Labs 导读

随着云原生的普及，越来越多的后端应用进行了容器化迁移，并通过k8s进行编排管理。而最近这几年，大数据领域比如Flink，Spark等计算引擎也纷纷表示对k8s的支持，使得大数据应用从传统的yarn时代转变为云原生时代。本文以Flink和k8s为主要技术手段，介绍如何搭建一个云原生计算平台。

Part 01 K8s概述

Kubernetes，又称为k8s或者kube，是一种可自动实施Linux容器操作的开源平台。它可以帮助用户省去应用容器化过程的许多手动部署和扩展操作。也就是说，您可以将运行Linux容器的多组主机聚合在一起。由k8s帮助您轻松高效地管理这些集群。而且，这些集群可跨公共云、私有云或混合云部署主机。其架构图如下：

注：

1. kubectl: 使用Kubernetees API与Kubernetes集群的控制面通信的命令行工具。
2. ETCD: 一种分布式健值存储，用于分布式系统或计算机集群的:tada:配置、服务发现和调度协调。
3. Node(节点): 负责执行请求和所分配任务的计算机。
4. Pod(容器集): 被部署在单个节点上的，且包含一个或多个容器的容器组。
5. Kubelet: 运行在节点上的服务，可读取容器清单，确保指定的容器启动并运行。

1.在Master上，是由Controller，API Server，Scheduler 以及包括做存储的Etcd等构成。Etcd可以算成Master，也可以作为独立于Master之外的存储来对待。Master的Controller、API Server、Scheduler都是单独的进程模式。这和Yarn有一些不同，Yarn的整个Master是一个单进程的模式。K8s的Master还可以在多个Master之间完成自发的选举，然后由active状态的Master对外提供服务。

2.在Slave上，它主要是包括Kube proxy、Kubelet，以及Docker等相关的组件，每个Node上部署的相关组件都是类似的，通过它来管理上面运行的多个Pod。

3.根据不同用户的习惯，可以通过UI或者CLI的方式向K8s提交任务。用户可以通过K8s提供的Dashboard Web UI的方式将任务进行提交，也可以通过Kubectl命令行的方式进行提交。

Part 02 Flink概述

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。其架构图如下：

Flink整个系统包含三个部分：

Client：Flink Client主要给用户提供向Flink系统提交用户任务（流式作业）的能力。

TaskManager：Flink系统的业务执行节点，执行具体的用户任务。TaskManager可以有多个，各个TaskManager都平等。

JobManager：Flink系统的管理节点，管理所有的TaskManager，并决策用户任务在哪些Taskmanager执行。JobManager在HA模式下可以有多个，但只有一个主JobManager。

Part 03 Flink on K8s部署模式

Flink的部署方式有很多，支持Local，Standalone，Yarn，Docker，Kubernetes模式等。而根据Flink job的提交模式，又可以分为三种模式：

模式1：Application Mode

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，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。

模式2：Per-Job Mode

可以理解为 Client 模式的Application Mode，利用资源管理框架，例如Yarn，Mesos等，资源隔离性更强。一个Job一个Cluster实例。逐渐被废弃。

模式3：Session Mode

也是由Client提交，做一些预备工作。但是Cluster的实例已经被创建，是所有Job共享的。一个Job导致的JobManager失败可能会导致所有的Job失败。

总的来说，在k8s上可以运行以下四种模式：standalone session，standalone application， native session和native application。其特点如下：

根据以上特点，一般生产采用native application模式部署。其启动流程图如下：

1.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。

2.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。

Part 04 Flink on native k8s部署实战

部署Flink之前需要一个正在运行的k8s集群，且满足以下几点需求：

• Kubernetes >= 1.9。
• KubeConfig，它可以列出、创建、删除 Pod 和服务，可通过 ~/.kube/config 进行配置。您可以通过运行 kubectl auth can-i pods 来验证权限。
• 启用 Kubernetes DNS。
• 具有创建、删除 Pod 的 RBAC 权限的默认服务帐户。

在有了以上的k8s集群后，接下去我们需要执行以下步骤来启动一个k8s native application任务：

1.创建一个名字为flink-cluster的namespace

kubectl create namespace flink-cluster

2.创建一个账户

Kubectl create serviceaccount flink -n flink-cluster

3.Service account和角色绑定

kubectl create clusterrolebinding flink-role-binding-flink \  --clusterrole=edit \  --serviceaccount=flink-cluster:flink

4.编写Dockerfile文件

# base imageFROM apache/flink:1.14.5-scala_2.11RUN mkdir -p $FLINK_HOME/usrlibRUN mkdir -p $FLINK_HOME/hadoopconfCOPY flink-1.14.5/examples/streaming/TopSpeedWindowing.jar $FLINK_HOME/usrlib/TopSpeedWindowing.jarCOPY core-site.xml $FLINK_HOME/hadoopconfCOPY hdfs-site.xml $FLINK_HOME/hadoopconf# 添加hdfs的相关的jar，为了读取hdfs  COPY flink-shaded-hadoop2-uber-2.8.3-1.8.3.jar $FLINK_HOME/lib# 配置HADOOP_CONF_DIR为了获取hadoop的core-site.xml and hdfs-site.xml ，因为checkpoint是存在hdfs的，需要读写hdfs ENV  HADOOP_CONF_DIR=$FLINK_HOME/hadoopconf:$HADOOP_CONF_DIR

5.打镜像

docker build -t apache/flink:v0.1 .

打镜像的目录下存在的文件

core-site.xmlDockerfileflink-1.14.5flink-shaded-hadoop2-uber-2.8.3-1.8.3.jarhdfs-site.xml

6.启动application mode的任务

./flink-1.14.5/bin/flink run-application \    --target kubernetes-application \    -Dkubernetes.namespace=flink-cluster \    -Dkubernetes.jobmanager.service-account=flink \    -Dkubernetes.cluster-id=my-first-application-cluster \    -Dkubernetes.high-availability=org.apache.flink.kubernetes.highavailability.KubernetesHaServicesFactory \    -Dkubernetes.cluster-id=my-first-application-cluster \    -Dhigh-availability.storageDir=hdfs://${your hdfs cluster name}/flink/recovery \    -Dkubernetes.container.image=apache/flink:v0.1 \    -Dkubernetes.rest-service.exposed.type=NodePort \    -Dstate.backend=rocksdb \    -Dstate.checkpoints.dir=hdfs://${your hdfs cluster name}/flink/flink-checkpoints \    -Dstate.backend.incremental=true \    local:///opt/flink/usrlib/TopSpeedWindowing.jar

启动之后会在最后出现如下的日志，最后的地址就是该任务的web ui地址

2022-07-27 16:45:00,320 INFO  org.apache.flink.kubernetes.KubernetesClusterDescriptor      [] - Create flink application cluster my-first-application-cluster successfully, JobManager Web Interface: http://ip:port

启动之后我们会看到k8s启动了以下的flink的组件​

[root@master1 ~]# kubectl get svc -n flink-clusterNAME                                TYPE        CLUSTER-IP        EXTERNAL-IP   PORT(S)             AGEmy-first-application-cluster        ClusterIP   None                      6123/TCP,6124/TCP   1hmy-first-application-cluster-rest   ClusterIP   ip xxxx           8082/TCP            46h[root@master1 ~]# kubectl get deployments -n flink-clusterNAME                           READY   UP-TO-DATE   AVAILABLE   AGEmy-first-application-cluster   1/1     1            1           1h[root@master1 ~]# kubectl get pods -n flink-clusterNAME                                            READY   STATUS    RESTARTS   AGEmy-first-application-cluster-7c4d9d7994-6vwjr   1/1     Running   0          1hmy-first-application-cluster-taskmanager-1-1    1/1     Running   0          461h

这样，就表示Flink启动成功了。我们看到在k8s上有2个pod，分别是jobmanger和taskmanger，一个service用于端口映射。

Part 05 Flink平台k8s改造实践

在k8s改造之前，我们已经有了一个Flink计算平台。其主要包含3个部分，web ui用于用户提交SQL任务或者JAR任务，web服务端用于解析SQL或者JAR，然后生成Flink Client提交命令，最后执行命令提交任务到集群上去。

如上图所示，我们的平台已经有Yarn和Standalone模式提交。那么支持云原生，只需要在原先基础上增加一个native k8s提交方式即可。在代码层面就是在提交任务抽象类上增加一个native k8s的实现。

下图为具体的一个native k8s SQL任务提交页面。只需要设置运行模式、运行参数和依赖的第三方jar包，再加上具体的SQL脚本即可完成一个Flink任务的提交。