Flink提交流程和架构

一、Flink提交任务的流程

　　Flink任务提交后，Client向HDFS上传Flink的jar包和配置，之后向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，然后启动JobManager；之后Application Master向ResourceManager申请资源启动TaskManager

，ResourceManager分配Container资源后，由ApplicationMaster通知资源所在的节点的NodeManager启动TaskManager，NodeManager加载Flink的Jar包和配置构建环境并启动TaskManager，TaskManager启动向JobManager发送心跳，并等待JobManager向其分配任务。

二、Flink任务调度原理

1、Program Code：我们编写的Flink应用程序代码。

2、JobClient：JobClient不是Flink程序执行的内部部分，但它是任务执行的起点。JobClient负责接受用户的程序代码，然后创建数据流，将数据流提交给

JobManager以便进一步执行。执行完成后，JobClient将结果返回给用户。

3、JobManager：主进程（也称为作业管理器）协调和管理程序的执行。它的主要指责包括安排任务，管理checkpoint，故障恢复等。机器集群中至少要有一个master，

master负责调度task，协调checkpoints和容灾，高可用设置的话可以有多个master，但要保证一个是leader，其他是standby；JobManager包含ActorSystem、Scheduler、

CheckPoint三个重要的组件。

4、TaskManager：从JobManager处接收需要部署的Task。TaskManager是在JVM中一个或多个线程中执行任务的工作节点。任务执行的并行性由每个TaskManager上可用

的任务槽决定。每个任务代表分配给任务槽的一组资源。例如：如果TaskManager有四个插槽，那么它将为每个插槽分配25%的内存。可以在任务槽中运行一个或多个线程。

同一插槽中的线程共享相同的JVM。同一JVM中的任务共享TCP连接和心跳信息。TaskManager的一个Slot代表一个可用线程，该线程具有固定的内存，注意Slot只对内存隔离，

没有对CPU隔离。

默认情况下，Flink允许子任务共享Slot，即使它们是不同的task的subtask，只要他们来自相同的job。这种共享可以有更好的资源利用率。

TaskManager是Flink的worker节点，他负责Flink中本机slot资源的管理以及具体task的执行。

TaskManager上的基本资源单位是slot，一个作业的task最终会部署在一个TM的slot上运行，TM会负责维护本地的slot资源列表，

并来与Flink Master和JobManager通信。

三、Work与Slot

　　每一个worker（TaskManager）是一个JVM进程，他可能会在独立的线程上执行一个或多个subtask。为了控制一个worker能接收到多少个task，worker通过task slot来进行控制

（一个worker至少要有一个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，那么它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的job的subtask竞争被管理的内存，取而代之的是它将拥有一定数量的内存储备。需要注意的是，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。如果一个TaskManager一个slot，那将意味着每个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），而一个TaskManager多个slot意味着更多的subtask可以共享同一个JVM。而在同一个JVM进程中的task将共享TCP连接（基于多路复用）和心跳信息。他们也

可能共享数据集和数据结构，因此这减少了每个task的负载。

四、Flink程序架构

每个Flink程序都包含以下的若干流程

获得一个执行环境：（Execution Environment） 相当于Spark中的SparkContext

加在/创建初始数据：（Source）

指定转换这些数据：（Transformation）

指定放置计算结果的位置：（Sink）

触发程序执行

五、 Environment

执行环境StreamExecutionEnvironment是所有Flink程序的基础。

StreamExecutionEnvironment.getExecutionEnvironment（根据运行情况，返回本地或者集群的运行环境）  默认分区是8
　　创建一个执行环境，表示当前执行程序的上下文。如果程序是独立调用的，则此方法返回本地执行环境：如果从命令行客户端调用程序以提交到集群，则此方法返回此集群的执行环境，也就是说,
getEexecutionEnvironment会根据查询运行的方式决定返回什么样的运行环境，是最常用的一种创建执行环境的方式。

StreamExecutionEnvironment.createLocalEnvironment(1)   -》开始只有一个分区
　　返回本地执行环境，需要在调用时指定默认的并行度。

StreamExecutionEnvironment.createRemoteEnvironment("localhost",8800)
　　返回集群执行环境，将Jar提交到远程服务器。需要在调用时指定JobManager的IP和端口号，并指定要在集群中运行的Jar包。
　　

六、Source

1、基于File的数据源

1.1、readTextFile（path）

1.1、readTextFile（path）
一列一列的读取遵循TextInputFormat规范的文本文件，并将结果作为String返回。