01 引言
在前面的博客，我们运行了简单的Flink案例了，有兴趣的同学可以参阅下：
本文简单讲解Flink的原理。
02 Flink角色
在实际生产中，Flink 都是以集群在运行，在运行的过程中包含了两类进程。
Flink有如下角色：
- JobManager：它扮演的是集群管理者的角色，负责调度任务、协调
checkpoints、协调故障恢复、收集Job的状态信息，并管理Flink集群中的从节点TaskManager； - TaskManager：实际负责执行计算的
Worker，在其上执行Flink Job的一组Task；TaskManager还是所在节点的管理员，它负责把该节点上的服务器信息比如内存、磁盘、任务运行情况等向JobManager汇报。 - Client：用户在提交编写好的
Flink工程时，会先创建一个客户端再进行提交，这个客户端就是Client。
03 Flink执行流程
3.1 Standalone版本
3.2 on yarn
上述流程:
Client向HDFS上传Flink的Jar包和配置 ;Client向Yarn ResourceManager提交任务并申请资源;ResourceManager分配Container资源并启动ApplicationMaster,然后AppMaster加载Flink的Jar包和配置构建环境,启动JobManager;ApplicationMaster向ResourceManager申请工作资源,NodeManager加载Flink的Jar包和配置构建环境并启动TaskManager;TaskManager启动后向JobManager发送心跳包，并等待JobManager向其分配任务。
04 Flink Streaming Dataflow
4.1 Flink相关词汇
官网关于Flink的词汇表：https://ci.apache.org/projects/flink/flink-docs-release-1.11/concepts/glossary.html#glossary
- Dataflow：
Flink程序在执行的时候会被映射成一个数据流模型 - Operator：数据流模型中的每一个操作被称作
Operator，Operator分为：Source/Transform/Sink - Partition：数据流模型是分布式的和并行的,执行中会形成
1~n个分区 - Subtask：多个分区任务可以并行,每一个都是独立运行在一个线程中的,也就是一个
Subtask子任务 - Parallelism：并行度,就是可以同时真正执行的子任务数/分区数
4.2 Operator传递模式
数据在两个Operator(算子)之间传递的时候有两种模式：
- One to One模式：两个
operator用此模式传递的时候，会保持数据的分区数和数据的排序；如上图中的Source1到Map1，它就保留的Source的分区特性，以及分区元素处理的有序性。 - Redistributing 模式：这种模式会改变数据的分区数 ，每个一个
operator subtask会根据选择transformation把数据发送到不同的目标subtasks，比如keyBy()会通过hashcode重新分区，broadcast()和rebalance()方法会随机重新分区。
4.3 Operator Chain
客户端在提交任务的时候会对Operator进行优化操作，能进行合并的Operator会被合并为一个Operator，合并后的Operator称为Operator chain，实际上就是一个执行链，每个执行链会在TaskManager上一个独立的线程中执行–就是SubTask。
4.4 任务槽与槽共享
4.4.1 任务槽(TaskSlot)
每个TaskManager是一个JVM的进程，为了控制一个TaskManager(worker)能接收多少个task，Flink通过Task Slot来进行控制。
TaskSlot数量是用来限制一个TaskManager工作进程中可以同时运行多少个工作线程;TaskSlot是一个TaskManager中的最小资源分配单位;- 一个
TaskManager中有多少个TaskSlot就意味着能支持多少并发的Task处理。
Flink将进程的内存进行了划分到多个slot中，内存被划分到不同的slot之后可以获得如下好处:
TaskManager最多能同时并发执行的子任务数是可以通过TaskSolt数量来控制的；TaskSolt有独占的内存空间，这样在一个TaskManager中可以运行多个不同的作业，作业之间不受影响。
4.4.2 槽共享(Slot Sharing)
Flink允许子任务共享插槽，即使它们是不同任务(阶段)的子任务(subTask)，只要它们来自同一个作业。
比如上图图左下角中的map和keyBy和sink 在一个 TaskSlot里执行以达到资源共享的目的。
允许插槽共享有两个主要好处：
- 资源分配更加公平，如果有比较空闲的
slot可以将更多的任务分配给它； - 有了任务槽共享，可以提高资源的利用率。
注意:
slot是静态的概念，是指taskmanager具有的并发执行能力；parallelism是动态的概念，是指程序运行时实际使用的并发能力。
05 Flink运行时组件
Flink运行时架构主要包括四个不同的组件，它们会在运行流处理应用程序时协同工作：
- 作业管理器（JobManager）：分配任务、调度
checkpoint做快照 - 任务管理器（TaskManager）：主要干活的
- 资源管理器（ResourceManager）：管理分配资源
- 分发器（Dispatcher）：方便递交任务的接口，
WebUI
因为Flink是用Java和Scala实现的，所以所有组件都会运行在Java虚拟机上，每个组件的职责如下：
5.1 作业管理器（JobManager）
- 控制一个应用程序执行的主进程，也就是说，每个应用程序都会被一个不同的
JobManager所控制执行。 JobManager 会先接收到要执行的应用程序，这个应用程序会包括：作业图（JobGraph）、逻辑数据流图（logical dataflow graph）和打包了所有的类、库和其它资源的JAR包；JobManager会把JobGraph转换成一个物理层面的数据流图，这个图被叫做“执行图”（ExecutionGraph），包含了所有可以并发执行的任务；JobManager会向资源管理器（ResourceManager）请求执行任务必要的资源，也就是任务管理器（TaskManager）上的插槽（slot），一旦它获取到了足够的资源，就会将执行图分发到真正运行它们的TaskManager上，而在运行过程中，JobManager会负责所有需要中央协调的操作，比如说检查点（checkpoints）的协调。
5.2 任务管理器（TaskManager）
Flink中的工作进程，通常在Flink中会有多个TaskManager运行，每一个TaskManager都包含了一定数量的插槽（slots）。插槽的数量限制了TaskManager能够执行的任务数量。- 启动之后，
TaskManager会向资源管理器注册它的插槽；收到资源管理器的指令后，TaskManager就会将一个或者多个插槽提供给JobManager调用。JobManager就可以向插槽分配任务（tasks）来执行了。 - 在执行过程中，一个
TaskManager可以跟其它运行同一应用程序的TaskManager交换数据。
5.3 资源管理器（ResourceManager）
- 主要负责管理任务管理器（
TaskManager）的插槽（slot），TaskManger插槽是Flink中定义的处理资源单元。 Flink为不同的环境和资源管理工具提供了不同资源管理器，比如YARN、Mesos、K8s，以及standalone部署。- 当
JobManager申请插槽资源时，ResourceManager会将有空闲插槽的TaskManager分配给JobManager。如果ResourceManager没有足够的插槽来满足JobManager的请求，它还可以向资源提供平台发起会话，以提供启动TaskManager进程的容器。
5.4 分发器（Dispatcher）
- 可以跨作业运行，它为应用提交提供了
REST接口； - 当一个应用被提交执行时，分发器就会启动并将应用移交给一个
JobManager； Dispatcher也会启动一个Web UI，用来方便地展示和监控作业执行的信息；Dispatcher在架构中可能并不是必需的，这取决于应用提交运行的方式。
06 Flink执行图（ExecutionGraph）
由Flink程序直接映射成的数据流图是StreamGraph，也被称为逻辑流图，因为它们表示的是计算逻辑的高级视图，为了执行一个流处理程序，Flink需要将逻辑流图转换为物理数据流图（也叫执行图），详细说明程序的执行方式。
Flink 中的执行图可以分成四层：StreamGraph -> JobGraph -> ExecutionGraph -> 物理执行图：
6.1 原理
Flink执行executor会自动根据程序代码生成DAG数据流图；
Flink 中的执行图可以分成四层：StreamGraph -> JobGraph -> ExecutionGraph -> 物理执行图：
- StreamGraph ：是根据用户通过
Stream API编写的代码生成的最初的图，表示程序的拓扑结构。 - JobGraph ：
StreamGraph经过优化后生成了JobGraph，提交给JobManager的数据结构。主要的优化为，将多个符合条件的节点chain在一起作为一个节点，这样可以减少数据在节点之间流动所需要的序列化/反序列化/传输消耗。 - ExecutionGraph ：
JobManager根据JobGraph生成ExecutionGraph。ExecutionGraph是JobGraph的并行化版本，是调度层最核心的数据结构。 - 物理执行图 ：
JobManager根据ExecutionGraph对Job进行调度后，在各个TaskManager上部署Task后形成的“图”，并不是一个具体的数据结构。
可以简单理解为：
- StreamGraph：最初的程序执行逻辑流程，也就是算子之间的前后顺序–在
Client上生成； - JobGraph：将
OneToOne的Operator合并为OperatorChain–在Client上生成 - ExecutionGraph：将
JobGraph根据代码中设置的并行度和请求的资源进行并行化规划!–在JobManager上生成 - 物理执行图：将
ExecutionGraph的并行计划,落实到具体的TaskManager上，将具体的SubTask落实到具体的TaskSlot内进行运行。
