4.Flink 运行架构
4.1 任务提交流程
Flink 任务提交后，Client 向 HDFS 上传 Flink 的 Jar 包和配置，之后向 Yarn
ResourceManager 提交任务，ResourceManager 分配 Container 资源并通知对应的
NodeManager 启动 ApplicationMaster，ApplicationMaster 启动后加载 Flink 的 Jar 包
和配置构建环境，然后启动 JobManager，之后 ApplicationMaster 向 ResourceManager
申请资源启动 TaskManager ， ResourceManager 分 配 Container 资 源 后 ， 由
ApplicationMaster 通 知 资源所在节点的 NodeManager 启 动 TaskManager ，
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。
4.2 TaskManager（Worker） 与 Slots
每一个 TaskManager（Worker）是一个 JVM 进程，它可能会在独立的线程上执行一个或
多个 subtask。为了控制一个 worker 能接收多少个 task，worker 通过 task slot 来进
行控制（一个 worker 至少有一个 task slot）。·
每个 task slot 表示 TaskManager 拥有资源的一个固定大小的子集。假如一个
TaskManager 有三个 slot，那么它会将其管理的内存分成三份给各个 slot。资源 slot
化意味着一个 subtask 将不需要跟来自其他 job 的 subtask 竞争被管理的内存，取而
代之的是它将拥有一定数量的内存储备。需要注意的是，这里不会涉及到 CPU 的隔
离，slot 目前仅仅用来隔离 task 的受管理的内存。
通过调整 task slot 的数量，允许用户定义 subtask 之间如何互相隔离。如果一
个 TaskManager 一个 slot，那将意味着每个 task group 运行在独立的 JVM 中（该 JVM
可能是通过一个特定的容器启动的），而一个 TaskManager 多个 slot 意味着更多的
subtask 可以共享同一个 JVM。而在同一个 JVM 进程中的 task 将共享 TCP 连接（基
于多路复用）和心跳消息。它们也可能共享数据集和数据结构，因此这减少了每个
task 的负载。
Task Slot 是静态的概念，是指 TaskManager 具有的并发执行能力，可以通过
参数 taskmanager.numberOfTaskSlots 进行配置，而并行度 parallelism 是动态概念，
即 TaskManager 运行程序时实际使用的并发能力，可以通过参数 parallelism.default
进行配置。
也就是说，假设一共有 3 个 TaskManager，每一个 TaskManager 中的分配 3 个
TaskSlot，也就是每个 TaskManager 可以接收 3 个 task，一共 9 个 TaskSlot，如果我
们设置 parallelism.default=1，即运行程序默认的并行度为 1，9 个 TaskSlot 只用了 1
个，有 8 个空闲，因此，设置合适的并行度才能提高效率。
4.3 Dataflow
Flink 程序由 Source、Transformation、Sink 这三个核心组件组成，Source 主要负责数据
的读取，Transformation 主要负责对属于的转换操作，Sink 负责最终数据的输出，在各个组
件之间流转的数据称为流（streams）。
Flink 程序的基础构建模块是 流（streams） 与 转换（transformations）（需要
注意的是，Flink 的 DataSet API 所使用的 DataSets 其内部也是 stream）。一个 stream
可以看成一个中间结果，而一个 transformations 是以一个或多个 stream 作为输入的
某种 operation，该 operation 利用这些 stream 进行计算从而产生一个或多个 result
stream。
在运行时，Flink 上运行的程序会被映射成 streaming dataflows，它包含了
streams 和 transformations operators。每一个 dataflow 以一个或多个 sources 开始
以一个或多个 sinks 结束，dataflow 类似于任意的有向无环图（DAG）。
4.4 并行数据流
Flink 程序的执行具有并行、分布式的特性。在执行过程中，一个 stream 包含
一个或多个 stream partition ， 而 每 一 个 operator（算子）包 含 一 个 或 多 个 operator
subtask，这些 operator subtasks 在不同的线程、不同的物理机或不同的容器中彼此
互不依赖得执行。
一个特定 operator 的 subtask 的个数被称之为其 parallelism(并行度)。一个
stream 的并行度总是等同于其 producing operator 的并行度。一个程序中，不同的
operator 可能具有不同的并行度。
Stream 在 operator 之间传输数据的形式可以是 one-to-one(forwarding)的模式也
可以是 redistributing 的模式，具体是哪一种形式，取决于 operator 的种类。
One-to-one：stream(比如在 source 和 map operator 之间)维护着分区以及元素
的顺序。那意味着 map operator 的 subtask 看到的元素的个数以及顺序跟 source
operator 的 subtask 生产的元素的个数、顺序相同，map、fliter、flatMap 等算子都是
one-to-one 的对应关系。
Redistributing：这种操作会改变数据的分区个数。每一个 operator subtask 依据
所 选 择 的 transformation 发 送 数 据 到 不 同 的 目 标 subtask。 例 如 ， keyBy() 基 于
hashCode 重分区、broadcast 和 rebalance 会随机重新分区，这些算子都会引起
redistribute 过程，而 redistribute 过程就类似于 Spark 中的 shuffle 过程。
4.5 task 与 operator chains
出于分布式执行的目的，Flink 将 operator 的 subtask 链接在一起形成 task，
每个 task 在一个线程中执行。将 operators 链接成 task 是非常有效的优化：它能减
少线程之间的切换和基于缓存区的数据交换，在减少时延的同时提升吞吐量。链接
的行为可以在编程 API 中进行指定。
下面这幅图，展示了 5 个 subtask 以 5 个并行的线程来执行：
4.6 任务调度流程
客户端不是运行时和程序执行的一部分，但它用于准备并发送 dataflow 给
Master，然后，客户端断开连接或者维持连接以等待接收计算结果，客户端可以以
两种方式运行：要么作为 Java/Scala 程序的一部分被程序触发执行，要么以命令
行./bin/flink run 的方式执行。