Apache flink 弗林克：当一个任务经理被解雇时，工作就失败了？

我在Kubernetes上运行Flink 1.8 WordCount示例作业时，注意到一个行为。有时，TaskManager pod被

OOMKilled

并重新启动（现在不需要担心），但整个作业失败，JobManager日志显示

已删除分配的插槽XXX

---

我的问题是，为什么整个工作都失败了？是否有一种方法可以配置Flink，使作业更能容忍暂时性TaskManager故障？

Pod中的容器可能会由于多种原因而失败，例如其中的进程以非零退出代码退出，或者容器因超过内存限制而被终止

您可以使用作业规范

.spec.template.spec.restartPolicy = "OnFailure"

因此，使用该吊舱将留在系统中，容器将重新运行

---

有关也请查看正式作业文档的更多信息：

Pod中的容器可能会由于多种原因而失败，例如，其中的进程以非零退出代码退出，或者容器因超过内存限制而被终止

您可以使用作业规范

.spec.template.spec.restartPolicy = "OnFailure"

因此，使用该吊舱将留在系统中，容器将重新运行

---

有关还检查正式作业文档的更多信息：

Apache Flink的容错机制基于定期检查点，可以保证一次状态一致性，即从故障中恢复后，状态一致，与从未发生故障的状态相同（当然假设确定性应用逻辑）

为了实现这一点，Flink定期拍摄应用程序状态（所谓的检查点）的一致快照。如果出现故障，整个应用程序将重置为最新的竞争检查点。为此，Flink（直到Flink 1.8）始终重新启动整个应用程序。失败是终止工作进程的任何原因，包括应用程序失败、JVM OOM、终止容器、硬件故障等

---

在Flink 1.9（一周前发布，请参阅）中，Flink添加了所谓的故障转移区域（请参阅），这可以减少重新启动的任务数。对于连续流式应用程序，这仅适用于应用程序没有混洗（按键、广播、分区等）的情况操作。在这种情况下，只有受影响的管道重新启动，所有其他管道继续处理数据。

Apache Flink的容错机制基于定期检查点，可以保证一次状态一致性，即从故障中恢复后，状态一致，就好像从未发生故障一样佩内德（当然假设确定性应用逻辑）

为了实现这一点，Flink定期拍摄应用程序状态（所谓的检查点）的一致快照。如果出现故障，整个应用程序将重置为最新的竞争检查点。为此，Flink（直到Flink 1.8）始终重新启动整个应用程序。失败是终止工作进程的任何原因，包括应用程序失败、JVM OOM、终止容器、硬件故障等

---

在Flink 1.9（一周前发布，请参阅）中，Flink添加了所谓的故障转移区域（请参阅），这可以减少重新启动的任务数。对于连续流式应用程序，这仅适用于应用程序没有混洗（按键、广播、分区等）的情况操作。在这种情况下，只有受影响的管道重新启动，所有其他管道继续处理数据。

运行Flink作业之前，您应该执行容量计划，否则，您将经常遇到OOM问题，在kubernetes环境中，您应该计算作业将消耗多少内存并设置资源.requests.memory如果部署的资源.requests.memory远低于您的工作实际成本，则部署的限制.memory会高于部署的资源.requests.memory，这也会导致您的工作失败。

运行Flink jobs你应该事先做一个容量计划，否则，你会经常遇到OOM问题，在kubernetes环境中，你应该计算你的工作将花费多少内存，并设置部署的资源.限制.内存，以及资源.请求.内存，如果e资源。请求。内存远低于您的作业实际成本。您的Pod将处于退出状态，这也会导致您的作业失败。

如果我通过flink CLI提交作业，重新启动整个作业是否对CLI透明？或者我必须重新提交它？我观察到，CLI将以非0，我必须重新提交。事实上，我在日志中看到此错误消息：无法重新启动作业字数示例（5A503E6233D3D2D82021547CCB9A4 BCC6）因为重新启动策略阻止了它。谢谢！很高兴在这里见到你，我正在阅读你关于Flink的书，我从中学到了很多，干得好！如果我通过Flink CLI提交作业，重新启动整个作业对CLI是透明的吗？还是我必须重新提交它？我观察到的是，CLI以非0退出，我必须重新提交。实际上，我看到了这一点日志中的错误消息：无法重新启动job WordCount示例（5A503E6233D3D2D82021547CCB9A4 BCC6），因为重新启动策略阻止了它。谢谢！很高兴在这里看到你，我正在阅读你关于Flink的书，我从中学到了很多，很棒！