Flink的Job启动Driver端(源码分析)

整个flink的job启动是通过在driver端通过用户的envirement的execute()方法将用户的算子转化成streamgraph

然后得到jobgraph通过远程rpc将这个jobgraph提交到jobmanager对应的接口

jobmanager转化成executiongraph.deploy()，然后生成tdd发给taskmanager，然后整个job就启动起来了

这里来看一下driver端的实现从用户的envirement.execute()方法作为入口

这里的envirement分为

remotestreamenvironment

localstreamenvironment

因为local模式比较简单这里就不展开了，主要是看下remotestreamenvironment的execute方法

可以看到这里先获取到了streamgraph,具体获取的实现

这里传入了一个transformations其中就包含了我们用户的所有operator

这个地方就是遍历了用户端所有的operator生成streamgraph,遍历的每一个算子具体转化成streamgraph的逻辑

1处会递归遍历input直到input已经transfor，然后拿到了上游的ids

然后将operator加入到了streamgraph中调用addnode()方法将operator作为一个node，包含了一些信息，上下游的类型，并行度，soltgroup

最后遍历上游的ids，创建边添加到streamgraph

到这里streamgraph就创建完成了

回到最开始的地方，创建完streamgraph以后，会将streamgraph传入executeremotely(streamgraph, jarfiles)这个方法，这里就是streamgraph转化成jobgraph的逻辑

其中创建了一个restclusterclient

可以看到这里，通过getjobgraph方法将streamgraph转换成了jobgraph

然后就submitjob将这个jobgraph提交jobmanager了

先看一下streamgraph如何转化成jobgraph的

通过getjobgraph方法然后

这个createjobgraph方法是主要的转化逻辑

广度优先遍历为所有streamgraph的node 即operator生成hash散列值，为什么要生成这个operator的hash？

因为这个hash需要作为每一个operator的唯一标示，标示每一个operator用于cp的恢复，当用户代码没有修改时，这个hash值是不会改变的

接下来

这里会将flink中上下游的operator操作根据是否满足chain条件链在一起，在createchian中

这个ischainable()方法就是是否可以chain的判断条件

1.下游的输入边只有一条

2.下游操作operator不为空

3.上游操作operator不为空

4.上游必须有相同的solt组

5.下游chain策略为always

6.上游chain策略为head或上游chain策略为always

7.forwardpartition的边

8.上下游并行度相同

9.用户代码设置的operator是否可以chian

 

将可以chain的streamnode 链在一起以后就可以创建成为jobgraph的jobvertex了

然后通过restclusterclient会将这个jobgraph往jobmanager的dispatcher对应的rpc接口上面发送

整个job的启动driver端的任务就结束了

 

总结：

　　在driver端用户的算子会被创建成为streamgraph,其中包含了一些边，角，上下游类型，并行度等一些信息

　　然后将streamgraph通过一些chain条件将可以chain的顶点chain在了一起转化成了jobgraph

　　streamedge变成了jobedge,chain在一起的streamnode变成了jobvertex

　　最后然后通过rpc将整个jobgraph向jobmanager提交。