Flink的Job启动TaskManager端(源码分析)

前面说到了  Flink的JobManager启动(源码分析)  启动了TaskManager

然后  Flink的Job启动JobManager端(源码分析)  说到JobManager会将转化得到的TDD发送到TaskManager的RPC

这篇主要就讲一下，Job在TaskManager端是如何启动的

先来看一下，TaskManager端用来接收JobManager发送过来的TDD对象的RPC接口

在TaskExecutor.java中

这个方法用于接收了一个TaskDeploymentDescriptor对象用于启动任务（上一篇知道这里executionGraph的每一个并行度都会调用deploy方法生成一个TDD）

来看一下具体接收到以后做了什么

创建了一个Task并且将其内部的一个线程启动起来了

注意这里从TDD中得到了InputGate,Partition的信息，用于创建InputGate,ResultPartition

InputGate用于对接上游产生的数据（消费）

ResultPartition用于往下游发送自己产生的数据（生产）

来看一下Task创建,在Task的构造方法中

这里看到创建了对应往下游发送数据的ResultPartition

ResultPartition中创建的SubPartition具体分为

可以看到就是说三个参数分别对应

　　PIPELINED    可以边消费边生产，是有背压的，这个partition没有buffer数量的限制（因为背压的控制是通过接，收数据端公用同一个指定大小的bufferPool,以后背压的时候讲）

　　其他同理

这里看一下不同类型的ResultPartitionType是创建的什么subpartitions

BLOCKING  这种创建了一个SpillableSubpartition并且传进去了一个ioManager（这个ioManager以后io管理细讲）

大致看了一下就是说这种Subpartition是会落盘的

PIPELINED  而这种方式是完全基于内存的

根据上游的信息创建好ResultPartition以后

接着创建了InputGate用于接收上游的数据，并且在create方法中

会根据partition的位置创建对应的channel，这里可以分为

Local      就是说下游和自己是在同一台机器

Remote 下游是需要通过网络发送的

并且在这里将inputGate和它所有的inputChannels关联了起来

创建完inputGate以后Task就初始化完了，然后会被start()起来，来看下Task的run方法

在run方法中

这个地方会为初始化inputGate与ResultPartition的bufferPool(以后讲到反压在讲)

继续

这里通过反射创建了一个StreamTask的实例

并且

调用了他的invoke()方法，这里也是Job开始的逻辑，来看一下invoke方法

在invoke方法中

只要知道这里会初始化OperatorChain这里包含了我们用户算子的逻辑（这里不细讲，随缘讲到Task操作责任链的时候讲）

然后得到了operatorChain的头headoperator其实这里的头就包含了用户的第一个算子逻辑在里面

然后init()方法中用上面的headoperator初始化了一个inputProcess对象并且关联上了上面创建的inputGate（也是留到责任链讲）

接着

这里就是上面在init方法中创建的inputProcess，并且调用了他的processInput方法

重头戏来了，来看一下processInput方法

这里有个while（true）也就是说这里会一直循环下去

来看一下他循环做什么

这里！！！！这个streamOperator就是上面构造inputProcess时传入的headOperator

这个processElement方法里面就是调用用户的方法啦

也就是不停的从上游接收到数据以后，调用用户具体的处理逻辑

这里job就启动完成了

注意这个while循环内既然开始走我们用户的逻辑，那肯定会先从inputGate关联到的上游获取数据

这里就非常重要了，因为接收数据就包含了很多的机制的实现

包含了watermark处理的逻辑，水印对齐的逻辑，水印更新的逻辑，如下

以及idle停滞流逻辑，流状态更新逻辑

以及如何接收数据逻辑，接收端反压的逻辑，barriers对齐的逻辑，checkpoint触发的逻辑

所以这个StreamInputProcessor.processInput()方法是一个非常重要的方法，以后随缘更新各种机制的时候也会经常看到