Flink—CentOS7.5搭建Flink1.6.1分佈式集群

一. Flink的下載

安裝包下載地址：http://flink.apache.org/downloads.html ，選擇對應Hadoop的Flink版本下載

[root@bigdata11 software]$ wget http://mirrors.tuna.tsinghua.edu.cn/apache/flink/flink-1.6.1/flink-1.6.1-bin-hadoop27-scala_2.11.tgz

[root@bigdata11 software]$ ll

-rw-rw-r-- 1 root root 301867081 Sep 15 15:47 flink-1.6.1-bin-hadoop27-scala_2.11.tgz

Flink 有三種部署模式，分別是 Local、Standalone Cluster 和 Yarn Cluster。

二. Local模式

對於 Local 模式來說，JobManager 和 TaskManager 會公用一個 JVM 來完成 Workload。如果要驗證一個簡單的應用，Local 模式是最方便的。實際應用中大多使用 Standalone 或者 Yarn Cluster，而local模式只是將安裝包解壓啟動（./bin/start-local.sh）即可，在這裡不在演示。

三. Standalone 模式

快速入門教程地址：https://ci.apache.org/projects/flink/flink-docs-release-1.6/quickstart/setup_quickstart.html

1. 軟件要求

· Java 1.8.x或更高版本，

· ssh（必須運行sshd才能使用管理遠程組件的Flink腳本）

集群部署規劃

2. 解壓

[root@bigdata11 software]$ tar zxvf flink-1.6.1-bin-hadoop27-scala_2.11.tgz -C /opt/module/

[root@bigdata11 software]$ cd /opt/module/

[root@bigdata11 module]$ ll

drwxr-xr-x 8 root root 125 Sep 15 04:47 flink-1.6.1

3. 修改配置文件

[root@bigdata11 conf]$ ls

flink-conf.yaml log4j-console.properties log4j-yarn-session.properties logback.xml masters sql-client-defaults.yaml

log4j-cli.properties log4j.properties logback-console.xml logback-yarn.xml slaves zoo.cfg

修改flink/conf/masters，slaves，flink-conf.yaml

[root@bigdata11 conf]$ sudo vi masters

bigdata11:8081

[root@bigdata11 conf]$ sudo vi slaves

bigdata12

bigdata13

[root@bigdata11 conf]$ sudo vi flink-conf.yaml

taskmanager.numberOfTaskSlots：2

jobmanager.rpc.address: bigdata11

可選配置：

· 每個JobManager（jobmanager.heap.mb）的可用內存量，

· 每個TaskManager（taskmanager.heap.mb）的可用內存量，

· 每臺機器的可用CPU數量（taskmanager.numberOfTaskSlots），

· 集群中的CPU總數（parallelism.default）和

· 臨時目錄（taskmanager.tmp.dirs）

4. 拷貝安裝包到各節點

[root@bigdata11 module]$ scp -r flink-1.6.1/ root@bigdata12:`pwd`

[root@bigdata11 module]$ scp -r flink-1.6.1/ root@bigdata13:`pwd`

5. 配置環境變量

配置所有節點Flink的環境變量

[root@bigdata11 flink-1.6.1]$ sudo vi /etc/profile

export FLINK_HOME=/opt/module/flink-1.6.1

export PATH=$PATH:$FLINK_HOME/bin

[root@bigdata11 flink-1.6.1]$ source /etc/profile

6. 啟動flink

[root@bigdata11 flink-1.6.1]$ ./bin/start-cluster.sh

Starting cluster.

Starting standalonesession daemon on host bigdata11.

Starting taskexecutor daemon on host bigdata12.

Starting taskexecutor daemon on host bigdata13.

jps查看進程

7. WebUI查看

http://bigdata11:8081

8. Flink 的 HA

首先，我們需要知道 Flink 有兩種部署的模式，分別是 Standalone 以及 Yarn Cluster 模式。對於 Standalone 來說，Flink 必須依賴於 Zookeeper 來實現 JobManager 的 HA（Zookeeper 已經成為了大部分開源框架 HA 必不可少的模塊）。在 Zookeeper 的幫助下，一個 Standalone 的 Flink 集群會同時有多個活著的 JobManager，其中只有一個處於工作狀態，其他處於 Standby 狀態。當工作中的 JobManager 失去連接後（如宕機或 Crash），Zookeeper 會從 Standby 中選舉新的 JobManager 來接管 Flink 集群。

對於 Yarn Cluaster 模式來說，Flink 就要依靠 Yarn 本身來對 JobManager 做 HA 了。其實這裡完全是 Yarn 的機制。對於 Yarn Cluster 模式來說，JobManager 和 TaskManager 都是被 Yarn 啟動在 Yarn 的 Container 中。此時的 JobManager，其實應該稱之為 Flink Application Master。也就說它的故障恢復，就完全依靠著 Yarn 中的 ResourceManager（和 MapReduce 的 AppMaster 一樣）。由於完全依賴了 Yarn，因此不同版本的 Yarn 可能會有細微的差異。這裡不再做深究。

1） 修改配置文件

修改flink-conf.yaml，HA模式下，jobmanager不需要指定，在master file中配置，由zookeeper選出leader與standby。

#jobmanager.rpc.address: bigdata11

high-availability:zookeeper

#指定高可用模式（必須）

high-availability.zookeeper.quorum:bigdata11:2181,bigdata12:2181,bigdata13:2181

#ZooKeeper仲裁是ZooKeeper服務器的複製組，它提供分佈式協調服務（必須）

high-availability.storageDir:hdfs:///flink/ha/

#JobManager元數據保存在文件系統storageDir中，只有指向此狀態的指針存儲在ZooKeeper中（必須）

high-availability.zookeeper.path.root:/flink

#根ZooKeeper節點，在該節點下放置所有集群節點（推薦）

high-availability.cluster-id:/flinkCluster

＃自定義集群（推薦）

state.backend: filesystem

state.checkpoints.dir: hdfs:///flink/checkpoints

state.savepoints.dir: hdfs:///flink/checkpoints

修改conf/zoo.cfg

server.1=bigdata11:2888:3888

server.2=bigdata12:2888:3888

server.3=bigdata13:2888:3888

修改conf/masters

bigdata11:8081

bigdata12:8081

修改slaves

bigdata12

bigdata13

同步配置文件conf到各節點

2） 啟動HA

先啟動zookeeper集群各節點（測試環境中也可以用Flink自帶的start-zookeeper-quorum.sh），啟動dfs ,再啟動flink

[root@bigdata11 flink-1.6.1]$ start-cluster.sh

WebUI查看，這是會自動產生一個主Master，如下

3） 驗證HA

手動殺死bigdata12上的master，此時，bigdata11上的備用master轉為主mater。

4）手動將JobManager / TaskManager實例添加到群集

您可以使用bin/jobmanager.sh和bin/taskmanager.sh腳本將JobManager和TaskManager實例添加到正在運行的集群中。

添加JobManager

bin/jobmanager.sh ((start|start-foreground) [host] [webui-port])|stop|stop-all

添加TaskManager

bin/taskmanager.sh start|start-foreground|stop|stop-all

[root@bigdata12 flink-1.6.1]$ jobmanager.sh start bigdata12

新添加的為從master。

9. 運行測試任務

[root@bigdata11 flink-1.6.1]$ flink run -m bigdata11:8081 ./examples/batch/WordCount.jar --input /opt/wcinput/wc.txt --output /opt/wcoutput/

[root@bigdata11 flink-1.6.1]$ flink run -m bigdata11:8081 ./examples/batch/WordCount.jar --input hdfs:///user/root/input/wc.txt --output hdfs:///user/root/output2

四. Yarn Cluster模式

1. 引入

在一個企業中，為了最大化的利用集群資源，一般都會在一個集群中同時運行多種類型的 Workload。因此 Flink 也支持在 Yarn 上面運行。首先，讓我們瞭解下 Yarn 和 Flink 的關係。

在圖中可以看出，Flink 與 Yarn 的關係與 MapReduce 和 Yarn 的關係是一樣的。Flink 通過 Yarn 的接口實現了自己的 App Master。當在 Yarn 中部署了 Flink，Yarn 就會用自己的 Container 來啟動 Flink 的 JobManager（也就是 App Master）和 TaskManager。

啟動新的Flink YARN會話時，客戶端首先檢查所請求的資源（容器和內存）是否可用。之後，它將包含Flink和配置的jar上傳到HDFS（步驟1）。

客戶端的下一步是請求（步驟2）YARN容器以啟動ApplicationMaster（步驟3）。由於客戶端將配置和jar文件註冊為容器的資源，因此在該特定機器上運行的YARN的NodeManager將負責準備容器（例如，下載文件）。完成後，將啟動ApplicationMaster（AM）。

該JobManager和AM在同一容器中運行。一旦它們成功啟動，AM就知道JobManager（它自己的主機）的地址。它正在為TaskManagers生成一個新的Flink配置文件（以便它們可以連接到JobManager）。該文件也上傳到HDFS。此外，AM容器還提供Flink的Web界面。YARN代碼分配的所有端口都是臨時端口。這允許用戶並行執行多個Flink YARN會話。

之後，AM開始為Flink的TaskManagers分配容器，這將從HDFS下載jar文件和修改後的配置。完成這些步驟後，即可建立Flink並準備接受作業。

2. 修改環境變量

export HADOOP_CONF_DIR= /opt/module/hadoop-2.7.6/etc/hadoop

3. 部署啟動

[root@bigdata11 flink-1.6.1]$ yarn-session.sh -d -s 1 -tm 800 -n 2

-n : TaskManager的數量，相當於executor的數量

-s : 每個JobManager的core的數量，executor-cores。建議將slot的數量設置每臺機器的處理器數量

-tm : 每個TaskManager的內存大小，executor-memory

-jm : JobManager的內存大小，driver-memory

上面的命令的意思是，同時向Yarn申請3個container，其中 2 個 Container 啟動 TaskManager（-n 2），每個 TaskManager 擁有兩個 Task Slot（-s 2），並且向每個 TaskManager 的 Container 申請 800M 的內存，以及一個ApplicationMaster（Job Manager）。

Flink部署到Yarn Cluster後，會顯示Job Manager的連接細節信息。

Flink on Yarn會覆蓋下面幾個參數，如果不希望改變配置文件中的參數，可以動態的通過-D選項指定，如 -Dfs.overwrite-files=true -Dtaskmanager.network.numberOfBuffers=16368

jobmanager.rpc.address：因為JobManager會經常分配到不同的機器上

taskmanager.tmp.dirs：使用Yarn提供的tmp目錄

parallelism.default：如果有指定slot個數的情況下

yarn-session.sh會掛起進程，所以可以通過在終端使用CTRL+C或輸入stop停止yarn-session。

如果不希望Flink Yarn client長期運行，Flink提供了一種detached YARN session，啟動時候加上參數-d或—detached

在上面的命令成功後，我們就可以在 Yarn Application 頁面看到 Flink 的紀錄。如下圖。

如果在虛擬機中測試，可能會遇到錯誤。這裡需要注意內存的大小，Flink 向 Yarn 會申請多個 Container，但是 Yarn 的配置可能限制了 Container 所能申請的內存大小，甚至 Yarn 本身所管理的內存就很小。這樣很可能無法正常啟動 TaskManager，尤其當指定多個 TaskManager 的時候。因此，在啟動 Flink 之後，需要去 Flink 的頁面中檢查下 Flink 的狀態。這裡可以從 RM 的頁面中，直接跳轉（點擊 Tracking UI）。這時候 Flink 的頁面如圖

yarn-session.sh啟動命令參數如下：

[root@bigdata11 flink-1.6.1]$ yarn-session.sh --help

Usage:

Required

-n,--container Number of YARN container to allocate (=Number of Task Managers)

Optional

-D use value for given property

-d,--detached If present, runs the job in detached mode

-h,--help Help for the Yarn session CLI.

-id,--applicationId Attach to running YARN session

-j,--jar Path to Flink jar file

-jm,--jobManagerMemory Memory for JobManager Container with optional unit (default: MB)

-m,--jobmanager Address of the JobManager (master) to which to connect. Use this flag to connect to a different JobManager than the one specified i

n the configuration. -n,--container Number of YARN container to allocate (=Number of Task Managers)

-nl,--nodeLabel Specify YARN node label for the YARN application

-nm,--name Set a custom name for the application on YARN

-q,--query Display available YARN resources (memory, cores)

-qu,--queue Specify YARN queue.

-s,--slots Number of slots per TaskManager

-st,--streaming Start Flink in streaming mode

-t,--ship Ship files in the specified directory (t for transfer)

-tm,--taskManagerMemory Memory per TaskManager Container with optional unit (default: MB)

-yd,--yarndetached If present, runs the job in detached mode (deprecated; use non-YARN specific option instead)

-z,--zookeeperNamespace Namespace to create the Zookeeper sub-paths for high availability mode

4. 提交任務

之後，我們可以通過這種方式提交我們的任務

[root@bigdata11 flink-1.6.1]$ ./bin/flink run -m yarn-cluster -yn 2 ./examples/batch/WordCount.jar --input /opt/wcinput/wc.txt --output /opt/wcoutput/

bin/flink run -m yarn-cluster -yn2 examples/batch/WordCount.jar --input /input/ --output /Andy

以上命令在參數前加上y前綴，-yn表示TaskManager個數。

在這個模式下，同樣可以使用-m yarn-cluster提交一個"運行後即焚"的detached yarn（-yd）作業到yarn cluster。

5. 停止yarn cluster

yarn application -kill application_1539058959130_0001

6. Yarn模式的HA

應用最大嘗試次數（yarn-site.xml），您必須配置為嘗試應用的最大數量的設置yarn-site.xml，當前YARN版本的默認值為2（表示允許單個JobManager失敗）。

yarn.resourcemanager.am.max-attempts

4

The maximum number of application master execution attempts

申請嘗試（flink-conf.yaml），您還必須配置最大嘗試次數conf/flink-conf.yaml： yarn.application-attempts：10

示例：高度可用的YARN會話

1. 配置HA模式和zookeeper法定人數在conf/flink-conf.yaml：

2. high-availability: zookeeper

3. high-availability.zookeeper.quorum: bigdata11:2181,bigdata12:2181,bigdata13:2181

4. high-availability.storageDir: hdfs:///flink/recovery

5. high-availability.zookeeper.path.root: /flink

6. yarn.application-attempts: 10

7. 配置ZooKeeper的服務器中conf/zoo.cfg（目前它只是可以運行每臺機器的單一的ZooKeeper服務器）：

8. server.1=bigdata11:2888:3888

9. server.2=bigdata12:2888:3888

10. server.3=bigdata13:2888:3888

11. 啟動ZooKeeper仲裁：

12. $ bin / start-zookeeper-quorum.sh

13. 啟動HA群集：

14. $ bin / yarn-session.sh -n 2

五.錯誤異常

1.身份認證失敗

[root@bigdata11 flink-1.6.1]# flink run examples/streaming/SocketWindowWordCount.jar --port 9000

Starting execution of program

------------------------------------------------------------

The program finished with the following exception:

org.apache.flink.client.program.ProgramInvocationException: Job failed. (JobID: b7a99ac5db242290413dbebe32ba52b0)

at org.apache.flink.client.program.rest.RestClusterClient.submitJob(RestClusterClient.java:267)

at org.apache.flink.client.program.ClusterClient.run(ClusterClient.java:486)

at org.apache.flink.streaming.api.environment.StreamContextEnvironment.execute(StreamContextEnvironment.java:66)

at org.apache.flink.streaming.examples.socket.SocketWindowWordCount.main(SocketWindowWordCount.java:92)

at sun.reflect.NativeMethodAccessorImpl.invoke0(Native Method)

at sun.reflect.NativeMethodAccessorImpl.invoke(NativeMethodAccessorImpl.java:62)

at sun.reflect.DelegatingMethodAccessorImpl.invoke(DelegatingMethodAccessorImpl.java:43)

at java.lang.reflect.Method.invoke(Method.java:498)

at org.apache.flink.client.program.PackagedProgram.callMainMethod(PackagedProgram.java:529)

at org.apache.flink.client.program.PackagedProgram.invokeInteractiveModeForExecution(PackagedProgram.java:421)

at org.apache.flink.client.program.ClusterClient.run(ClusterClient.java:426)

at org.apache.flink.client.cli.CliFrontend.executeProgram(CliFrontend.java:804)

at org.apache.flink.client.cli.CliFrontend.runProgram(CliFrontend.java:280)

at org.apache.flink.client.cli.CliFrontend.run(CliFrontend.java:215)

at org.apache.flink.client.cli.CliFrontend.parseParameters(CliFrontend.java:1044)

at org.apache.flink.client.cli.CliFrontend.lambda$main$11(CliFrontend.java:1120)

at java.security.AccessController.doPrivileged(Native Method)

at javax.security.auth.Subject.doAs(Subject.java:422)

at org.apache.hadoop.security.UserGroupInformation.doAs(UserGroupInformation.java:1754)

at org.apache.flink.runtime.security.HadoopSecurityContext.runSecured(HadoopSecurityContext.java:41)

at org.apache.flink.client.cli.CliFrontend.main(CliFrontend.java:1120)

Caused by: java.net.ConnectException: Connection refused (Connection refused)

at java.net.PlainSocketImpl.socketConnect(Native Method)

at java.net.AbstractPlainSocketImpl.doConnect(AbstractPlainSocketImpl.java:350)

at java.net.AbstractPlainSocketImpl.connectToAddress(AbstractPlainSocketImpl.java:206)

at java.net.AbstractPlainSocketImpl.connect(AbstractPlainSocketImpl.java:188)

at java.net.SocksSocketImpl.connect(SocksSocketImpl.java:392)

at java.net.Socket.connect(Socket.java:589)

at org.apache.flink.streaming.api.functions.source.SocketTextStreamFunction.run(SocketTextStreamFunction.java:96)

at org.apache.flink.streaming.api.operators.StreamSource.run(StreamSource.java:87)

at org.apache.flink.streaming.api.operators.StreamSource.run(StreamSource.java:56)

at org.apache.flink.streaming.runtime.tasks.SourceStreamTask.run(SourceStreamTask.java:99)

at org.apache.flink.streaming.runtime.tasks.StreamTask.invoke(StreamTask.java:300)

at org.apache.flink.runtime.taskmanager.Task.run(Task.java:711)

at java.lang.Thread.run(Thread.java:748)

通過查看日誌，發現有如下報錯

2018-10-20 02:32:19,668 ERROR org.apache.flink.shaded.curator.org.apache.curator.ConnectionState - Authentication failed

解決法案：添加定時任務認證kerberos