Flink Standalone集群jobmanagers高可用配置

上篇文章简单叙述了Flink standalone集群的基础部署，在生产环境中假如只有1个jobmanager的话，那么这个节点一旦挂掉，所有运行的task都会中断，带来的影响比较大，因此在生产环境至少要保证jobmanager的高可用，至少2个节点，也可以将jobmanager和taskmanager两个实例运行到1个物理节点上，多个taskmanager和多个jobmanager并存实现高可用，高可用需要依赖zookeeper的故障恢复，因此要先准备好zookeeper集群，建议独立搭建zookeeper集群，不要用flink内置的单节点zookeeper，之前原有的环境如下：

bigdata1 - jobmanager

bigdata2,bigdata3,bigdata4 - taskmanager

目前zookeeper集群为：bigdata1,bigdata2,bigdata3，端口号为2181

接下来要进行jobmanager扩展，在bigdata4上面运行jobmanager，和bigdata1的jobmanager共同实现高可用.

首先在一个节点开始配置，这里现在bigdata1开始配置：

配置：conf/flink-conf.yaml 找到High Availability配置部分，这部分默认都是注释的也就是不使用高可用，需要手动去掉注释并且添加一些配置项，具体配置如下：

high-availability: zookeeper
high-availability.storageDir: file:///data/flink/ha
high-availability.zookeeper.quorum: bigdata1:2181,bigdata2:2181,bigdata3:2181
high-availability.zookeeper.path.root: /flink
high-availability.cluster-id: /flink_cluster

high-availability默认是NONE，表示不使用高可用，这里改成zookeeper

high-availability.storageDir 这个是高可用中用于存储一些较大的对象用于恢复，文档中建议配置所有节点都可以访问到的资源，推荐使用hdfs，这里配置的是本地文件系统，具体有效性需要验证，建议生产环境使用hdfs

high-availability.zookeeper.quorum 配置zookeeper集群

high-availability.zookeeper.path.root  配置flink在zookeeper中的path，整个集群要统一，这里是/flink；如果是多个flink集群使用同一个zookeeper集群，那么这里要区分开.

high-availability.cluster-id   集群的标识，整个集群要一致，在zookeeper下以及storageDir下都有这个cluster-id指定的目录，用于存放必须的协调数据

上面这些配置无误后，保存文件

配置masters，文件：conf/masters，添加bigdata4的节点

同时conf/slaves保持不变，仍然为bigdata2,bigdata3,bigdata4

然后将flink-conf.yaml和masters配置同步到集群其他所有节点，同时保证zookeeper服务已经正常运行

执行： bin/start-cluster.sh 启动集群，启动后会发现bigdata4多出了StandaloneSessionClusterEntrypoint进程，这个时候通过zookeeper客户端执行 get /flink/flink_cluster/leader/rest_server_lock 查看当前的jobmanager master可以一般会看到是bigdata1

然后可以尝试将bigdata1上面的StandaloneSessionClusterEntrypoint进程kill掉，通过bigdata4:8081访问web ui，这个时候故障转移flink日志可能会报错，稍微等待一段时间，然后界面就会加载成功，正常看到slots和task managers以及详细的任务，说明这个时候jobmanager成功进行了故障转移，实现了高可用，同时查看zookeeper上面的节点也会切换成bigdata4了

另外注意配置高可用之后，之前的flink-conf.yaml中的配置项jobmanager.rpc.port就不再生效，这个配置项只针对之前的单个jobmanager的独立集群，现在这个端口会自动选择并且多个jobmanager都是不一样的，但是我们不用去关心他，对使用flink没有任何影响.

以上就是flink jobmanager高可用的配置，配置起来还是比较简单的，推荐在生产环境中使用，集群稳定性更好.

参考文档： https://ci.apache.org/projects/flink/flink-docs-release-1.9/zh/ops/jobmanager_high_availability.html

对于新版的flink有时候可能是偶然的原因导致第一次启动flink集群的时候报一些莫名其妙的错误死活启动不起来，这个时候可以尝试重启zookeeper集群，删除对应的/flink节点或者调大zookeeper tickTime，再启动flink集群一般就正常了.