一、发展历史
Flink起源于一个名为Stratosphere的研究项目，目的是建立下一代大数据分析平台，于2014年4月16日成为Apache孵化器项目。Stratosphere的最初版本是基于Neffele的研究论文。下面的图表显示了Stratosphere随时间的演化：
二、Flink架构
Flink1.X的架构包括各种组件，比如deploy，core processing和APIs。下图展示了各种组件：
Flink具有分层结构，其中每个组件是特定层的一部分。每层建立在其他的顶部，用于清晰的抽象。Flink被设计为可以在local、yarn以及cloud上运行。Runtime是Flink的核心数据处理引擎，通过以JobGraph形式的APIs接收program，JobGraph是一个简单的并行数据流。
DataStrame和DataSet API是程序员可以用来定义Job的接口。在编译程序时，这些API会生成JobGraph。一但编译后，DataSet API允许优化器生成最佳执行计划。然后根据部署模型将优化的JobGraph提交给执行者。您可以选择本地、远程或yarn部署模式。如果你有一个Hadoop集群已经运行，可以使用yarn的部署模式。
三、Flink分布式执行过程
Flink分布式执行包括两个重要的进程，即master和worker。当一个flink程序执行时，会有许多的进程参与执行，分别为Job Manager、Task Manager和Job Client。下图展示了Flink程序的执行过程：
Flink的程序需要提交到Job Client。Job Client然后提交作业到Job Manager，Job Manager负责资源分配和作业执行。Job Manager首先做的事情是分配需要的资源，一旦资源分配完成，task会被提交到各自的Task Manager。在接收的task上，Task Manager会初始化一个线程用来启动执行(Execution),当execution准备就绪，Task Manager会持续向Job Manager报告状态改变(比如启动execution，运行execution，执行结束)，一旦作业执行结束，执行的结果会被发送到Client。
JobManager
master节点的进程，称之为JobManager，协调和管理程序的execution，主要的作用包括：调度task，管理checkpoint，失败恢复等等。Job Manager包括以下三个非常重要的组件：
(1)Actor system:一个容器，提供调度，配置，登录等服务
(2)Scheduler：在Flink中Executors被称之为task slots，每个Task Manager需要管理一个或多个task slot。在内部，Flink决定哪些task需要共享slot，哪些task需要被分配到相应的slot中，主要是由SlotSharingGroup 和 CoLocationGroup实现这种操作
(3)Check pointing：容错机制
Task Manager
Task Manager是worker节点，用来在JVM中执行一个或多个线程，task执行的并行度取决于每个TaskMamager的可用的task slot(槽)的数量，在同一个slot的线程共享同一个JVM，在同一个JVM中的他上课共享TPC连接和心跳信息。
Job Client
Job Client不是Flink程序执行的内部组成部分，而是执行的开始。Job Client负责接收应用程序，然后创建数据流，最后提交数据流到Job Manager。一旦执行完成，Job Client会将结果返回给用户。
一个数据流是一个执行计划，以下面的wordcount为例：
当client接收到程序后，会将其转换为数据流，上述代码的数据流如下图所示：
数据流直接从源到map操作不需要shuffle数据，但是对于GroupBy操作，Flink需要根据key重新分布数据。如下图：
