由于blog各种垃圾评论太多，而且本人审核评论周期较长，所以懒得管理评论了，就把评论功能关闭，有问题可以直接qq骚扰我

（1）Flink on K8S 的简单实现

大数据 西门飞冰 1165℃
[隐藏]

1.简介

Flink Kubernetes Operator是一个用于在Kubernetes集群上部署、管理和自动化运行Apache Flink应用程序的开源项目。它提供了一种简单、可靠且可扩展的方式来部署和管理Flink作业，同时实现高可用性和容错性。

Flink Kubernetes Operator的主要优势包括：

1、自动化部署：Flink Kubernetes Operator 可以自动部署和管理 Flink 集群以及在集群上运行的作业。

2、弹性伸缩：Flink Kubernetes Operator 可以自动扩展和收缩 Flink 集群，根据作业的负载情况来调整集群的大小。

3、更好的资源利用率：使用 Kubernetes 的资源管理功能，可以更好地利用集群资源，提高资源利用率。

4、灵活性：Flink Kubernetes Operator 允许用户通过自定义配置文件来灵活地配置集群和作业。

Flink Kubernetes Operator的主要缺点包括：

1、学习成本：使用 Flink Kubernetes Operator 需要一定的 Kubernetes 和 Flink 的知识储备，对于初学者来说可能会有一定的学习成本。

总体来说，Flink Kubernetes Operator是一个非常有用的工具，适用于那些需要将Flink应用程序部署到复杂的Kubernetes集群中的用户。其优势在于提供了简单的部署和高可用性，并且可以根据需要扩展资源，但其缺点在于需要一定的学习成本和配置复杂度较高。

image-20230529084838285

2.Flink k8s Operator安装

1、安装helm

[root@k8s-demo001 ~]# tar xf helm-v3.8.2-linux-amd64.tar.gz
[root@k8s-demo001 ~]# mv linux-amd64/helm /usr/local/bin/

2、添加常用的helm 源

helm repo add flink-operator-repo https://downloads.apache.org/flink/flink-kubernetes-operator-1.4.0/
helm repo add stable http://mirror.azure.cn/kubernetes/charts
helm repo add bitnami https://charts.bitnami.com/bitnami
helm repo add aliyun https://kubernetes.oss-cn-hangzhou.aliyuncs.com/charts

3、安装cert-manager（其主要用途是管理证书的自动化签发和更新，可以为Kubernetes中的应用程序提供加密通信。），flink-webhook需要从cert-manager获取证书，/validate和/mutate使用https协议

wget https://github.com/jetstack/cert-manager/releases/download/v1.10.0/cert-manager.yaml
kubectl apply -f cert-manager.yaml

要是因为网络问题拉取不了cert-manager的镜像，需要手动替换为国内的镜像地址：

image: "registry.cn-hangzhou.aliyuncs.com/cm_ns01/cert-manager-cainjector:v1.10.0"   
image: "registry.cn-hangzhou.aliyuncs.com/cm_ns01/cert-manager-controller:v1.10.0" 
image: "registry.cn-hangzhou.aliyuncs.com/cm_ns01/cert-manager-webhook:v1.10.0"

如下状态表示安装成功：

image-20230528115236225

4、安装Flink Kubernetes Operator

使用helm本地安装，这种方式可以定制flink operator的配置，我们采用此方式

从官网下载flink-kubernetes-operator heml包

wget https://downloads.apache.org/flink/flink-kubernetes-operator-1.4.0/flink-kubernetes-operator-1.4.0-helm.tgz
tar xf flink-kubernetes-operator-1.4.0-helm.tgz

如果担心网络原因拉取不了flink operator的镜像，则修改flink operator helm目录下的values.yaml文件，修改repository地址

repository: registry.cn-hangzhou.aliyuncs.com/cm_ns01/flink-kubernetes-operator

安装：

helm install -f values.yaml flink-kubernetes-operator . --namespace flink --create-namespace

检查：

image-20230528115452987

3.Flink on K8S 运行模式

flink 在k8s上运行，有session模式和application模式，区别主要在生命周期和资源隔离程度，如下所述：

Application模式：

1、为每个提交的Flink 作业创建一个Flink 集群（JobManager + TaskManager），并在作业运行完成时终止并释放全部Pod

2、Application 模式在不同作业之间提供了资源隔离和负载平衡保证，作业间彼此独立，互不影响。

Session模式：

1、需要先在K8S上启动一个集群（初始集群只有Job Manager，没有TaskManager），客户端向该集群提交作业，K8S 为每个作业动态创建TaskManager，Task Manager的数量由每个作业所需的计算资源量决定，所有作业共享一个Job Manager，作业终止Task Manager Pod释放，但Job Manager继续运行。

2、因为所有作业共享一个Job Manager，所以作业的资源隔离较差，作业间存在相互影响。

4.flink on K8S 测试程序

开发一个word count程序，用于提交k8s 进行测试，功能实现为从socket读取字符流，同级单词出现的次数，并将统计结果打印到控制台

flink 主程序：

import org.apache.flink.api.common.typeinfo.Types;
import org.apache.flink.api.java.tuple.Tuple2;
import org.apache.flink.streaming.api.datastream.DataStreamSource;
import org.apache.flink.streaming.api.datastream.KeyedStream;
import org.apache.flink.streaming.api.datastream.SingleOutputStreamOperator;
import org.apache.flink.streaming.api.environment.StreamExecutionEnvironment;
import org.apache.flink.util.Collector;
import org.apache.log4j.Logger;

import java.util.Arrays;
public class StreamWordCount {
    private static Logger logger = Logger.getLogger(StreamWordCount.class);
    public static void main(String[] args) throws Exception {
        // 1. 创建流式执行环境
        StreamExecutionEnvironment env = StreamExecutionEnvironment.getExecutionEnvironment();
        // 2. 读取文本流  在k8s01行运行 nc -lk 7777
        DataStreamSource<String> lineDSS = env.socketTextStream("172.16.252.105", 7777);
        // 3. 转换数据格式
        SingleOutputStreamOperator<Tuple2<String, Long>> wordAndOne = lineDSS
                .flatMap((String line, Collector<String> words) -> {
                    Arrays.stream(line.split(" ")).forEach(words::collect);
                })
                .returns(Types.STRING)
                .map(word -> Tuple2.of(word, 1L))
                .returns(Types.TUPLE(Types.STRING, Types.LONG));
        // 4. 分组
        KeyedStream<Tuple2<String, Long>, String> wordAndOneKS = wordAndOne
                .keyBy(t -> t.f0);
        // 5. 求和
        SingleOutputStreamOperator<Tuple2<String, Long>> result = wordAndOneKS
                .sum(1);
        // 6. 打印
        result.print();
        logger.info(result.toString());
        // 7. 执行
        env.execute();
    }
}

log4j.properties

log4j.rootLogger=error, stdout
log4j.appender.stdout=org.apache.log4j.ConsoleAppender
log4j.appender.stdout.layout=org.apache.log4j.PatternLayout
log4j.appender.stdout.layout.ConversionPattern=%-4r [%t] %-5p %c %x - %m%n

本地测试：

在172.16.252.105服务器安装nc，并监听在7777端口，启动flink程序，监听输入的内容并统计

image-20230528120122091

image-20230528120130565

本地测试成功之后，使用maven打包即可

5.Session 模式测试

5.1.手动上传jar包

1、创建session集群

[root@k8s-demo001 ~]# cat session-deployment-only.yaml 
# Flink Session集群
apiVersion: flink.apache.org/v1beta1
kind: FlinkDeployment
metadata:
  namespace: flink
  name: session-deployment-only
spec:
  image: flink:1.13.6
  flinkVersion: v1_13
  imagePullPolicy: IfNotPresent   # 镜像拉取策略，本地没有则从仓库拉取
  ingress:   # ingress配置，用于访问flink web页面
    template: "flink.k8s.io/{{namespace}}/{{name}}(/|$)(.*)"
    className: "nginx"
    annotations:
      nginx.ingress.kubernetes.io/rewrite-target: "/$2"
  flinkConfiguration:
    taskmanager.numberOfTaskSlots: "2"
  serviceAccount: flink
  jobManager:   # jobManager 配置
    replicas: 1 
    resource:
      memory: "1024m"
      cpu: 1
  taskManager: # taskManager配置
    replicas: 1 
    resource:
      memory: "1024m"
      cpu: 1
[root@k8s-demo001 ~]# kubectl apply -f session-deployment-only.yaml

查看session集群创建情况

2、访问flink session集群

配置hosts域名解析

172.16.252.105 flink.k8s.io

访问Flink UI：http://flink.k8s.io/flink/session-deployment-only/#/overview

上传Jar包，提交作业：

image-20230528120700323

验证task manager创建情况：

image-20230528120801288

通过nc传入数据，查询K8S 日志：

kubectl logs session-deployment-only-taskmanager-1-1 -n flink

image-20230525141822253

5.2.使用http下载jar包

1、通过nginx 搭建一个文件服务器，并将flink 编译完成的jar包上传上去

2、编写session-job-only.yaml

[root@k8s-demo001 ~]# cat session-job-only.yaml 
apiVersion: flink.apache.org/v1beta1
kind: FlinkSessionJob
metadata:
  namespace: flink
  name: session-job-only
spec:
  deploymentName: session-deployment-only  # 需要与创建的集群名称一致
  job:
    jarURI: http://172.16.252.106:8090/flink-on-k8s-demo-1.0-SNAPSHOT.jar # 使用http方式下载jar包
    entryClass: org.fblinux.StreamWordCount 
    args:
    parallelism: 1  # 并行度
    upgradeMode: stateless
[root@k8s-demo001 ~]# kubectl apply -f session-job-only.yaml

3、查看任务创建情况

image-20230525143530523

访问Flink UI：http://flink.k8s.io/flink/session-deployment-only/#/overview

image-20230525143557510

6.Application 模式测试

Application 模式作业的提交方式也有两种：

方式1：将作业jar包打进flink镜像，在编写flink deployment文件的时候，引用这个镜像，当flink 集群创建出来的时候，内部就会自然包含作业的jar包，这种方式就是每个作业都要创建自己专属的镜像，就会导致镜像过多，占用大量的空间

（1）编写Dockerfile构建镜像

[root@k8s-demo001 flink-wc]# cat Dockerfile 
FROM flink:1.13.6
WORKDIR /opt/flink
COPY flink-on-k8s-demo-1.0-SNAPSHOT.jar /opt/flink/flink-on-k8s-demo-1.0-SNAPSHOT.jar
ENTRYPOINT ["/docker-entrypoint.sh"]
EXPOSE 6123 8081
CMD ["help"]

上传jar包到和Dockerfile同级目录，执行如下命令进行镜像的构建

docker build -f Dockerfile -t flink-wc:1.13.6 .

将构建的镜像上传到harbor，这样k8s部署的节点才能下载到镜像文件

docker tag flink-wc:1.13.6 172.16.252.110:8011/flinkonk8s/flink-wc:1.13.6
docker push 172.16.252.110:8011/flinkonk8s/flink-wc:1.13.6

（2）编写作业application-deployment.yaml，并提交

[root@k8s-demo001 ~]# cat application-deployment.yaml 
# Flink Application集群
apiVersion: flink.apache.org/v1beta1
kind: FlinkDeployment
metadata:
  namespace: flink
  name: application-deployment
spec:
  image: 172.16.252.110:8011/flinkonk8s/flink-wc:1.13.6		# 镜像存储在harbor仓库的地址
  flinkVersion: v1_13
  imagePullPolicy: IfNotPresent   # 镜像拉取策略，本地没有则从仓库拉取
  ingress:   # ingress配置，用于访问flink web页面
    template: "flink.k8s.io/{{namespace}}/{{name}}(/|$)(.*)"
    className: "nginx"
    annotations:
      nginx.ingress.kubernetes.io/rewrite-target: "/$2"
  flinkConfiguration:
    taskmanager.numberOfTaskSlots: "2"
  serviceAccount: flink
  jobManager:
    replicas: 1
    resource:
      memory: "1024m"
      cpu: 1
  taskManager:
    replicas: 1
    resource:
      memory: "1024m"
      cpu: 1
  job:
    jarURI: local:///opt/flink/flink-on-k8s-demo-1.0-SNAPSHOT.jar
    entryClass: org.fblinux.StreamWordCount
    args:
    parallelism: 1
    upgradeMode: stateless

提交yaml：

kubectl apply -f application-deployment.yaml

命令行查看：

image-20230525202019257

web页面验证：

http://flink.k8s.io/flink/application-deployment/#/job/running

image-20230525202356011

方式2：将作业jar包放到外部存储，通过pv方式挂载到flink pod，好处是由始至终只使用一个flink镜像即可，在实际应用中采用这种方式居多

（1）创建JAR包的PVC

[root@k8s-demo001 ~]# cat flink-jar-pvc.yaml 
#  Flink 作业jar 持久化存储pvc
apiVersion: v1
kind: PersistentVolumeClaim
metadata:
  name: flink-jar-pvc  # jar pvc名称
  namespace: flink
spec:
  storageClassName: nfs-storage   #sc名称
  accessModes:
    - ReadOnlyMany   #采用ReadOnlyMany的访问模式
  resources:
    requests:
      storage: 1Gi    #存储容量，根据实际需要更改
[root@k8s-demo001 ~]# kubectl apply -f flink-jar-pvc.yaml 
[root@k8s-demo001 ~]# kubectl get pvc -n flink
NAME            STATUS   VOLUME                                     CAPACITY   ACCESS MODES   STORAGECLASS   AGE
flink-jar-pvc   Bound    pvc-3a273170-a195-48dd-a100-016ee6980dc6   1Gi        ROX            nfs-storage    5h36m

2、将JAR包放到PV的实际路径

3、编写application-deployment-with-pv.yaml

[root@k8s-demo001 ~]# cat application-deployment-with-pv.yaml 
# Flink Application集群
apiVersion: flink.apache.org/v1beta1
kind: FlinkDeployment
metadata:
  namespace: flink
  name: application-deployment-with-pv
spec:
  image: flink:1.13.6
  flinkVersion: v1_13
  imagePullPolicy: IfNotPresent   # 镜像拉取策略，本地没有则从仓库拉取
  ingress:   # ingress配置，用于访问flink web页面
    template: "flink.k8s.io/{{namespace}}/{{name}}(/|$)(.*)"
    className: "nginx"
    annotations:
      nginx.ingress.kubernetes.io/rewrite-target: "/$2"
  flinkConfiguration:
    taskmanager.numberOfTaskSlots: "2"
  serviceAccount: flink
  jobManager:
    replicas: 1
    resource:
      memory: "1024m"
      cpu: 1
  taskManager:
    replicas: 1
    resource:
      memory: "1024m"
      cpu: 1
  podTemplate:
    spec:
      containers:
        - name: flink-main-container
          volumeMounts:
            - name: flink-jar  # 挂载nfs上的jar
              mountPath: /opt/flink/jar
      volumes:
        - name: flink-jar
          persistentVolumeClaim:
            claimName: flink-jar-pvc
  job:
    jarURI: local:///opt/flink/jar/flink-on-k8s-demo-1.0-SNAPSHOT.jar
    entryClass: org.fblinux.StreamWordCount
    args:
    parallelism: 1
    upgradeMode: stateless

提交yaml：

kubectl apply -f application-deployment-with-pv.yaml

命令行查看：

image-20230525222743992

web界面验证：

http://flink.k8s.io/flink/application-deployment-with-pv/#/overview

7.四种作业提交模式总结

1、Application模式和Session模式的选择

Application模式和Session模式两者最大区别在于集群的生命周期和资源管理隔离程度

模式 场景
Application模式 对于核心、优先级高、高保障这类的作业，强力推荐使用Application模式，建议作为Flink运行模式的默认选项
Session 模式 对保障性要求相对不高的，或者出于运维管理便利的考量，例如需要通过外部系统通过调用Flink Restful接口管理作业的提交和启停，可以考虑使用Session模式

2、Application 模式两种提交方式选择

Application模式的2种作业提交方式的最大区别在于是否需要将作业Jar包打入Flink镜像

方式 特点
Jar包打进镜像 （1）每个作业都要打一个镜像，容易导致镜像数量过多，不便于管理 （2）占用大量空间，1个Flink镜像约600M 不推荐
Jar包通过PV挂载 （1）Jar包不用打到镜像，省去镜像构建工作 （2）只需维护少量几个Flink基础镜像，节省空间 推荐此方式

3、Session模式2种提交方式选择

Session模式的2种作业提交方式的最大区别在于Jar包的获取方式

方式 特点
Web上传方式 （1）可以通过人工访问Flink UI页面上传Jar包和提交作业，操作灵活，便于调试 （2）也可以通过编写程序调用Flink Restful API上传Jar包和提交作业，可以灵活控制Flink作业更新和启停
Http下载方式 （1）可以统一将作业Jar包发布到HTTP文件服务器，例如tomcat、apache或nginx，实现作业Jar包的统一存放 （2）需要编写FlinkSessionJob yaml， （3）通过k8s的kubectl命令管理作业的更新和启停，这个也可以通过编写程序调用K8s API实现。

 

转载请注明：西门飞冰的博客 » （1）Flink on K8S 的简单实现

喜欢 (2)or分享 (0)