flink中zk引起的重啟怎么解決

這篇文章主要介紹“flink中zk引起的重啟怎么解決”，在日常操作中，相信很多人在flink中zk引起的重啟怎么解決問題上存在疑惑，小編查閱了各式資料，整理出簡單好用的操作方法，希望對大家解答”flink中zk引起的重啟怎么解決”的疑惑有所幫助！接下來，請跟著小編一起來學習吧！

背景

最近用flink on k8s跑程序的過程中，發現某個時刻經常導致程序重啟，定時任務每天加載一次緩存，該緩存有大量數據，加載時長需要60-90s左右。這個定時任務經常會導致k8s重啟程序，使其極不穩定，于是各種調優。

內存相關

1. 懷疑可能是算子的sender和receiver之間因為加載緩存導致某種通信不可達，默認的心跳時間是50s，于是修改參數：heartbeat.timeout: 180000，heartbeat.interval: 20000。

2. jobmanager和taskmanager是用akka通信，修改參數akka.ask.timeout: 240s。

這些操作之后，偶爾還是會在加載緩存的時候發現異常，日志截取如下

2020-10-16 17:05:05,939 WARN org.apache.flink.shaded.zookeeper.org.apache.zookeeper.ClientCnxn - Client session timed out, have not heard from server in 29068ms for sessionid 0x30135fa8005449f
2020-10-16 17:05:05,948 INFO org.apache.flink.shaded.zookeeper.org.apache.zookeeper.ClientCnxn - Client session timed out, have not heard from server in 29068ms for sessionid 0x30135fa8005449f, closing socket connection and attempting reconnect
2020-10-16 17:05:07,609 INFO org.apache.flink.shaded.curator.org.apache.curator.framework.state.ConnectionStateManager - State change: SUSPENDED
2020-10-16 17:05:07,611 WARN org.apache.flink.runtime.leaderretrieval.ZooKeeperLeaderRetrievalService - Connection to ZooKeeper suspended. Can no longer retrieve the leader from ZooKeeper.
2020-10-16 17:05:07,612 INFO org.apache.flink.runtime.taskexecutor.TaskExecutor - JobManager for job 1bb3b7bdcfbc39cf760064ed9736ea80 with leader id bed26e07640e5e79197e468c85354534 lost leadership.
2020-10-16 17:05:07,613 WARN org.apache.flink.runtime.leaderretrieval.ZooKeeperLeaderRetrievalService - Connection to ZooKeeper suspended. Can no longer retrieve the leader from ZooKeeper.
2020-10-16 17:05:07,614 INFO org.apache.flink.runtime.taskexecutor.TaskExecutor - Close JobManager connection for job 1bb3b7bdcfbc39cf760064ed9736ea80.
2020-10-16 17:05:07,615 INFO org.apache.flink.runtime.taskmanager.Task - Attempting to fail task externally Source: Custom Source -> Flat Map -> Timestamps/Watermarks (15/15) (052a84a37a0647ab485baa54f149b762).
2020-10-16 17:05:07,615 INFO org.apache.flink.runtime.taskmanager.Task - Source: Custom Source -> Flat Map -> Timestamps/Watermarks (15/15) (052a84a37a0647ab485baa54f149b762) switched from RUNNING to FAILED.
org.apache.flink.util.FlinkException: JobManager responsible for 1bb3b7bdcfbc39cf760064ed9736ea80 lost the leadership.
at org.apache.flink.runtime.taskexecutor.TaskExecutor.closeJobManagerConnection(TaskExecutor.java:1274)
at org.apache.flink.runtime.taskexecutor.TaskExecutor.access$1200(TaskExecutor.java:155)
at org.apache.flink.runtime.taskexecutor.TaskExecutor$JobLeaderListenerImpl.lambda$jobManagerLostLeadership$1(TaskExecutor.java:1698)
at org.apache.flink.runtime.rpc.akka.AkkaRpcActor.handleRunAsync(AkkaRpcActor.java:402)
at org.apache.flink.runtime.rpc.akka.AkkaRpcActor.handleRpcMessage(AkkaRpcActor.java:195)
at org.apache.flink.runtime.rpc.akka.AkkaRpcActor.handleMessage(AkkaRpcActor.java:152)
at akka.japi.pf.UnitCaseStatement.apply(CaseStatements.scala:26)
at akka.japi.pf.UnitCaseStatement.apply(CaseStatements.scala:21)
at scala.PartialFunction$class.applyOrElse(PartialFunction.scala:123)
at akka.japi.pf.UnitCaseStatement.applyOrElse(CaseStatements.scala:21)
at scala.PartialFunction$OrElse.applyOrElse(PartialFunction.scala:170)
at scala.PartialFunction$OrElse.applyOrElse(PartialFunction.scala:171)
at scala.PartialFunction$OrElse.applyOrElse(PartialFunction.scala:171)
at akka.actor.Actor$class.aroundReceive(Actor.scala:517)
at akka.actor.AbstractActor.aroundReceive(AbstractActor.scala:225)
at akka.actor.ActorCell.receiveMessage(ActorCell.scala:592)
at akka.actor.ActorCell.invoke(ActorCell.scala:561)
at akka.dispatch.Mailbox.processMailbox(Mailbox.scala:258)
at akka.dispatch.Mailbox.run(Mailbox.scala:225)
at akka.dispatch.Mailbox.exec(Mailbox.scala:235)
at akka.dispatch.forkjoin.ForkJoinTask.doExec(ForkJoinTask.java:260)
at akka.dispatch.forkjoin.ForkJoinPool$WorkQueue.runTask(ForkJoinPool.java:1339)
at akka.dispatch.forkjoin.ForkJoinPool.runWorker(ForkJoinPool.java:1979)
at akka.dispatch.forkjoin.ForkJoinWorkerThread.run(ForkJoinWorkerThread.java:107)
Caused by: java.lang.Exception: Job leader for job id 1bb3b7bdcfbc39cf760064ed9736ea80 lost leadership.
... 22 more

再經過調查發現，這個跟zk有關系，zk在切換leader或者遇到網絡波動之類的，會觸發SUSPENDED狀態，這個狀態，會導致lost the leadership錯誤，而遇到這個錯誤，k8s直接就重啟程序。其實訪問zk還是正常的。 再經過一系列調查，這種問題別人早就遇到，還改了代碼，就是flink官方沒合并代碼。調查的過程不表，有用的鏈接如下

1. https://www.cnblogs.com/029zz010buct/p/10946244.html

這個有用的是升級curator包， flink用的是2.12.0，暫時沒去操作，里面提到的SessionConnectionStateErrorPolicy是在4.x版本的，應該還是要去編譯部分代碼。

2. https://github.com/apache/flink/pull/9066 https://issues.apache.org/jira/browse/FLINK-10052

   這個是其他人的解決方案，本人用的也是這個方法。 不把SUSPENDED狀態認為是lost leadership，修改LeaderLatch的handleStateChange方法

            case RECONNECTED:
            {
                try
                {
                    if (!hasLeadership.get())
                    {
                        reset();
                    }
                }
                catch ( Exception e )
                {
                    ThreadUtils.checkInterrupted(e);
                    log.error("Could not reset leader latch", e);
                    setLeadership(false);
                }
                break;
            }

            case LOST:
            {
                setLeadership(false);
                break;
            }

編譯flink-shaded-hadoop-2-uber

找到這段代碼之后，自然是找到了flink-shaded-hadoop-2-uber-xxx.jar這個包，在flink1.10的版本，還支持hadoop的這個包，在1.11之后已經不再主動支持，需要的要自己去下載，因為這個包在打鏡像時會特意加上去，所以目標鎖定這個包，重新編譯。簡單說下編譯過程

1. https://github.com/apache/curator/tree/apache-curator-2.12.0 下載這個版本的源碼，修改curator-recipes下的src/main/java/org/apache/curator/framework/recipes/leader/LeaderLatch.java，修改內容如上所示，打的包是2.12.0。

2. https://github.com/apache/flink-shaded/tree/release-10.0 下載flink-shaded 1.10版本的源碼，修改flink-shaded-hadoop-2-parent的pom文件，增加exclusion，去掉curator-recipes的依賴，增加自己編譯的curator-recipes。觀察到不去掉依賴，默認是2.7.1版本，應該是這塊代碼好多年沒動過，版本一直停留在2.7.1。

		<dependency>
			<groupId>org.apache.hadoop</groupId>
			<artifactId>hadoop-common</artifactId>
			<version>${hadoop.version}</version>
			<exclusions>
				...省略若干exclusion
				<exclusion>
				<groupId>org.apache.curator</groupId>
					<artifactId>curator-recipes</artifactId>
				</exclusion>
			</exclusions>
		</dependency>
		
		<dependency>
			<groupId>org.apache.curator</groupId>
			<artifactId>curator-recipes</artifactId>
			<version>2.12.0</version>
		</dependency>

3. 因為我們用的是2.8.3-10.0版本的，源碼是2.4.1的，修改成<hadoop.version>2.8.3</hadoop.version>

4. 看根目錄的readme.md，在flink-shaded-release-10.0/flink-shaded-hadoop-2-parent目錄運行mvn package -Dshade-sources打包，打包完成之后，用工具反編譯觀察一下，SUSPENDED的代碼確實去掉了，重新打鏡像，跑程序。

到此，關于“flink中zk引起的重啟怎么解決”的學習就結束了，希望能夠解決大家的疑惑。理論與實踐的搭配能更好的幫助大家學習，快去試試吧！若想繼續學習更多相關知識，請繼續關注億速云網站，小編會繼續努力為大家帶來更多實用的文章！