1.面试题一:应用架构
问题:公司怎么提交的实时任务,有多少 Job Manager?
解答: 1.我们使用 yarn session 模式提交任务。每次提交都会创建一个新的Flink集群,
为每一个 job 提供一个 yarn-session,任务之间互相独立,互不影响, 方便管理。
任务执行完成之后创建的集群也会消失。线上命令脚本如下:
bin/yarn-session.sh -n 7 -s 8 -jm 3072 -tm 32768 -qu root.. -nm - -d
其中申请 7 个 taskManager,每个 8 核,每个 taskmanager 有 32768M 内存。
2. 集群默认只有一个 Job Manager。但为了防止单点故障,我们配置了高可用。
我们公司一般配置一个主 Job Manager,两个备用 Job Manager,然后结合 ZooKeeper 的使用,来达到高可用。
2.面试题二:压测和监控
问题:怎么做压力测试和监控?
解答:我们一般碰到的压力来自以下几个方面:
一,产生数据流的速度如果过快,而下游的算子消费不过来的话,会产生背压。
背压的监控可以使用 Flink Web UI(localhost:8081) 来可视化监控,一旦报警就能知 道。
一般情况下背压问题的产生可能是由于 sink 这个 操作符没有优化好,做一下 优化就可以了。
比如如果是写入 ElasticSearch, 那么可以改成批量写入,可以调 大 ElasticSearch 队列的大小等等策略。
二,设置 watermark 的最大延迟时间这个参数,如果设置的过大,可能会造成 内存的压力。
可以设置最大延迟时间小一些,然后把迟到元素发送到侧输出流中去。 晚一点更新结果。
或者使用类似于 RocksDB 这样的状态后端, RocksDB 会开辟 堆外存储空间,但 IO 速度会变慢,需要权衡。
三,还有就是滑动窗口的长度如果过长,而滑动距离很短的话,Flink 的性能 会下降的很厉害。
我们主要通过时间分片的方法,将每个元素只存入一个“重叠窗 口”,这样就可以减少窗口处理中状态的写入。
参见链接: https://www.infoq.cn/article/sIhs_qY6HCpMQNblTI9M
四,状态后端使用 RocksDB,还没有碰到被撑爆的问题。
3.面试题三:为什么用 Flink
问题:为什么使用 Flink 替代 Spark?
解答:主要考虑的是 flink 的低延迟、高吞吐量和对流式数据应用场景更好的支 持;
另外,flink 可以很好地处理乱序数据,而且可以保证 exactly-once 的状态一致 性。
详见文档第一章,有 Flink 和 Spark 的详细对比。
4.面试题四:checkpoint 的存储
问题:Flink 的 checkpoint 存在哪里?
解答:可以是内存,文件系统,或者 RocksDB。详见文档 9.4 节。
5.面试题五:exactly-once 的保证
问题:如果下级存储不支持事务,Flink 怎么保证 exactly-once?
解答:端到端的 exactly-once 对 sink 要求比较高,具体实现主要有幂等写入和 事务性写入两种方式。
幂等写入的场景依赖于业务逻辑,更常见的是用事务性写入。
而事务性写入又有预写日志(WAL)和两阶段交(2PC)两种方式。
如果外部系统不支持事务,那么可以用预写日志的方式,把结果数据先当成状 态保存,
然后在收到 checkpoint 完成的通知时,一次性写入 sink 系统。
参见文档 9.2、9.3 节及课件《Flink 的状态一致性》
6.面试题六:状态机制
问题:说一下 Flink 状态机制?
解答:Flink 内置的很多算子,包括源 source,数据存储 sink 都是有状态的。
在 Flink 中,状态始终与特定算子相关联。Flink 会以 checkpoint 的形式对各个任务的 状态进行快照,
用于保证故障恢复时的状态一致性。Flink 通过状态后端来管理状态 和 checkpoint 的存储,
状态后端可以有不同的配置选择。详见文档第九章。
7.面试题七:海量 key 去重
问题:Flink 的 checkpoint 机制对比 spark 有什么不同和优势?
解答:spark streaming 的 checkpoint 仅仅是针对 driver 的故障恢复做了数据 和元数据的
checkpoint。而 flink 的 checkpoint 机制 要复杂了很多,它采用的是 轻量级的分布式快照,
实现了每个算子的快照,及流动中的数据的快照。
参见文档 9.3 节及文章链接: https://cloud.tencent.com/developer/article/1189624
9.面试题九:watermark 机制
问题:请详细解释一下 Flink 的 Watermark 机制。
解答:Watermark 本质是 Flink 中衡量 EventTime 进展的一个机制,主要用来处 理乱序数据。
详见文档 7.3 节。
10.面试题十:exactly-once 如何实现
问题:Flink 中 exactly-once 语义是如何实现的,状态是如何存储的?
解答:Flink 依靠 checkpoint 机制来实现 exactly-once 语义,如果要实现端到端 的 exactly-once
,还需要外部 source 和 sink 满足一定的条件。状态的存储通过状态 后端来管理,
Flink 中可以配置不同的状态后端。详见文档 9.2、9.3 及 9.4 节。
11.面试题十一:CEP
问题:Flink CEP 编程中当状态没有到达的时候会将数据保存在哪里?
解答:在流式处理中,CEP 当然是要支持 EventTime 的,那么相对应的也要 支持数据的迟到现象,
也就是 watermark 的处理逻辑。CEP 对未匹配成功的事件序 列的处理,和迟到数据是类似的。
在 Flink CEP 的处理逻辑中,状态没有满足的和 迟到的数据,都会存储在一个 Map 数据结构中,
也就是说,如果我们限定判断事件 序列的时长为 5 分钟,那么内存中就会存储 5 分钟的数据,这在我看来,
也是对内 存的极大损伤之一。
12.面试题十二:三种时间语义
问题:Flink 三种时间语义是什么,分别说出应用场景?
解答:
1. Event Time:这是实际应用最常见的时间语义,具体见文档第七章。
2. Processing Time:没有事件时间的情况下,或者对实时性要求超高的情况下。
3. Ingestion Time:存在多个 Source Operator 的情况下,每个 Source Operator
可以使用自己本地系统时钟指派 Ingestion Time。后续基于时间相关的各种操作,
都会使用数据记录中的 Ingestion Time。
13.面试题十三:数据高峰的处理
问题:Flink 程序在面对数据高峰期时如何处理?
解答:使用大容量的 Kafka 把数据先放到消息队列里面作为数据源,再使用 Flink 进行消费,
不过这样会影响到一点实时性。