工作和调度

本文档简要介绍了Flink如何调度作业及其如何表示和跟踪JobManager上的作业状态。

调度

Flink中的执行资源通过任务槽定义每个TaskManager都有一个或多个任务槽,每个槽都可以运行一个并行任务管道。流水线由多个连续的任务,如在 第n一MapFunction的连同并行实例第n一ReduceFunction的并行实例。请注意,Flink经常同时执行连续任务:对于流程序,无论如何都会发生,但对于批处理程序,它经常发生。

下图说明了这一点。考虑一个带有数据源,MapFunctionReduceFunction的程序源和MapFunction以4的并行度执行,而ReduceFunction以3的并行度执行。管道由序列Source - Map - Reduce组成。在具有2个TaskManagers且每个具有3个插槽的群集上,程序将按如下所述执行。

将任务管道分配给插槽

在内部,Flink限定通过SlotSharingGroupCoLocationGroup 哪些任务可以共享的狭槽(许可),分别哪些任务必须严格放置到相同的时隙。

JobManager数据结构

在作业执行期间,JobManager会跟踪分布式任务,决定何时安排下一个任务(或一组任务),并对已完成的任务或执行失败做出反应。

JobManager接收JobGraph,它是由 算子(JobVertex)和中间结果(IntermediateDataSet组成的数据流的表示每个 算子都具有属性,例如并行性和它执行的代码。此外,JobGraph还有一组附加库,这些库是执行算子代码所必需的。

JobManager将JobGraph转换为ExecutionGraphExecutionGraph是JobGraph的并行版本:对于每个JobVertex,它包含每个并行子任务ExecutionVertex并行度为100的 算子将具有一个JobVertex和100个ExecutionVertices。ExecutionVertex跟踪特定子任务的执行状态。来自一个JobVertex所有ExecutionVertices都保存在 ExecutionJobVertex中,它跟踪整个算子的状态。除了顶点之外,ExecutionGraph还包含IntermediateResultIntermediateResultPartition前者跟踪IntermediateDataSet的状态,后者是每个分区的状态。

JobGraph和ExecutionGraph

每个ExecutionGraph都有一个与之关联的作业状态。此作业状态指示作业执行的当前状态。

Flink作业首先处于创建状态,然后切换到运行,并在完成所有工作后切换到已完成如果出现故障,作业将首先切换为取消所有正在运行的任务的失败如果所有作业顶点都已达到最终状态且作业无法重新启动,则作业将转换为失败如果可以重新启动作业,则它将进入重新启动状态。作业完全重新启动后,将达到创建状态。

如果用户取消作业,它将进入取消状态。这还需要取消所有当前正在运行的任务。一旦所有正在运行的任务都达到最终状态,作业将转换为已取消的状态

完成取消失败的状态不同它表示全局终端状态,因此触发清理作业,暂停状态仅在本地终端。本地终端意味着作业的执行已在相应的JobManager上终止,但Flink集群的另一个JobManager可以从持久性HA存储中检索作业并重新启动它。因此,到达暂停状态的作业将不会被完全清除。

Flink工作的状态和转型

在执行ExecutionGraph期间,每个并行任务都经历多个阶段,从创建完成失败下图说明了它们之间的状态和可能的转换。可以多次执行任务(例如,在故障恢复过程中)。因此,在Execution中跟踪ExecutionVertex执行每个ExecutionVertex都有一个当前的Execution和先前的Executions。

任务执行的状态和转变

回到顶部