当前位置：首页 > article >正文

【大数据】Flink on YARN，如何确定 TaskManager 数

article 2024/11/19 1:29:31

Flink on YARN，如何确定 TaskManager 数

1.问题
2.并行度（Parallelism）
3.任务槽（Task Slot）
4.确定 TaskManager 数

在这里插入图片描述

1.问题

在 Flink 1.5 Release Notes 中，有这样一段话，直接上截图。

在这里插入图片描述
这说明从 1.5 版本开始，Flink on YARN 时的容器数量，即 TaskManager 数量，将由程序的并行度自动推算，也就是说 flink run 脚本的 -yn / --yarncontainer 参数不起作用了（该参数用于设置 TaskManager 的个数）。那么自动推算的规则是什么呢？要弄清楚它，先来复习 Flink 的 并行度（Parallelism）和 任务槽（Task Slot）。

2.并行度（Parallelism）

与 Spark 类似地，一个 Flink Job 在生成执行计划时也划分成多个 Task。Task 可以是 Source、Sink、算子或算子链。Task 可以由多线程并发执行，每个线程处理 Task 输入数据的一个子集，而并发的数量就称为 Parallelism，即 并行度。

Flink 程序中设定并行度有 4 种级别，从低到高分别为：算子级别、执行环境级别（ExecutionEnvironment）、客户端（命令行）级别、配置文件级别（flink-conf.yaml）。实际执行时，优先级则是反过来的，算子级别最高。简单示例如下：

1️⃣ 算子级别

dataStream.flatMap(new SomeFlatMapFunction()).setParallelism(4);

2️⃣ 执行环境级别

streamExecutionEnvironment.setParallelism(4);

3️⃣ 命令行级别

bin/flink -run --parallelism 4 example-0.1.jar

4️⃣ flink-conf.yaml 级别

parallelism.default: 4

3.任务槽（Task Slot）

Flink 运行时由两个组件组成：JobManager 与 TaskManager，与 Spark Standalone 模式下的 Master 与 Worker 是同等概念。

在这里插入图片描述
JobManager 和 TaskManager 本质上都是 JVM 进程。为了提高 Flink 程序的运行效率和资源利用率，Flink 在 TaskManager 中实现了 任务槽（Task Slot）。任务槽是 Flink 计算资源的基本单位，每个任务槽可以在同一时间执行一个 Task，而 TaskManager 可以拥有一个或者多个任务槽。

任务槽可以实现 TaskManager 中不同 Task 的资源隔离，不过是逻辑隔离，并且只隔离内存，亦即在调度层面认为每个任务槽 “应该” 得到 taskmanager.heap.size 的 $1/ N$ 大小的内存，CPU 资源不算在内。

TaskManager 的任务槽个数在使用 flink run 脚本提交 on YARN 作业时用 -ys / --yarnslots 参数来指定，另外在 flink-conf.yaml 文件中也有默认值 taskManager.numberOfTaskSlots。一般来讲，我们设定该参数时可以将它理解成一个 TaskManager 可以利用的 CPU 核心数，因此也要根据实际情况（集群的 CPU 资源和作业的计算量）来确定。

4.确定 TaskManager 数

以 Flink 自带示例中简化的 WordCount 程序为例：

// 执行环境并行度设为6
env.setParallelism(6);
// Source并行度为1
DataStream<String> text = env
  .readTextFile(params.get("input"))
  .setParallelism(1);
DataStream<Tuple2<String, Integer>> counts = text
  .flatMap(new Tokenizer())
  .keyBy(0)
  .sum(1);
counts.print();

用 --yarnslots 3 参数来执行，即每个 TaskManager 分配 3 个任务槽。TaskManager、任务槽和任务的分布将如下图所示，方括号内的数字为并行线程的编号。

在这里插入图片描述
由图中可以看出，由于算子链机制的存在，KeyAgg 与 Sink 操作链接在了一起，作为一个 Task 来执行。

Flink 允许任务槽共享，即来自同一个 Job 的不同 SubTask（即 算子的并发实例）进入同一个槽位，因此在图中也可以见到任务槽 X 中同时存在 FlatMap[X] 与 KeyAgg[X] + Sink[X]。任务槽共享有两点好处：

能够让每个 SubTask 都均摊到不同的 TaskManager，避免负载倾斜。
不需要再计算 App 一共需要起多少个 Task，因为作业需要的任务槽数量肯定等于 Job 中最大的并行度。

所以，可以得出 Flink on YARN 时，TaskManager 数 = Job 的最大并行度 / 每个TaskManager 分配的任务槽数，结果向上取整。例如，一个最大并行度为 10，每个 TaskManager 有 2 个任务槽的作业，就会启动 5 个 TaskManager，如 Web UI 所示。

在这里插入图片描述