1、系统架构（以Standalone会话模式为例）
1、作业管理器（JobManager）
JobManager是一个Flink集群中任务管理和调度的核心，是控制应用执行的主进程。也就是说，每个应用都应该被唯一的JobManager所控制执行。
JobManager又包含三个不同的组件
（1）JobMaster
JobMaster是JobManager中最核心的组件，负责处理单独的作业（Job）。所以JobMaster和具体的Job是一一对应的，多个Job可以同时运行在一个Flink集群中，每个Job都有一个自己的JobMaster。需要注意的是，在早期的Flink中，没有JobMaster的概念，而JobManager的概念范围比较小，实际指的就是现在所说的JobMaster。
在作业提交的时候，JobMaster会先接受到要执行的应用。JobMaster会把JobGraph转换成一个物理层面的数据流图，这个图就叫作“执行图”（ExecutionGraph），它包含了所有可以并发执行的任务。JobMaster会向资源管理器（ResourceManager）发出请求，申请执行任务必要的资源。一旦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，JobMaster会负责所有需要中央协调的操作，比如说检查点（Checkpoint）的协调。
（2）资源管理器（ResourceManager）
ResourceManager主要负责资源的分配和管理，在Flink集群中只有一个。所谓资源，主要是指TaskManager的任务槽（Slot）。任务槽就是Flink集群中的资源调度单元，包含了机器用来执行计算的一组CPU和内存资源。每一个任务（Task）都需要分配到一个Slot上执行。
这里主要要把FLink内置的ResourceManager和其他资源平台的（比如YARN）的ResourceManager区分开。
（3）分发器（Dispatcher）
Dispatcher主要负责提供一个Rest接口，用来提交应用，并且负责为每一个新提交的作业启动一个新的JobMaster组件。Dispatcher也会启动一个Web UI，用来方便展示和监控作业执行的信息。Dispatcher在架构中不是必须的，在不同的部署模式下可能会被忽略掉。
2、任务管理器（TaskManager）
TaskManager是Flink中的工作进程，数据流的具体计算就是它来做的。Flink集群中必须至少有一个TaskManager；每一个TaskManager都包含了一定数量的任务槽（task slots）。Slot是资源调度的最小单位，Slot的数量限制了TaskManager能够并行处理的任务数量。
启动之后，TaskManager会向资源管理器注册它的slots；收到资源管理器的指令之后，TaskManager就会将一个或者多个槽位通过JobMaster调用，JobMaster就可以分配任务来执行了。
在执行过程中，TaskManager可以缓冲数据，还可以跟其他运行同一应用的TaskManager交换数据。
2、核心概念
2.1 并行度（Parallelism）
1、并行子任务和并行度
当要处理的数据量非常大的时候，我们可以把一个算子操作，复制多份到多个节点，数据来了之后就可以到其中任意一个执行。这样一来，一个算子任务就被拆分了多个并行的‘子任务’（subTasks），再将它们分发到不同节点，就真正实现了并行计算。
在Flink执行过程中，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完全独立的执行。
一个特定算子的子任务（subtask）的个数被称之为其并行度（Parallelism）。
原文链接：https://blog.csdn.net/qq_44804713/article/details/132773473
这样，包含并行子任务的数据流，就是并行数据流，它需要多个分区（Stream Partition）来分配并行任务。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。
例如：如上图所示，当前数据流中有Source、map、window、sink四个算子，其中sink的并行度是1，其他算子的并行度都是2,。所以这段流处理程序的并行度就是2。
2、并行度的设置
在Flink中，可以用不同的方法来设置并行度，它们的有效范围和优先级别也是不同的。
（1）代码中设置我们在代码中，可以很简单的在算子后面跟着调用setParallelism()方法，来设置当前算子的并行度；
stream.map(word -> Tuple2.of(word, 1L)).setParallelism(2); • 1
这种方式设置的并行度只针对当前算子有效。
另外，我们也可以直接调用执行环境的setParallelism()方法，全局设置并行度 ；
env.setParallelism(2); • 1
这样代码中所有算子，默认的并行度就都为2了。我们一般不会在程序中设置全局并行度，因为如果在程序中对全局并行度进行硬编码，会导致无法动态扩容。
这里要注意的是，由于keyBy不是普通算子，所以无法·1对keyBy设置并行度。
（2）提交应用时设置
在使用flink run命令提交应用时，可以增加-p参数来指定当前应用程序执行的并行度，它的作用类似于执行环境的全局设置；
bin/flink run –p 2 –c com.zhm.wc.SocketStreamWordCount ./FlinkTutorial-1.0-SNAPSHOT.jar • 1 • 2
（3）配置文件中设置
我们还可以直接在集群的配置文件flink-conf.yaml中直接更改默认并行度；
parallelism.default: 2 • 1
这个设置对于整个集群上提交的所有作业有效，初始值为1.无论在代码中设置、还是提交时的-p参数都不是必须的；所以在没有指定并行度的时候，就会采用配置文件中的集群默认并行度。在开发环境中，没有配置文件，默认并行度就是当前集群的cpu核心数。
优先级是：算子后面>代码中env设置>提交应用时>配置文件中>当前机器的CPU核心数
2.2 算子链（Operator Chain）
1、算子间的数据传输
一个数据流在算子之间传输数据的形式可以是一对一（one to one ）的直通（forwarding）模式，也可以是打乱的重分区（redistributing）模式，具体是哪一种形式，取决于算子的种类。
（1）一对一（one to one ,forwarding）
这种模式下，数据流维护着分区以及元素的顺序。比如图中的Source和map算子，Source算子读取数据之后，可以直接发送给map算子处理，它们之间不需要重新分区，也不需要调整数据的顺序。这就意味着map算子的子任务，看到元素个数和顺序跟Source算子的子任务产生的完全一样，保证着一对一的关系。map、filter、flatMap等算子都是这种one to one 的对应关系。这种关系类似于Spark中的窄依赖。
（2）重分区（Redistributing）
在这种模式下，数据流的分区会发生改变。比如图中的map和后面的keyBy/window算子之间，以及keyBy/window算子和Sink算子之间都是这样的关系。
每一个算子的子任务会根据数据传输的策略，把数据发送到不同的下游目标任务。这些传输方式都会引起重分区的过程，这一过程类似于Spark中的shuffle。
2、合并算子链
在Flink中，并行度相同的一对一（one to onr ）算子操作，可以直接链接在一起形成一个“大”的任务（Task），这样原来的算子就成为了真正任务里的一部分，如下图所示。每个task会被一个线程执行。这样的技术被称为“算子链”（Operator Chain）。
上图中Source和map之间满足了算子链的要求，所以可以直接合并在一起，形成了一个任务；因为并行度是2，所以合并后的任务也有两个并行子任务。这样，这个数据流图所表示的作业最终会有5个任务，由5个线程并行执行。
将算子链接成task是非常有效的优化；可以减少线程之间的切换和基于缓冲区的数据交换，在减少时延的同时提升吞吐量。
Flink默认会按照算子链的原则进行链接合并，如果我们需要禁止合并或者自行定义，也可以在代码中对算子做一些·特定的设置：
// 禁用算子链 .map(word -> Tuple2.of(word, 1L)).disableChaining(); // 从当前算子开始新链 .map(word -> Tuple2.of(word, 1L)).startNewChain() • 1 • 2 • 3 • 4 • 5
2.3 任务槽（Task Slots）
1、任务槽（Task Slots）
Flink中每一个TaskManager都是一个JVM进程，它可以启动多个独立的线程，来并行执行多个子任务。
很显然，TaskManager的计算资源是有限的，并行的任务越多，每个线程的资源就会越少。那一个TaskManager到底能并行处理多少个任务呢？为了控制并发量，我们需要再TaskManager上对每个任务运行所占用的资源做出明确的划分，这就是所谓的任务槽（task slots）。
每个任务槽（task slot）其实表示了TaskManager拥有计算资源的一个固定大小的子集。这些资源就是用来独立执行一个子任务的。
2、任务槽数量的设置
在Flink的/opt/module/flink-1.17.0/conf/flink-conf.yaml配置文件中，可以设置TaskManager的slot数量，默认是1个slot。
taskmanager.numberOfTaskSlots: 8 • 1
需要注意的是，slot目前仅仅用来隔离内存的，不会涉及CPU的隔离。在具体应用时，可以将slot数量配置为机器的CPU核心数，尽量避免不同任务之间对CPU的竞争。这也是开发环境默认并行度设为机器CPU数量的原因。
3、任务对任务槽的共享
默认情况下，Flink是运行子任务共享slot的。如果我们保持sink任务并行度为不变，而提交作业时设置全局并行度为6，那么前两个任务节点就会各自有6个并行子任务，整个流处理程序则有13个子任务。如上图所示，只要属于同一个作业，那么对于不同任务节点（算子）的并行子任务，就可以放到同一个slot上执行。所以对于第一个任务节点Source->map，它的6个并行子任务必须分配到不同的slot上，而第二个任务节点keyBy/window/apply的并行子任务却可以和第一个任务节点共享slot。
当我们将资源密集型和非密集型的任务同时放到一个slot中，它们就可以自习分配对资源占用的比例，从而保证最重的活平均分配给所有的TaskManager。
slot共享另一个好处就是允许我们保存完整的作业管道。这样一来，即使某个TaskManager出现故障宕机，其他节点也可以完全不受影响，作业的任务可以继续执行。
当然，Flink默认是允许slot共享的，如果希望某个算子对应的任务完全独占一个slot，或者只有某一部分算子共享slot，我们也可以通过设置“slot共享组”手动指定：
.map(word -> Tuple2.of(word, 1L)).slotSharingGroup("1"); • 1
这样，只有属于同一个slot共享组的子任务，才会开启slot共享；不同组之间的任务是完全隔离的，必须分配到不同的slot上。在这种场景下，总共需要的slot数量，就是各个slot共享组最大并行度的总和。
2.4 任务槽和并行度的关系
任务槽和并行度都跟程序的并行执行有关，但两者是完全不同的概念。简单来说任务槽式静态的概念，是指是指TaskManager具有的并发执行能力，可以通过参数taskmanager.numberOfTaskSlots进行配置；而并行度是动态概念，也就是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。
举例说明：假设一共有3个TaskManager，每一个TaskManager中的slot数量设置为3个，那么一共有9个task slot，表示集群最多能并行执行9个同一算子的子任务。
而我们定义word count程序的处理操作是四个转换算子：
source→ flatmap→ reduce→ sink
当所有算子并行度相同时，容易看出source和flatmap可以合并算子链，于是最终有三个任务节点。
通过这个例子也可以明确看出，整个流处理程序的并行度，就应该是所有算子并行度中最大的那个，这代表了运行程序所需要的slot数量
3、作业提交流程
3.1 Standalone会话模式作业提交流程
3.2 逻辑流图/作业图/执行图/物理流图
我们已经彻底了解了由代码生成任务的过程，现在来做个梳理总结。
逻辑流图(Stream Graph)->作业图(JobGraph)->执行图(ExecutionGraph)->物理图(Physical Graph)。
1、逻辑流图（StreamGraph）
这是根据用户通过 DataStream API编写的代码生成的最初的DAG图，用来表示程序的拓扑结构。这一步一般在客户端完成。
2、作业图（JobGraph）
StreamGraph经过优化后生成的就是作业图（JobGraph），这是提交给 JobManager 的数据结构，确定了当前作业中所有任务的划分。主要的优化为：将多个符合条件的节点链接在一起合并成一个任务节点，形成算子链，这样可以减少数据交换的消耗。JobGraph一般也是在客户端生成的，在作业提交时传递给JobMaster。
我们提交作业之后，打开Flink自带的Web UI，点击作业就能看到对应的作业图。
3、执行图（ExecutionGraph）
JobMaster收到JobGraph后，会根据它来生成执行图（ExecutionGraph）。ExecutionGraph是JobGraph的并行化版本，是调度层最核心的数据结构。与JobGraph最大的区别就是按照并行度对并行子任务进行了拆分，并明确了任务间数据传输的方式。
4、物理图（PhysicalGraph）
JobMaster生成执行图后，会将它分发给TaskManager；各个TaskManager会根据执行图部署任务，最终的物理执行过程也会形成一张“图”，一般就叫作物理图（Physical Graph）。这只是具体执行层面的图，并不是一个具体的数据结构。
物理图主要就是在执行图的基础上，进一步确定数据存放的位置和收发的具体方式。有了物理图，TaskManager就可以对传递来的数据进行处理计算了。
3.3 Yarn应用模式作业提交流程
