写在前面： 博主是一名大数据的初学者，昵称来源于《爱丽丝梦游仙境》中的Alice和自己的昵称。作为一名互联网小白，写博客一方面是为了记录自己的学习历程，一方面是希望能够帮助到很多和自己一样处于起步阶段的萌新
。由于水平有限，博客中难免会有一些错误，有纰漏之处恳请各位大佬不吝赐教！
尽管当前水平可能不及各位大佬，但我还是希望自己能够做得更好，因为
。我希望一天的生活就是一生的缩影
在最美的年华，做最好的自己
！
通过快速入门Flink的前几篇博客，博主已经为大家介绍了关于Flink的简介与架构体系以及常用几种不同模式的集群搭建过程。。本篇博客，博主为大家带来的是Flink的运行架构的介绍。
码字不易，先赞后看！
文章目录
-
- 1、Flink的运行架构
-
- 1.1 任务提交流程
- 1.2 Worker 与 Slots
- 1.3 程序与数据流
- 1.4 并行数据流
- 1.5 task 与 operator chains
- 小结
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。
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。
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。
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。
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：
联系我们之前学习的SparkStreaming，来看看一些概念名词上的差异。
本篇博客博主为大家详细介绍了Flink的运行架构。下一篇博客，我们将正式上手Flink的实战代码，敬请期待|ू･ω･` )
如果以上过程中出现了任何的纰漏错误，烦请大佬们指正????