：
方法1，调整kafka的分区数跟flink的并行度保持一致，即要求kafka的分区数与flink写kafka的sink并行度保持强一致性。这种做法的优势在于每个并行度仅需要跟每个kafka分区所在的 broker保持一个常链接即可。能够节省每个并发线程与分区之间调度的时间。
方法2，flink写kafka的sink的分区策略写成随机写入模式，如下图，这样数据会随即写入topic的分区中，但是会有一部分时间损耗在线程向寻址，推荐使用方法1。
原因二：
需要调整业务侧对key值的选取，例如：可以将key调整为“key+随机数”的方式，保证Flink的keyby()算子中每个处理并行度中的数据是均衡的。
2. Flink任务的日志目录增长过快，导致磁盘写满
问题现象
集群告警磁盘使用率超过阈值，经过排查发现是taskmanager.out文件过大导致
原因分析
代码中存在大量的print模块，导致taskmanager.out文件被写入大量的日志信息，taskmanager.out 一般是，业务代码加入了 .print的代码，需要在代码中排查是否有类似于以下的代码逻辑：
或者类似于这样的打印：
如果包含，日志信息会持续打印到taskmanager.out里面。
解决方案
将上图红框中的代码去掉，或者输出到日志文件中。
3. 任务启动失败，报资源不足：Could not allocate all requires slots within timeout of xxxx ms
问题现象
任务启动一段时间后报错，例如如下日志，需要60个资源实际上只有54个。
原因分析
Flink任务在启动过程中的资源使用是先增长在下降到当前值的，实际在启动过程中需要的资源量等于每个算子并行度之和。等到任务开始运行后，Flink会对资源进行合并。
例如如下算子，在启动过程中需要“1+6+6+5+3=21”个资源。
但是运行稳定后会降低到6。这个是Flink的机制。假如任务在启动过程中不满足21个资源的启动资源量，任务就会出现NoResourceAvailableException的异常。
解决方案
减少任务的启动并发，或者将其它任务kill掉再启动Flink任务。
4. 算子的部分节点产生背压，其它节点正常
问题现象
业务运行一段时间以后，算子的部分节点出现背压。
原因分析
通过Flink原生页面排查这个并发的算子所在的节点，通过上图我们能够看出是异常算子的第44个并发。通过前台页面能够查看并确认第44并发所在的节点，例如下图：
通过查找这个节点在taskmanager列表，例如下图位置：
整理taskmanager在每个nodemanager节点的数量发现，背压节点启动的taskmanager数量过多。
经过排查，该yarn集群资源相对比较紧张，每个节点启动的taskmanager数量不一致，如果部分节点启动的较多容易出现数据倾斜。
解决方案
建议一个节点启动多个slot。避免多个taskmanager出现在一个nodemanager节点上。启动方式见：slot优化。
FAQ
Flink如何加载其它目录的jar包
需求描述
Flink业务一般在运行过程中默认加载的jar包路径为：“xxx/Flink/flink/lib”的目录下，如果添加其它路径的jar包会报错，如何添加其它外部依赖。
实现方案
创建一个外部的lib目录，将部分依赖包放到外部lib目录下，如下图：
修改启动脚本的参数配置脚本，config.sh将jar包路径传给环境变量中。
此时正常启动任务即可，不需要加其它参数。
HDFS上也能看到第三方jar的目录。
如何收集任务taskmanager的jstack和pstree信息
需求描述
在任务运行过程中我们通常需要对taskmanager的进程进行查询和处理，例如：打jstack，jmap等操作，做这些操作的过程中需要获取任务的taskmanager信息。
实现方案
获取一个nodemanager节点上面所有taskmanager的进程信息的方法如下：
ps -ef | grep taskmanager | grep -v grep | grep -v "bash -c"
其中红框中的内容就是taskmanager的进程号，如果一个节点上面存在多个taskmanager那么这个地方会有多个进程号。获取到进程号后我们可以针对这个进程号收集jstack或者pstree信息。
收集jstack
1.通过上面流程获取到进程信息，然后从中获取进程ID和application id，如上图中进程id为“30047 applicationid为application_1623239745860_0001”。
2.从FI前台界面获取这个进程的启动用户。如下图为flinkuser。
3.在对应的nodemanager节点后台切换到这个用户，人机用户机机用户即可。
4. 进入到节点所在的jdk目录下
5. 给taskmanager进程打jstack。
不同用户提交的taskmanager只能由提交任务的用户打jstack。
收集pstree信息
使用pstree –p PID 的方式能够获取taskmanager的pstree信息，这个地方提供一个收集脚本。内容如下：
#!/bin/bash searchPID() { local pids=`ps -ef | grep taskmanager | grep -v grep | grep -v "bash -c" | grep -v taskmanagerSearch.sh | awk '{print $2}'`; time=$(date "+%Y-%m-%d %H:%M:%S") echo "checktime is --------------------- $time" >> /var/log/Bigdata/taskManagerTree.log for i in $pids do local treeNum=$(pstree -p $i | wc -l) echo "$i 's pstree num is $treeNum" >> /var/log/Bigdata/taskManagerTree.log done } searchPID
该脚本的功能为获取节点上所有taskmanager pstree的数量，打印结果如下：
slot优化
需求描述
Slot可以认为是taskmanager上面一块独立分配的资源，是taskmanager并行执行的能力的体现。Taskmanager中有两种使用slot的方法：
- 一个taskmanager中设置了一个slot。
- 一个taskmanager中设置了多个slot。
每个task slot 表示TaskManager 拥有资源的一个固定大小的子集。假如一个taskManager 有三个slot，那么它会将其管理的内存分成三份给各个slot。资源slot化意味着一个subtask 将不需要跟来自其他job 的subtask 竞争被管理的内存，取而代之的是它将拥有一定数量的内存储备。需要注意的是，这里不会涉及到CPU 的隔离，slot 目前仅用来隔离task 的受管理的内存。通过调整task slot 的数量，允许用户定义subtask 之间隔离的方式。如果一个TaskManager 一个slot，那将意味着每个task group运行在独立的JVM 中（该JVM可能是通过一个特定的容器启动的），而一个TaskManager 多个slot 意味着更多的subtask 可以共享同一个JVM。而在同一个JVM 进程中的task 将共享TCP 连接（基于多路复用）和心跳消息。它们也可能共享数据集和数据结构。因此，对于资源密集型任务（尤其是对cpu使用较为密集的）不建议使用单个taskmanager中创建多个slot使用，否则容易导致taskmanager心跳超时，出现任务失败。如果需要设置单taskmanager多slot，参考如下操作。
单taskmanager多slot的设置方法
方式一：在配置文件中配置taskmanager.numberOfTaskSlots，通过修改提交任务的客户端配置文件中的配置flink-conf.yaml配置，如下图：将该值设置为需要调整的数值即可。
方式二：启动命令的过程中使用-ys命令传入，例如以下命令：
./flink run -m yarn-cluster -p 1 -ys 3 ../examples/streaming/WindowJoin.jar
在启动后在一个taskmanager中会启动3个slot。
单taskmanager多slot需要优化哪些参数
设置单taskmanager多slot需要优化以下参数
