【大数据】Flink运行时架构，任务提交流程，调度原理详细指南，包括脑图总结（建议收藏哦）

总览

• Flink运行时的组件
• 任务提交流程
• 任务调度原理

Flink脑图总结

Flink运行时的组件

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会负责所有需要中央协调的操作，比如说检查点(checkpoints)的 协调。

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。

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。

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。

任务提交流程

• 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)

  

• 默认情况下，Flink 允许子任务共享 slot，即使它们是不同任务的子任务。 这样 的结果是，一个 slot 可以保存作业的整个管道。

• Task Slot 是静态的概念，是指 TaskManager 具有的并发执行能力

• 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 stream 的并行度，可以认为就是其所有算子中最大的并行度。

程序与数据流（DataFlow）

• 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

  

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。

并行度

Flink 程序的执行具有并行、分布式的特性
在执行的过程中，一个流（stream）包含了一个或多个分区（stream partition），而每一个算子（operator）可以包含一个或多个子任务（operator subtask），这些子任务在不同的线程、不同的物理机或不同的容器中彼此互不依赖地执行。
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。

数据传输形式

• 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

希望对正在查看文章的您有所帮助，记得关注、评论、收藏，谢谢您