目录
参考文章
| 目的 | 链接 |
| taskSlots | Flink任务调度原理之TaskManager 与Slots |
| java8的map、flatmap | 到处是map、flatMap，啥意思？ - 知乎 (zhihu.com) |
| (1条消息) Flink_Trasform算子_dongkang123456的博客-CSDN博客 | |
算子分类
(1) 啥是算子？
source、map、flatmap、keyby.....等transform操作。
(2) 分类
【基本转换算子】：map、flatMap、filter
【聚合操作算子】：keyBy、滚动聚合算子Rolling Aggregation（sum、min、max、minBy、maxBy这些算子是针对KeyedStream的每一个支流做聚合）、reduce
【多流转换算子】：Split和Select （新版均已经移除）、Connect和CoMap、UnionTaskManager和TaskSlots
要点：
（1）同一个SlotGroup的算子能共享同一个slot，不同组则必须另外分配独立的Slot。
（2）考虑到Slot分组，所以，实际运行Job时所需的Slot总数 = 每个Slot组（Slot group）中的最大并行度。在设置Slot时，在所有设置中的最大设置的并行度大小则就是所需要设置的Slot的数量。（如果Slot分组，则需要为每组Slot并行度最大值的和）
（3）最原始的办法，当前TaskManager的CPU逻辑处理器的数量设置slot。
- Flink的JobManager是进程，而每一个worker(即TaskManager)都是一个JVM进程（process），它可能会在独立的线程（线程thread是操作系统能够进行运算调度的最小单位）上执行一个或多个子任务（subtask）。
- 为了控制一个worker(即TaskManager)能接收多少个task，worker通过task slot来进行控制其底下执行的线程（thread）数（一个worker至少有一个task slot）。
- 上图这个每个子任务（subtask）各自占用一个slot。
-
默认情况下，Flink允许子任务（subtask）共享slot，即使它们是不同任务的子任务。这样结果是：一个slot可以保存作业的整个管道（pipeline）。
- 不同任务共享同一个Slot的前提：同一个Job，且这几个任务前后顺序不同，如上图中Source和keyBy是两个不同步骤的任务，先source、map完毕后才keyby，所以可以在同一个Slot执行。
- 一个slot可以保存作业的整个管道的好处：
- 有些slot分配到的子任务非CPU密集型，有些则CPU密集型，如果每个slot只完成自己的子任务，将出现某些slot太闲，某些slot过忙的现象。
- 同时slot能够保存整个管道，使得整个任务执行健壮性更高，因为某些slot执行出异常也能有其他slot补上。
- 如果有某个slot执行完整个任务流程，那么其他任务就可以不用继续了，这样也省去跨slot、跨TaskManager的通信损耗（降低了并行度）
- 假设拆分的多个Source子任务放到同一个Slot，那么任务不能并行执行了=>因为多个相同步骤的子任务需要抢占的具体资源相同【有点疑问】，比如抢占某个锁，这样就不能并行。
//学习slot和Parallelism的关系
private void learnSlotAndParallelism(DataStream<String> inputDataStream){
DataStream<Tuple2<String,Integer>> resultStream = inputDataStream
.flatMap(new WordCount.MyFlatMapper()).setParallelism(1).slotSharingGroup("green")
.keyBy(item->item.f0)
.sum(1).setParallelism(1).slotSharingGroup("red");
resultStream.print();
}
//print算子和sum算子一样，slot组是red可以在代码中通过算子的.slotSharingGroup("组名")指定算子所在的Slot组名。默认每一个算子的SlotGroup和上一个算子相同，而默认的SlotGroup就是"default"。
注意：同一个SlotGroup的算子能共享同一个slot，不同组则必须另外分配独立的Slot。
要点：
考虑到Slot分组，所以，实际运行Job时所需的Slot总数 = 每个Slot组（Slot group）中的最大并行度。
eg（1，1，2，1）,其中第一个归为组“red”、第二个归组“blue”、第三个和第四归组“green”，那么运行所需的slot即max（1）+max（1）+max（2，1） = 1+1+2 = 4
Task Slot和Parallelism并行度
- 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。- Parallelism并行度 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。类比理解：额定功率和实际功率。
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TaskManager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“受管理的内存”，取而代之的是它将拥有一定数量的内存储备。
注意：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。
（1）当一个TaskManager一个slot，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）
（2）当一个TaskManager多个slot，意味着更多的subtask可以共享同一个JVM【这里的JVM指的是TaskManager么？】。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。
Parallelism并行度
- 一个特定算子的子任务（subtask）的个数被称之为其并行度（parallelism），我们可以对单独的每个算子进行设置并行度，也可以直接用env设置全局的并行度，更可以在flink web页面中去指定并行度。
- 由于并行度是实际Task Manager处理task 的能力，而一般情况下，一个 stream 的并行度，可以认为：该stream 所有算子中最大的并行度，则可以得出在设置Slot时，在所有设置中的最大设置的并行度大小则就是所需要设置的Slot的数量。（如果Slot分组，则需要为每组Slot并行度最大值的和）
实际运行Job时所需的Slot总数 = 每个Slot组（Slot group）中的最大并行度
流处理数据流向图：condensed view精简图和parallelized view，如下：
举例：如果总共有3个TaskManager，每一个TaskManager中分配了3个TaskSlot，也就是每个TaskManager可以接收3个task，这样我们总共可以接收9个TaskSot。但是如果我们设置parallelism.default=1，那么当程序运行时9个TaskSlot将只有1个运行，8个都会处于空闲状态，所以要学会合理设置并行度！具体图解如下：
ps：上图最后一个因为是输出到文件，避免多个Slot（多线程）里的算子都输出到同一个文件互相覆盖等混乱问题，直接设置sink的并行度为1。
所以conf/flink-conf.yaml配置文件中
taskmanager.numberOfTaskSlotsparallelism.default
# The number of task slots that each TaskManager offers. Each slot runs one parallel pipeline.
taskmanager.numberOfTaskSlots: 1
# The parallelism used for programs that did not specify and other parallelism.
parallelism.default: 1注：Flink存储状态State用的是堆外内存，所以web UI里JVM Heap Size和Flink Managed Memory是两个分开的值。
Flink运行时架构
Flink运行时架构主要包括四个不同的组件，它们会在运行【流处理应用程序】时协同工作：
- 作业管理器（JobManager）
- 资源管理器（ResourceManager）
- 任务管理器（TaskManager）
- 分发器（Dispatcher）
因为Flink是用Java和Scala实现的，所有组件都会运行在Java虚拟机（JVM）上。
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）
- 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。
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。
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。
另外，ResourceManager还负责终止空闲的TaskManager，释放计算资源。
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。
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。由于是REST接口，所以Dispatcher可以作为集群的一个HTTP接入点，这样就能够不受防火墙阻挡。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。
Flink任务提交流程
我们来看看当一个应用提交执行时，Flink的各个组件是如何交互协作的：
ps：上图中7.指TaskManager为JobManager提供slots，8.表示JobManager提交要在slots中执行的任务给TaskManager。
上图是从一个较为高层级的视角来看应用中各组件的交互协作。
如果部署的集群环境不同（例如YARN，Mesos，Kubernetes，standalone等），其中一些步骤可以被省略，或是有些组件会运行在同一个JVM进程中。
具体地，如果我们将Flink集群部署到YARN上，那么就会有如下的提交流程：
- Flink任务提交后，Client向HDFS上传Flink的Jar包和配置
- 之后客户端向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，去启动JobManager，之后JobManager向Flink自身的RM进行申请资源，自身的RM向Yarn 的ResourceManager申请资源(因为是yarn模式，所有资源归yarn RM管理)启动TaskManager
- Yarn 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。
Flink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。而Job Manager会产生一个执行图(Dataflow Graph)
-
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。
注：如果一个Slot中启动多个线程，那么这几个线程类似CPU调度一样共用同一个slot
程序和数据流 Program&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
执行图（ExecutionGraph）
由Flink程序直接映射成的数据流图是StreamGraph，也被称为逻辑流图，因为它们表示的是计算逻辑的高级视图。为了执行一个流处理程序，Flink需要将逻辑流图转换为物理数据流图（也叫执行图），详细说明程序的执行方式。
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，这样可以减少数据在节点之间流动所需要的序列化/反序列化/传输消耗。
-
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。
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（OperatorChains）
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
为什么需要并行度相同，因为若flatMap并行度为1，到了之后的map并行度为2，从flatMap到map的数据涉及到数据由于并行度map为2会往两个slot处理，数据会分散，所产生的元素个数和顺序发生的改变所以有2个单独的task，不能成为任务链
如果前后任务逻辑上可以是OneToOne，且并行度一致，那么就能合并在一个Slot里（并行度原本是多少就是多少，两者并行度一致）执行。
- keyBy需要根据Hash值分配给不同slot执行，所以只能Hash，不能OneToOne。
- 逻辑上可OneToOne但是并行度不同，那么就会Rebalance，轮询形式分配给下一个任务的多个slot。
-
代码中如果
算子.disableChaining()，能够强制当前算子的子任务不参与任务链的合并，即不和其他Slot资源合并，但是仍然可以保留“Slot共享”的特性。 -
如果
StreamExecutionEnvironment env.disableOperatorChaining()则当前执行环境全局设置算子不参与"任务链的合并"。 -
如果
算子.startNewChain()表示不管前面任务链合并与否，从当前算子往后重新计算任务链的合并。通常用于前面强制不要任务链合并，而当前往后又需要任务链合并的特殊场景。
ps：如果算子.shuffle()，能够强制算子之后重分区到不同slot执行下一个算子操作，逻辑上也实现了任务不参与任务链合并=>但是仅为“不参与任务链的合并”，这个明显不是最优解操作
267
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
