程序
- 所有的Flink程序由三部分组成:Source、Transformation、Sink
- Source:读取数据源;Transformation:利用各种算子加工处理;Sink:负责输出
数据流
- 在运行时,Flink上的运行程序会被映射为“逻辑数据流(dataflows)”,包含了三部分
- 每一个dataflows以一个或多个Sources开始以一个或多个Sink结束。dataflows类似于有向无环图
- 在大部分的情况下,程序的转换运算(Transformations)跟dataflow中的算子是一一对应的关系
执行图
- Flink中的执行图可以分为四层:StreamGraph -> JobGraph -> ExecutionGraph -> 物理执行图
- StreamGraph:是根据用户根据通过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合并为一个节点
- ExecutionGraph:JobManager根据JobGraph生成ExecutionGraph。ExecutionGraph是JobGraph的并行版本,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TaskManager上部署Task后形成的“图”,并不是一个具体的数据结构
数据传输形式
- 一个程序中,不同的算子可能有不同的并行度
- 算子之间传输的形式可以是one-to-one(forwarding)的模式也可以是redistributing的模式,具体为哪一种取决于算子的种类
- 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与顺序跟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过程类似于spark中的shuffle过程。
任务链
- Flink采取了一种称为任务链的技术,可以特定条件下减少本地通信的开销。为满足任务链的要求,必须将两个或多个算子设为相同的并行度,并通过本地转发的方式进行连接
- 相同并行度的one-to-one操作,Flink这样的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
- 并行度形同、并且one-to-one操作,两者条件缺一不可