Flink on K8s 企业生产化实践｜社区征文

2022 年 2 月 18 日
本文字数：4415 字
阅读完需：约 14 分钟

背景

为了解决公司模型 &特征迭代的系统性问题，提升算法开发与迭代效率，部门立项了特征平台项目。特征平台旨在解决数据存储分散、口径重复、提取复杂、链路过长等问题，在大数据与算法间架起科学桥梁，提供强有力的样本及特征数据支撑。平台从 Hive 、Hbase 、关系型数据库等大数据 ODS ( Operational Data store ) 层进行快速的数据 ETL ，将数据抽取到特征平台进行管理，并统一了数据出口，供数据科学家、数据工程师、机器学习工程师做算法模型的数据测试、训练、推理及其他数据应用。

本篇文章主要分享特征平台 flink on K8s 的部署实践，文章主要分以下几个方面进行介绍。首先本文对 K8s 基本概念及 Flink 任务执行图进行简要介绍，接着文章对比了现有的几种 Flink on K8s 部署方式，

为什么 flink 要基于 K8s 做部署？

主要有以下几个优势：

容器环境容易部署、清理和重建：不像是虚拟环境以镜像进行分发部署起来对底层系统环境依赖小，所需要的包都可以集成到镜像中，重复使用。
更好的隔离性与安全性，应用部署以 pod 启动，pod 之间相互独立，资源环境隔离后更安全。
k8s 集群能够利用好资源，机器学习、在线服务等许多任务都可以混合部署。
云原生的趋势，丰富的 k8s 生态，以及大数据计算上云原生的趋势

介绍

2.1 K8s 简介

Kubernetes 为您提供了一个可弹性运行分布式系统的框架。Kubernetes 会满足您的扩展要求、故障转移、部署模式等，Kubernetes 项目的本质，是为用户提供一个具有普遍意义的容器编排工具。

K8S 被称为云时代的操作系统（其中的镜像就类似软件安装包）
旨在提供“跨主机集群的自动部署、扩展以及运行应用程序容器的平台”
调度、资源管理、服务发现、健康检查、自动伸缩、滚动升级…

基本组件

Pod: K8s 的原子调度单位，是一个或多个 Container 的组合，Container 共享同一个网络、存储。

Deployment: 对一组相同 Pod 的高级抽象，可以自动重启恢复，保障高可用。

Service: 定义服务的访问入口，通过 Label Selector 绑定后端 Pod 副本集。如果 K8s 内部有一个服务，需要在外部进行访问，此时可以通过 Service 用 LoadBalancer 或者 NodePort 的方式将其暴露出去。如果不希望或不需要对外暴露服务，可以把 Service 设置为 Cluster IP 或者是 None 模式。

ConfigMap: K-V 结构数据，通常的用法是将 ConfigMap 挂载到 Pod ，作为配置文件提供 Pod 里新的进程使用。

Stateful - 有状态应用部署

Job 与 Cronjob-离线业务

2.2 Flink 介绍

Apache Flink 是一个框架和分布式处理引擎，用于在无边界和有边界数据流上进行有状态的计算。Flink 能在所有常见集群环境中运行，并能以内存速度和任意规模进行计算

2.2.1 Flink 架构图

Flink 架构图跟常见的大数据组建类似，都是采用主流的主从架构，一个 JobManager，多个 TaskManager，并可对 JobManager 进行 HA 部署。

Flink 代码从提交到真正执行，需要经过几次 Graph 图的转换，过程如下：StreamGraph -> JobGraph -> ExecutionGraph -> 物理执行图

第一层 StreamGraph 从 Source 节点开始，每一次 transform 生成一个 StreamNode，两个 StreamNode 通过 StreamEdge 连接在一起,形成 StreamNode 和 StreamEdge 构成的 DAG。
第二层 JobGraph，依旧从 Source 节点开始，然后去遍历寻找能够嵌到一起的 operator，如果能够嵌到一起则嵌到一起，不能嵌到一起的单独生成 jobVertex，通过 JobEdge 链接上下游 JobVertex，最终形成 JobVertex 层面的 DAG。
JobVertex DAG 提交到任务以后，从 Source 节点开始排序,根据 JobVertex 生成 ExecutionJobVertex，根据 jobVertex 的 IntermediateDataSet 构建 IntermediateResult，然后 IntermediateResult 构建上下游的依赖关系，形成 ExecutionJobVertex 层面的 DAG 即 ExecutionGraph。
最后通过 ExecutionGraph 层到物理执行层。

Flink on K8s 部署模式

3.1 Flink 的部署模式 [1]

Session 模式

多个 Job 提交共享同一个 JobManager，Flink Cluster 的实例已经被创建，并被所有 Job 共享的。Flink 任务由 Client 提交，client 做一些预备工作，并在 Flink Client 上生成 JobGraph，这种方式的缺点是：一个 Job 导致的 JobManager 失败可能会导致所有的 Job 失败。

Per-Job 模式

添加描述

为每次 Job 提交启动专用 JM，JM 将只执行此作业，然后退出。在 Flink Client 上生成 JobGraph，

可以理解为 Client 模式的 Application Mode，这种模式充分利用资源管理框架的优势，例如 Yarn，Mesos 等，达到更强的资源隔离性，flink 应用之间不会相互影响。一个 Job 一个 Cluster 实例。

Application 模式

Flink 提交的程序，被当做集群内部 Application，不再需要 Client 端做繁重的准备工作例如执行 main 函数

数，生成 JobGraph，下载依赖并分发到各个节点等），main 函数被提交给 JobManager 执行。

一个 Application 一个 Cluster 实例。

3.3 Standalone 部署的不足

用户需要对 K8s 有一些最基本的认识，这样才能保证顺利将 Flink 运行到 K8s 之上。
Flink 感知不到 K8s 的存在。
目前主要使用静态的资源分配。需要提前确认好需要多少个 TaskManager，如果 Job 的并发需要做一些调整，TaskManager 的资源情况必须相应的跟上，否则任务无法正常执行。
无法实时申请资源和释放资源。如果维持一个比较大的 Session Cluster，可能会资源浪费。但如果维持的 Session Cluster 比较小，可能会导致 Job 跑得慢或者是跑不起来。

3.4 Navtive 部署的优势

资源申请方式：Flink 的 Client 内置了一个 K8s Client，可以借助 K8s Client 去创建 JobManager，当 Job 提交之后，如果对资源有需求，JobManager 会向 Flink 自己的 ResourceManager 去申请资源。这个时候 Flink 的 ResourceManager 会直接跟 K8s 的 API Server 通信，将这些请求资源直接下发给 K8s Cluster，告诉它需要多少个 TaskManger，每个 TaskManager 多大。当任务运行完之后，它也会告诉 K8s Cluster 释放没有使用的资源。相当于 Flink 用很原生的方式了解到 K8s Cluster 的存在，并知晓何时申请资源，何时释放资源。
Native 是相对于 Flink 而言的，借助 Flink 的命令就可以达到自治的一个状态，不需要引入外部工具就可以通过 Flink 完成任务在 K8s 上的运行。

3.5 部署方案最终选择

通过 Flink standalone 和 native 模式的分析，standalone 需要配合 kubectl + yaml 部署，Flink 无法感知 K8s 集群的存在，资源被动申请，而 Native 部署仅使用 flink 客户端 kubernetes-session.sh or flink run 部署，Flink 主动与 K8s 申请资源，而成为最佳的部署方式，另外因为任务主要是离线批处理，每个 appllication 可以包含多个 job 比较适合业务需求。

实战部署

这边只演示 k8s native 部署模式，Standalone 部署需要手动去提前创建 ConfigMap、Service、JobManager Deployment、TaskManager Deployment 等比较麻烦。

4.1 K8s 集群

K8s >= 1.9 or Minikube

KubeConfig （可以查看、创建、删除 pods 和 services）

启用 Kubernetes DNS

具有 RBAC 权限的 Service Account 可以创建、删除 pods

4.2 PyFlink 镜像

FROM flink:1.12.1-scala_2.11-java8# 安装 python3 and pip3 及需要的debug工具RUN apt-get update -y && \      apt-get install -y python3.7 python3-pip python3.7-dev \      && rm -rf /var/lib/apt/lists/*RUN rm -rf /usr/bin/pythonRUN ln -s /usr/bin/python3 /usr/bin/python# 安装 Python FlinkRUN pip3 install apache-flink==1.12.1
# 如果有引用第三方 Python 依赖库， 可以在构建镜像时安装上这些依赖#COPY /path/to/requirements.txt /opt/requirements.txt#RUN pip3 install -r requirements.txt
# 如果有引用第三方 Java 依赖， 也可以在构建镜像时加入到 ${FLINK_HOME}/usrlib 目录下RUN mkdir -p $FLINK_HOME/usrlibCOPY /path/of/external/jar/dependencies $FLINK_HOME/usrlib/
COPY /path/of/python/codes /opt/python_codes

复制代码

Docker build 部署需要的 pyflink 镜像

Flink image -> PyFlink image -> PyFlink App image

4.3 Flink Application native 部署

操作方式：flink application on k8s native 模式非常简单，直接一条命令搞定了 Application 模式的运行提交 Job

./bin/flink run-application -p 2 -t kubernetes-application \  -Dkubernetes.cluster-id=app-cluster \  -Dtaskmanager.memory.process.size=4096m \  -Dkubernetes.taskmanager.cpu=2 \  -Dtaskmanager.numberOfTaskSlots=4 \  -Dkubernetes.container.image=demo-pyflink-app:1.12.1 \  -pyfs /opt/python_codes \  -pym new_word_count

复制代码

启动流程图：

首先创建出了 Service、Master 和 ConfigMap 这几个资源以后，Flink Master Deployment 里面已经带了一个用户 Jar，这个时候 Cluster Entrypoint 就会从用户 Jar 里面去提取出或者运行用户的 main，然后产生 JobGraph。之后再提交到 Dispatcher，由 Dispatcher 去产生 Master，然后再向 ResourceManager 申请资源，后面的逻辑的就和 Session 的方式是一样的。
它和 Session 最大的差异就在于它是一步提交的。因为没有了两步提交的需求，如果不需要在任务起来以后访问外部 UI，就可以不用外部的 Service。可直接通过一步提交使任务运行。通过本地的 port-forward 或者是用 K8s ApiServer 的一些 proxy 可以访问 Flink 的 Web UI。此时，External Service 就不需要了，意味着不需要再占用一个 LoadBalancer 或者占用 NodePort。

4.4 生产化流程

Flink 应用编写流程如下图：

这块产品主要是采用 flink sql 去完成功能，运行模式比较统一，注册 source、sink、执行 sq，因此可以采用同一份代码，提供给用户 sql 编辑框或者用户界面上选择所需要读取的库表字段后端组合成 sql 语句，最终统一任务运行形成一个离线计算平台，通过动态传递参数进行 flink 应用的提交和执行。

后端在数据库中配置好 source 和 sink 的类型以及连接信息暴露给前端。

前端去选择对应的数据源比如说 mysql、hive，然后选择所需要读取的库表，展示 table schema ，用户可以选择需要读取的库表字段。同时选择需要存储的数据汇如说 elasticsearch、mysql 等，获取这些动态参数后，通过 k8s java client 去创建 job 去提交 flink 应用。

flink 应用启动时获取这些 db、库表信息、库表字段后传递给 FLink 程序，flink 程序构造成 flinksql 去执行应用，具体不在详细执行。