本文共 3710 字，大约阅读时间需要 12 分钟。

一、Flink运行时的组件

1.1 作业管理器（JobManager）

• 控制一个应用程序执行的主进程，也就是说，每一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）和打包的所有的类、库和其他资源的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

1.2 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就会有一个或多个插槽提供给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

1.3 资源管理器（ResourceManager）

• 主要负责管理任务管理器（TaskManager）的插槽（slot），TaskManager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、Mecos、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

1.4 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也就启动一个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须的，这取决于应用提交运行的方式

二、作业提交流程

三、作业调度原理及思考问题

3.1 任务调度原理

3.2 思考问题

• 怎样实现并行计算？
• 并行的任务，需要占用多少slot？
• 一个流处理程序，到底包含多少个任务？

四、Slot和任务调度

4.1 并行度（Parallelism）

一个特定算子的子任务的个数被称之为其并行度

一般情况下，一个stream的并行度，可以认为就是其所有算子中最大的并行度 设置并行度的方式：

（1）提交作业时可通过 -p 设置并行度（优先级适中）

（2）flink集群默认配置文件中可以修改并行度（优先级低） （3）程序中每个任务都可以通过setParallelism(n)方法设置并行度（优先级高）

4.2 TaskManager 和Slots

4.2.1 基本知识

• Flink中每一个TaskManager都是一个JVM进程，它可能会在独立的线程上执行一个或多个子任务
• 为了控制一个TaskManager能接收多少个task，TaskManager通过 task slot来进行控制（一个TaskManager至少有一个slot）
• slot数量最好是按电脑的CPU核数设置（默认）

4.2.2 一个slot允许多个子任务共享

• 默认情况下，Flink允许子任务共享slot，即使他们是不同的子任务。这样的结果是，一个slot可以保存作业的整个管道
• Task Slot是静态的概念，是指TaskManager具有的并发执行能力
• 同时执行的子任务必须在不同的slot中，有先后执行顺序的子任务可以在同一个slot中

4.2.3 代码中允许指定slot共享组

可以在每一个子任务后面使用 slotSharingGroup(“group1”) 方法指定该任务属于哪一个slot共享组。属于同一组的子任务，可以共享同一个slot

// 基于数据流进行转换计算DataStream
   
    
     > resultStream = stringDataStream.flatMap(new WordCount.MyFlatMapper())                .keyBy(0).sum(1).setParallelism(2).slotSharingGroup("group1")                .disableChaining(); // 如果只想控制某两个任务不合并的话，可在两个任务之间使用 disableChaining() 方法
    
   

• 默认共享组是**“default”**，默认后一个任务的共享组与它前一个任务相同。因此，当全部是默认配置时，所有任务均可共享同一个slot
• 并行度是每一个slot共享组最大值相加

4.2.4 并行子任务的分配

资源利用率最高的情况，如下图所示

五、程序结构和数据流图

5.1 程序结构

• 所有的Flink程序都是由三部分组成的：Source、Transformation和Sink
• Source负责读取数据源，Transformation利用各种算子进行处理加工，Sink负责输出

5.2 数据流图

• 在运行时，Flink上运行的程序会被映射成“逻辑数据流”（dataflows），它包含了这三部分
• 每一个dataflow以一个或多个source开始一个或多个sink结束。dataflow类似于任意的有向无环图（DAG）
• 在大部分情况下，程序中的转换运算（transformations）跟dataflow中的算子是一一对应的关系

5.3 执行图（ExecutionGraph）

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。用来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
• 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TasdkManager上部署Task后形成的“图”，并不是一个具体的数据结构

六、数据传输与任务链

6.1 数据传输形式

• 一个程序中，不同的算子可能具有不同的并行度
• 算子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，取决于算子的种类
• one-to-one：stream维护着分区以及元素的顺序（比如source和map之间）这意味着map算子的子任务看到的元素的个数以及顺序跟source算子的子任务生产的元素的个数、顺序相同。map、filter、flapMap等算子都是one-to-one的对应关系
• Redistributing：stream的分区会发生改变。每一个算子的子任务依据所选择的transformation发送数据到不同的目标任务。例如，keyBy基于hashCode重分区，而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

6.2 任务链（Operator Chains）

• Flink采用了一种称为任务链的优化技术，可以在特定条件下减少本地通信的开销。为了满足任务链的要求，必须将两个或者多个算子设为相同的并行度，并通过本地转发（local forward）的方式进行连接
• 相同并行度的one-to-one操作，Flink这样相连的算子链接在一起形成一个task，原来的算子成为里面的subtask
• 并行度相同，并且是one-to-one操作，两个条件缺一不可

转载地址：http://ouxii.baihongyu.com/