Flink执行原理

1. Flink名词介绍

1. Dataflow：Flink程序在执行时会被Flink系统映射成数据流模型，这个数据流模型就叫Dataflow.
   备注：Flink就是通过数据流模型对Operator进行优化。
2. Operator：数据流模型中的每个操作被称作Operator,Operator分为Source Operator、Transformation Operator、Sink Operator。
3. Partition：数据流模型是分布式和并行的，执行过程中会形成1—n个分区。
4. Subtask：多个分区任务可以并行的，每个都是运行在一个线程中，也就是Subtask子任务。
5. Parallelism：并行度，就是可以同时真正执行的子任务数/分区数。

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：

1. One to One 模式：一对一模式，分区内的数据是一一对应的，也就是没有shuffle的
2. Redistributing模式：重分布模式，分区内的数据会重新分布，也就是有shuffle的

2. Operator Chain

客户端在提交任务的时候会根据Dataflow对Operator进行优化操作，能进行合并的Operator会被合并为一个OperatorChain（执行链），每个OperatorChain会在TaskManager上一个独立的线程中，也就是SubTask.

*备注： *只有OneToOne的才可以合并。

3.TaskSlot And Slot Sharing

• TaskSlot任务槽

1. TaskSlot任务槽就是运行任务的线程槽，有多少个TaskSlot就表示该TaskManager可以同时运行多少个SubTask / 线程。
2. 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SubTask / 线程，TaskSlot是一个TaskManager中的最小资源分配单位，一个TaskManager中有多少TaskSlot就意味着能支持多少并发Task处理。
3. Flink将进程的内存进行划分到多个TaskSlot中，内存被划分到不同的TaskSlot之后可以有如下好处：

• TaskManager最多能同时并发的子任务数是可以通过TaskSlot 数量来控制的。

• TaskSlot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

备注： 这其实也就是在进程中增加线程概念的优点。

• Slot Sharing任务槽共享

1. Slot Sharing任务槽共享就表示线程执行完之后，任务槽不会被立即销毁或者回收，而是可以继续给下一个SubTask使用。
2. Flink允许子任务共享插槽，即使他们是不同阶段的SubTask,只要他们是来自同一个作业。比如下图中的map 和keyBy和sink在一个TaskSlot里执行以达到资源共享的目的。
3. 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。

备注

1. slot是静态的概念，是指TaskManager具有的并发执行的能力。
2. parallelism是动态的概念，是指程序运行时实际使用的并发能力。

4.Flink执行流程

1. 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
   
2. JobGraph：将OneToOne的Operator合并为OperatorChain–在Client上生成
   
3. 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
   
4. 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。