概述

这篇文章侧重于分析JobManager和TaskManager的启动过程以及注册，还有Flink的implementation中所用到的设计模式。本文从本地与standalone模式进行解析。

Akka 简介

• 因为组件之间的信息传递是通过Akka工具包，所以在这儿我做一个简单的解释

• 首先参考Akka官方文档给出的一个抽象的图

  
  

  

  image

• 如图就是对ActorSystem的一个高度抽象，所有的Actor成树状，user actor的子孙就是用户创建的Actor，system下面是Akka的监管与支持的Actor，往往不需要用户过多参与

• Actor之间如果持有对方的ActorRef则可以向对方发送消息

• 父Actor负责监管子Actor抛出的异常能被父Actor处理，则父Actor可以重启或者废弃它，如果不能处理，会继续向上抛异常。一个Actor如果推出，那么它的所有子Actor都会退出。

• 它们共同组成了一个ActorSystem

Flink的架构

• 首先上一张从Flink官方文档拿来的架构图

  
  

  

  process-model.png

• 这次我会从JobManager和TaskManager着手来解析Flink的启动过程

• Flink中JobManager与TaskManager，JobManager与Client的交互是基于Akka工具包的，是通过消息驱动，这样就把中心放到了消息的接收，发送与处理，而且由于对每个Akka中的Actor来说，消息是同步的，排在一个队列中，极大地简化了多线程程序设计的复杂度，关于Akka的一些学习资料我会放在文章最后

• 下面的启动过程我会分为入口，ActorSystem的创建，JobManager的启动，TaskManager的启动和注册这几块来讲

  入口

  ActorSystem创建

  JobManager

  TaskManager

  TaskManager的注册

  • AcknowledgeRegistration注册成功，如果isConnected为true则是已连接，判断该消息是否由当前链接的JobManager发送并写入日志，如果未连接，调用associateWithJobManager进行接收消息钱的准备工作（后续会深入解析）

    
    

    

    ackRegistration.png

  • AlreadyRegistered重复注册，写入日志，逻辑与 AcknowledgeRegistration消息的处理相同

  • RefuseRegistration注册失败，如果JobManager地址存在，则发送新的TriggerTaskManagerRegistration， 重复到TaskManager注册部分的福州，如果没有地址，则验证如果发送消息的JobManager是否是当前已连接的JobManager写入日志，对结果没有影响

  • 根据消息找到相应的TaskManager地址

  • 一旦JobManager接收到RegisterTaskManager消息，先想ResourceManager注册（这边不做介绍，这边的？是Akka里面发送ask消息并期望得到一个返回值），如果Resource注册失败则向发送ReconnectResourceManager消息进行重试

  • 如果该TaskManager已经注册在instanceManager中，则发送AlreadyRegistered消息给相应的TaskManager

  • 如果还未注册，则向instanceManager注册该TaskManager，并发送AcknowledgeRegistration给相应的TaskManager

  • 出现异常则拒绝注册，发送RefuseRegistration消息

  • 在handleJobManagerLeaderAddress中触发了triggerTaskManagerRegistration注册函数

  • 在该函数中，提取超时信息设置，以及当前尝试的ID，清空已经在调度器中应该被废弃的注册消息，并向自身发送尝试次数为第一次的TriggerTaskManagerRegistration消息

    
    

    

    triggerTaskManagerRegistration.png

  • 因为TriggerTaskManagerRegistration是在TaskManager Actor接收到RegistrationMessage的子类，所以在接收到该消息时，根据RegistrationMessage来匹配，并调用handleRegistrationMessage方法

    
    

    

    handleRegistrationMessage.png

  • 匹配到TriggerTaskManagerRegistration消息后，先判断该消息有没有失效，如果没有，则有三种情况

    
    

    

    handleTriggerTaskManagerRegistration.png

  • 如果已连接成功，写入日志

  • 如果超时，写入日志并推出

  • 除此之外，进行下一次尝试，向JobManager Actor发送RegisterTaskManager消息，并在调度其中注册下一次TriggerTaskManagerRegistration的消息的发送，知道出现第一种情况注册成功或第二种情况注册失败为止

  • 在TaskManager的注册中，设计了与JobManager的消息交互，所以单独分开来讲

  • TaskManager中的发送注册请求

  • JobManager接收到注册请求消息

    
    

    

    handleRegisterTaskManager.png

  • TaskManager接到返回消息

  • 
    

    
    

    TaskManager Actor一旦接收到该Message要不就是刚启动，要不就是JobManager的Leader发生了改变，调用handleJobManagerLeaderAddress函数

    

    handleGrantLeadershipMessage.png

  • 在handleJobManagerLeaderAddress函数中，先断开连接，然后出发TaskManager的注册操作

    
    

    

    handleJobManagerLeaderAddressMessage.png

  • 首先启动leaderRetrievalService，和LeaderElection一样使用了策略模式来处理是否高可用两种情况，观察者模式来接收对象变化并调用callback方法

    
    

    

    startLeaderRetrievalService.png

  • 这边同样关注Standalone版本的Implementation，在start中调用TaskManager的notifyLeaderAddress回调方法，并将jobManager地址作为参数传入

    
    

    

    ldeaderRetrievalServiceStart.png

  • 在TaskManager实现的notifyLeaderAddress方法中发送JobManagerLeaderAddress消息给自己

    
    

    

    notifyLeaderAddress.png

  • 如果为本地模式，则直接调用startTaskManagerComponentAndActor方法，如果是用脚本启动，则会进入TaskManager的main函数

  • 对于standalone模式

  • 在startTaskManagerComponentsAndActor创建ioManager，network，leaderRetrievalService等创建TaskManager所需要的参数，通过actorSystem来创建TaskManager Actor

    
    

    

    createTaskManager.png

  • 在main函数中解析完命令行参数并生成配置文件对象后，会生成resourceID作为身份

    
    

    

    resourceIDGenerate.png

  • 接下来会新建一个Callable对象并调用selectNetworkInterfaceAndRunTaskManager方法

    
    

    

    selectNetworkAndRunTaskManager.png

  • 在selectNetworkInterfaceAndRunTaskManager方法中，先绑定地址与端口号，建立远程ActorSystem，然后调用runTaskManager方法

    
    

    

    runTaskManager1.png

  • 在runTaskManager方法中通过调用startTaskManagerComponentsAndActor并传入远程ActorSystem，至此与local模式的启动一致，区别在于ActorSystem是与JobManager一致还是远程另外一个ActorSystem，但对于开发者来说对Actor之间的消息传递方法并没有任何区别

    
    

    

    startTaskManagerComponentsAndActorRemote.png

  • TaskManager Actor创建

  • prestart

  • handleMessage（启动相关）

  • 根据消息的类型进行匹配，当接收到GrantLeadership的Message后，会匹配到如下代码

    
    

    

    handleGrantLeadershipMessage.png

    
    

    首先确认身份，再判断是否为高可用模式，如果是高可用模式还需要发送恢复任务的消息，如果不是，JobManager的启动已完成

  • 启动leaderElectionService，将JobManager本身作为参数传入

    
    

    

    startLeaderElectionService.png

    
    

    这边值得一提的是设计模式，策略模式与观察者模式，因为leaderElectionService是一个Java的接口，在生产环境中有非高可用（单点失败）的Implementation与基于Zookeeper的高可用模式，可以再运行时更改该接口的行为。JobManager还实现了LeaderContender接口，实现了多个CallBack方法，当leaderElectionService被修改时，会通知JobManager来调整，典型的观察者模式，适用于在高可用模式下作为Leader的JobManager被更改的情况。

  • 接着是启动SubmittedJobGraph服务，失败恢复服务与Metrics，这些会在以后讲到

  • 在这儿调用了leaderElectionService，对高可用模式的解析可能会在以后补上，现在侧重于Standalone模式下的解析，在StandaloneLeaderElectionService中，因为只有一个JobManager，所以直接在start时调用LeaderContentder中的callback方法，也就是JobManager的grantLeadership方法

    
    

    

    grantLeadership Method.png

  • 在该方法中向JobManager Actor本身发送了一条消息，从而在handleMessage中进行接收处理（！在Scala的Akka包中是发送消息的方法）

  • 对于JobManager与TaskManager的启动与关闭，会有三个环节，preStart，handleMessage与postStop

  • 对于每一个Actor，必须Override抽象方法handleMessage，也就是Actor针对收到的message做的业务逻辑，可以选择Override preStart和postStop方法，做一些启动前准备与结束时的清理

  • （关于Scala的多重继承，以及菱形继承的问题我这边不做过多讨论，网上有一些帖子，也可以通过阅读Scala In Depth来获得更深入了解，这对Java程序员来说是一个新的概念）

  • 首先是启动前准备preStart

  • handleMessage（启动相关）

  • 
    

    
    

    在这里Flink做了一个Akka的工具类来简化逻辑，本质上就是从Configuration配置文件类中提取Akka启动所需配置信息，并根据配置建立ActorSystem，ActorSystem可以是本机的，也可以是跨多台机器的，具体逻辑都在AkkaUtils中，有兴趣可以研究

    

    startJobManagerSystem.png

  • 建立JobManager的可视化WebMonitor，这里不做介绍

  • 重点出现，在这里通过ActorSystem建立了JobManager的Actor，并建立了一个JobManager process reaper来做简单的失败检测

    
    

    

    createJobManager.png

  • （*）如果实在Local模式下的话，则启动一个内嵌的TaskManager，如果不是，则需要在另一个JVM中启动TaskManager，通过taskmanager.sh脚本来完成

    
    

    

    localTaskManager.png

  • 针对每一个TaskManager Actor再启动一个WebMonitor可视化界面

  • 如果看过该系列上一篇文章，应该知道怎么找到在Local和Standalone模式下程序的入口

  • 这里我直接给出来，就是org.apache.flink.runtime.jobmanager 中的main方法

  • main方法主要可以分为，一是启动环境的准备

    
    

    

    JobManager Startup.png

  • 二是处理输入的命令行参数，并准备好包含配置信息的Configuration对象，以及host地址与端口号，还有运行模式

    
    

    

    configuration prepare.png

  • 三是新建一个Callable对象，在另一个线程上运行runJobManager方法

    
    

    

    mainRunJobManager.png

  • runJobManager有 个重载方法，第一个方法中绑定了端口号并建立了socket链接，并调用第二个重载方法

    
    

    

    bindport.png

  • 第二个重载方法根据本机硬件情况建立futureExecutor（对Future类不了解的话可以简单理解成Java中带返回值的Runnable，细节不做讨论）， ioExecutor，并调用startActorSystemAndJobManagerActors方法建立ActorSystem并等待结束

    
    

    

    startActorSystem.png

总结

至此，JobManager和TaskManager的启动过程以及TaskManager的注册过程解析已经完成。解析中没有办法做到面面俱到，把自己觉得重要的点挑了出来，主要是能再时间上形成一个线，方便理解。
下面还有一个根据时间线来做的思维导图，侧重于Local模式下的启动，虚线代表调用或者是消息。

Flink start up.jpg

作者：铛铛铛clark
链接：https://www.jianshu.com/p/0cdfa2a05ebd