Flink学习笔记之三Flink运行架构
目录
四、并行度（Parallelism） --并行执行任务的程度
一、Flink 运行时的组件
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)和打包了所有的类、 库和其它资源的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*协调的操作，比如说检查点(checkpoints) 的协调，就是说隔一段时间我们是不是要做一下存盘，如果出现故障的时候我们要从存盘的那个地方做一个恢复，这个操作是由jobmanager来协调的
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就会将一个或者多个插槽提供给 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。
3、资源管理器(ResourceManager)
• 主要负责管理任务管理器(TaskManager)的插槽(slot)， TaskManger 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、 Mesos、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。
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也会启动一个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需的，这取决于应用提交运行的方式。
二、任务提交流程
1、在standalone平台任务提交流程
2、在YARN平台任务提交流程 --Job模式
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。
三、任务调度原理
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(JobGraph)给 Master(JobManager)，然后，客户端断开连接或者维持连接以等待接收计算结果。
当 Flink 集群启动后，首先会启动一个 JobManger 和一个或多个的 TaskManager。由 Client 提交任务给 JobManager，JobManager 再调度任务到各个 TaskManager 去执行，然后 TaskManager 将心跳和统计信息汇报给 JobManager。 TaskManager 之间以流的形式进行数据的传输。上述三者均为独立的 JVM 进程。
Client 为提交 Job 的客户端，可以是运行在任何机器上(与 JobManager 环境 连通即可)。提交 Job 后，Client 可以结束进程(Streaming 的任务)，也可以不结束并等待结果返回。
JobManager 主要负责调度 Job 并协调 Task 做 checkpoint，职责上很像 Storm 的 Nimbus。从 Client 处接收到 Job 和 JAR 包等资源后，会生成优化后的 执行计划，并以 Task 的单元调度到各个 TaskManager 去执行。
TaskManager 在启动的时候就设置好了槽位数(Slot)，每个 slot 能启动一个 Task，Task 为线程。从JobManager 处接收需要部署的 Task，部署启动后，与自己的上游建立 Netty 连接，接收数据并处理。
思考
1、Flink怎样实现并行计算的？
我们的每一个操作，都可以设置并行度，拆分成并行的几个Task。简单来讲就是设置并行任务，分配到不同的slot上，多线程。
2、并行的任务，到底需要占用多少slot?
和我们的每一步操作所设置的最大并行度有关，例如说我们设置的最大并行度是3，那么即使有7个任务，最终只需要3个slot就可以跑起来。（后面有解释）
3、一个流处理程序，到底包含多少个任务？
代码中写出来的算子调用，到底对应的是几个任务呢？有些对应的操作还可以合并在一起，什么时候可以合并，什么时候不可以合并呢？（后面有解释）
四、并行度（Parallelism） --并行执行任务的程度
一个特定算子的子任务(subtask)的个数被称之为其并行度(parallelism)。
一般情况下，一个流程序的并行度，可以认为就是其所有算子中最大的并行度。一个程序中，不同的算子可能具有不同的并行度。
五、TaskManager和Slots
第四章（上图中），共计有7个任务，但是，有的任务要合并，就合并成了下图中的5个任务。这五个任务到底放在几个slot上呢？最简单的方式就像下图所示，一字排开，每个任务用一个线程来执行，然后就占用一个slot。
但是我们可以思考一下，这个任务真的需要5个slot才能跑起来吗？其实不需要！其实实际执行的时候，它只需要2个slot就能跑起来！默认情况下，Flink是允许子任务进行slot共享的，所谓的共享就是不同的任务，放在一个slot里。前提是，必须是前后发生的不同的任务才能共享一个slot，也就是说，同一个任务并行执行的任务必须执行在不同的slot上。而先后发生的不同的任务，它的子任务可以共享，好处是：
1）在一个slot里面就可以保存整个作业运行的整个管道（pipeline），健壮性可以提升
2）一字排开的做法，每一个任务都分配一个slot，这个slot上就执行这一个线程，会带来一个问题，我们前后发生的不同的任务，他们对于资源的占用不太一样，有些操作是资源密集型的，有些操作就还好，比方说source、map根本不耗费资源，但是后面的开窗很耗费资源，那么数据量很大的时候，就会出现忙的忙死，闲的闲死。那么设置slot共享，就会使得我们slot资源得到充分的利用，就尽可能的减少数据处理过程中的堆积。flink底层是默认可以设置slot共享的。
3）可以通过.slotSharingGroup("string_name")的方式设置共享组，一个共享组内的任务可以共享一个slot，如果涉及到不同的组之间，那么他们就一定会占用不同的slot,那么就一字排开了（如下图）。如果没有设置共享组，默认就是default。
-
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的数量控制着最大的并行度。
-
在当前flink中，每个slot的内存是完全隔离开的，相当于彼此之间互不干扰。
-
尽管slot并不单独分配CPU资源，推荐按照当前TaskManager的CPU核心数量设置slots，这样的话，例如说4核的机器，设置4slot，这样1个slot上一个核心，不用等，相当于独享的状态了。
多个子任务可以共享一个slot（如上图）
六、并行子任务的分配
A4代表，A任务设置了4个并行度。上面的JobGraph只需要4个slot就能执行起来。
所以，算子里面最大的并行度代表着我们当前需要的slot的数量，也就是我们当前同一时间内，正在并行执行的线程数。
wordCount关于并行度、任务分配、solt之间的关系的例子：
有些场景下我们要保证写入的顺序，所以我们可以对每一个算子，调用setParallelism去设置。
七、程序与数据流(DataFlow)
-
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
• 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)
• 在大部分情况下，程序中的转换运算(transformations)跟dataflow中的算子 (operator)是一一对应的关系
八、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 TaskManager 上部署 Task 后形成的“图”，并不是一个具体的数据结构。
思考：在JobGraph中，将StreamGraph中的Keyed Aggregation和Sink任务合并了，那么为什么在满足某些条件的情况下，有些任务可以合并成一个大的任务呢？满足的条件应该是什么呢？
答：这和数据传输形式有关，one-to-one (forwarding) 的模式且并行度相同且在同一个共享组的算子可以合并。
-
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、fliter、flatMap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。
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
图例：
本文地址：https://blog.csdn.net/youhaitao_do/article/details/111015812