【Flink】浅谈Flink架构和调度
Flink架构
Flink 是一个分布式系统，需要有效分配和管理计算资源才能执行流应用程序。它集成了所有常见的集群资源管理器，例如【Hadoop YARN】、【Apache Mesos】和【Kubernetes】，但也可以设置作为独立集群甚至库运行。
一个 Flink 集群运行时通常包含两类进程，JobManager和TaskManager，Flink 集群运行框架如下图所示：
Flink Client 并不是运行时和程序执行时的一部分，Client 的第一个作用是将用户代码变为数据流图，然后通过 Actor 通信系统将数据流图发送给 JobManager。数据流图发送完毕之后 Client 可以选择保持连接以接收进程报告、状态更新和 Job 结果；也可由选择断开连接，不论哪一种行为都不会影响 Flink-job 运行。Client 的第二个用途是触发执行 Java/Scala 程序，可以使用
./bin/flink run命令代替。
四层执行图
Flink 中的执行图可以分成四层：StreamGraph → JobGraph → ExecutionGraph → 物理执行图
StreamGraph：使用 API 生成的数据流图，表示程序的拓扑结构（位于客户端）
JobGraph：StreamGraph 优化（例如合并算子链）后生成 JobGraph（位于客户端）
ExecutionGraph：（JobGraph 按着并行度直接展开），JobMaster 根据 JobGraph 生成 ExecutionGraph，是 JobGraph 的并行化版本，是调度层最核心的数据结构（确定任务和所需的资源）（位于JobMaster）
物理执行图：JobMaster 根据 ExecutionGraph 对 Job 进行调度后在各个 TM 上部署任务后形成的图，并不是具体的数据结构（位于TaskManager）。
TaskManager
TaskManager（也称 worker，以下简称 TM）用于执行作业流的 Task，并缓存和交换数据流。就本质而言每?个 TM 都是?个 JVM 进程。
TaskSlot
TaskSlot 是一种静态概念，代表一个 TM 具有的并发执行能?。TM 通过 TaskSlot 来控制接受任务的数量。TM 中的 TaskSlot 接受 TM 的内存托管（均分），TaskSlot 内存隔离，但是 CPU 不隔离。具有多个 slot 意味着更多 subtask 也意味着更强的并发执行能力，多个 SubTask 共享 TCP 连接和心跳信息，此外他们还共享某些数据结构，种种优化措施极大减少了每个 SubTask task 的开销。在 1.13 版本，TaskSlot 的使用有两种模式：
平铺计算：优势在于同?时间执行所有的步骤，劣势在于可能会出现资源利?率低（核心的问题在于资源密集型任务分配不均）
共享计算：Flink 的默认模式，其优势在于单个 TaskSlot 可以保存整个 Job-pipeline，将资源密集型和非密集型放到?起自行分配、利用资源。
并行度（parallelism）
并行度是一种动态概念，表示 TM 运?程序时实际使?的并发能?，直观理解就是一个 Task 有几个 SubTask。
算子并行度 > TaskSlot 数量：集群的实际并行能力是 TaskSlot 的数量；
算子并行度 < TaskSlot 数量：集群的实际并行能力是算子并行度；
在实际使用过程中，并行度>TaskSlot 会直接抛出异常。
JobManager
JobManager（以下简称 JM） 具有许多与协调 Flink 应用程序的分布式执行有关的职责：它决定何时调度下一个 task/一组 task、对完成的 task 或执行失败做出反应、协调 checkpoint、并且协调从失败中恢复等等。
ResourceManager
ResourceManager负责 Flink 集群中提供、回收、分配、管理 TaskSlots（Flink 最小的调度资源）。当 JobMaster 申请资源时，ResourceManager 会将有空闲 TaskSlot 的 TM 分配给 JobMaster。如果 ResourceManager 没有足够的资源，它还可以向资源提供平台发起会话，以提供启动 TM 进程的容器。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：
standalone模式 ：ResourceManager 只能分配可用的 TM 的 slots，而不能自行启动新的 TM；
Yarn 模式：ResourceManager 向 Yarn 请求资源，Yarn 负责调配，可以启动新的 TM。
Dispatcher
Dispatcher主要负责提供一个REST 接口，用来提交应用，每当客户端提交一个应用，Dispatch 就会启动一个新的 JobMaster，此外它还运行 Flink WebUI 用来提供作业执行信息。
JobMaster
JobMaster是 JM 最核心的组件，JobMaster 负责管理单个 JobGraph 的执行。Flink 集群中可以同时运行多个作业，每个作业都有自己的 JobMaster。在 Flink 集群中至少有一个 JobMaster，在高可用设置中还可以设置多个 JobMaster，它的主要工作如下：
接收客户端上传的应用程序，包括作业图（JobGraph）、逻辑数据流图（logical dataflow graph）和所有的类、库、其它资源的 JAR 包；
将作业图（JobGraph）转换成执行图（Execution Graph），包含所有可以并发执行的任务（SubTask）；
向资源管理器（ResourceManager）请求执行任务必要的资源（此处的资源可以理解为 TaskSlot），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 TM 上。
小结
Flink 的运行架构已经在上面说明，现在看看实际运行过程中的逻辑架构，将上述抽象名词进行一个总结：
简而言之就是一个应用程序称之为 Flink-Job，一个 Flink-Job 包含多个 Task，每个 Task 包含多个 SubTask。
再举一个例子，很简单对数据流的处理就 4 个步骤，【source→map→keyby→sink】，现在假定一共两个 TM，每个 TM 有两个 TaskSlot，算子的并行度是 4，sink 的并行度是 2，那么在 TM 中的分配如下：
部署模式
Standalone模式
特点：ResourceManager 只能分配可用 TM 的 TaskSlots，而不能自行启动新的 TM。
客户端提交任务到 JM 的 Dispatcher；
分发器启动 JobMaster 组件；
JobMaster 向资源管理器请求 Taskslots；
资源管理器向 TM 请求 Taskslots；
TM 向 JobMaster 提供 Taskslots；
JobMaster 分发任务给 TM 并执行。
YARN模式
YARN会话模式
特点：ResourceManager 向 Yarn 请求资源，Yarn 负责资源调配，可以启动新的 TM。
客户端提交任务到 JM 的分发器；
分发器启动 JobMaster 组件；
JobMaster 向资源管理器请求 Taskslots；
ResourceManager 向 Yarn 请求容器；
YARN 启动带有 TM 的容器，TM 向 ResourceManager 注册 Taskslots；
ResourceManager 向 TM 请求 Taskslots；
TM 向 JobMaster 提供 Taskslots；
JobMaster 分发任务并执行。
YARN单作业模式
特点：只有提交任务才会触发集群创建，任务直接提交到 Yarn；
客户端向 Yarn 提交任务；
Yarn 启动带有 JM 的 Yarn Application Master；
JobMaster 向 ResourceManager 请求 Taskslots；
ResourceManager 向 Yarn 请求容器；
YARN 启动带有 TM 的容器，TM 向 ResourceManager 注册 Taskslots；
ResourceManager 向 TM 请求 slot；
TM 向 JobMaster 提供 Taskslots；
JobMaster 分发任务并执行。
文中难免会出现一些描述不当之处（尽管我已反复检查多次），欢迎在留言区指正，相关的知识点也可进行分享，希望大家都能有所收获！！