4.Flink 运行架构
Flink:史上最详细的介绍(一)[简介]
Flink:史上最详细的介绍(二)[架构体系]
Flink:详细的不能再详细的安装步骤(三)[安装步骤]
Flink:{一，二，三，四}[整体总结]
4.1 任务提交流程
解释：
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 Worker 与 Slots
每一个 worker(TaskManager)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 程序与数据流
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），当然特定形式的环可以通过 iteration 构建。 在大部分情况下，程序中的 transformations 跟 dataflow 中的 operator 是一一对应的关系，但 有时候，一个 transformation 可能对应多个 operator。
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 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：stream(map()跟 keyBy/window 之间或者 keyBy/window 跟 sink 之间)的分 区会发生改变。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：
