flink的特点

1、事件驱动型

事件驱动型应用是一类具有状态的应用，它从一个或多个事件流提取数据，并根据到来的事件触发计算、状态更新或其他外部动作。比较典型的就是以kafka为代表的消息队列几乎都是事件驱动型应用。

2、纯流式框架

批处理的特点是有界、持久、大量，非常适合需要访问全套记录才能完成的计算工作，一般用于离线统计。

流处理的特点是无界、实时,  无需针对整个数据集执行操作，而是对通过系统传输的每个数据项执行操作，一般用于实时统计。

在spark的世界观中，一切都是由批次组成的，离线数据是一个大批次，而实时数据是由一个一个无限的小批次组成的。

而在flink的世界观中，一切都是由流组成的，离线数据是有界限的流，实时数据是一个没有界限的流，这就是所谓的有界流和无界流。

无界数据流：无界数据流有一个开始但是没有结束，它们不会在生成时终止并提供数据，必须连续处理无界流，也就是说必须在获取后立即处理event。对于无界数据流我们无法等待所有数据都到达，因为输入是无界的，并且在任何时间点都不会完成。处理无界数据通常要求以特定顺序（例如事件发生的顺序）获取event，以便能够推断结果完整性。

有界数据流：有界数据流有明确定义的开始和结束，可以在执行任何计算之前通过获取所有数据来处理有界流，处理有界流不需要有序获取，因为可以始终对有界数据集进行排序，有界流的处理也称为批处理。

3、分层api

    最底层级的抽象仅仅提供了有状态流，它将通过过程函数（Process Function）被嵌入到DataStream API中。

    大多数应用并不需要上述的底层抽象，而是针对核心API（Core APIs） 进行编程，比如DataStream API（有界或无界流数据）以及DataSet API（有界数据集）。这些API为数据处理提供了通用的构建模块，比如由用户定义的多种形式的转换（transformations），连接（joins），聚合（aggregations），窗口操作（windows）等等。DataSet API 为有界数据集提供了额外的支持，例如循环与迭代。这些API处理的数据类型以类（classes）的形式由各自的编程语言所表示。

    Table API 是以表为中心的声明式编程，其中表可能会动态变化（在表达流数据时）。Table API遵循（扩展的）关系模型：表有二维数据结构（schema）（类似于关系数据库中的表），同时API提供可比较的操作，例如select、project、join、group-by、aggregate等。

  你可以在表与 DataStream/DataSet 之间无缝切换，以允许程序将 Table API 与 DataStream 以及 DataSet 混合使用。

  Flink提供的最高层级的抽象是 SQL 。

4、支持有状态的计算

    flink1.4实现了状态管理，所谓状态管理就是在流式计算过程中将算子的中间过程保存在内存或者落地到文件系统中，等下一个事件进入之后，可以基于上次状态接着进行计算。

5、 支持exactly-once语义 

在分布式系统中，组成系统的各个计算机是独立的。这些计算机有可能fail。

  一个sender发送一条message到receiver。根据receiver出现fail时sender如何处理fail，可以将message delivery分为三种语义:

At Most once: 对于一条message,receiver最多收到一次(0次或1次).

     At Most Once的策略:sender把message发送给receiver.无论receiver是否收到message,sender都不再重发message.

At Least once: 对于一条message,receiver最少收到一次(1次及以上). 

     At Least Once的策略:sender把message发送给receiver.当receiver在规定时间内没有回复ACK或回复了error信息,那么sender重发这条message给receiver,直到sender收到receiver的ACK.

Exactly once: 对于一条message,receiver确保只收到一次

6、支持事件时间（EventTime）

flink运行时的组件

1、jobManager作业管理器

1、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。

2、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)和打包了所有的类、库和其它资源的JAR包。

3、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。

4、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。而在运行过程中，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。

2、TaskManager任务管理器

1、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。

2、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。

3、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。

 3、ResourceManager资源管理器

1、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。

2、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, 以及standalone部署 。

3、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TaskManageri进程的容器。

4、Dispacher分发器

1、可以跨作业运行，它为应用提交提供了REST接口。

2、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。

3、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。

4、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。

 

任务提交流程

 

Flink On Yarn任务提交流程

1、Flink任务提交后，Client向HDFS上传Flink的Jar包和配置

2、向Yarn ResourceManager提交任务

3、ResourceManager分配Container资源并通知对应的NodeManager启动ApplicationMaster

4、ApplicationMaster启动后加载Flink的Jar包和配置构建环境，然后启动JobManager，之后ApplicationMaster向ResourceManager申请资源启动TaskManager

5、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

 

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。

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T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。

Flink的执行图

●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（客户端提交的时候生成）: 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

➢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。

TaskManager和Slots

 

    每一个worker(TaskManager)是一个JVM进程，它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能接收多少个task，worker通过task slot来进行控制（一个worker至少有一个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

共享slot

默认情况下，Flink允许子任务共享slot，即使他们是不同的子任务。这样，一个slot可以保存作业的整个管道。这样能够保证资源的利用率，不会导致闲的闲死，忙的忙死。

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，而并行度parallelism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。

假设一共有3个TaskManager，每一个TaskManager中的分配3个TaskSlot，也就是每个TaskManager可以接收3个task，一共9个TaskSlot，如果我们设置parallelism.default=1，即运行程序默认的并行度为1，9个TaskSlot只用了1个，有8个空闲，因此，设置合适的并行度才能提高效率。

不同的算子可以设置不同的并行度。

优先级：单独设置的>env.setParallelism()>配置文件

并行度

    Flink程序的执行具有并行、分布式的特性。在执行过程中，一个 stream 包含一个或多个 stream partition ，而每一个 operator 包含一个或多个 operator subtask，这些operator subtasks在不同的线程、不同的物理机或不同的容器中彼此互不依赖得执行。

    一个特定operator的subtask的个数被称之为其parallelism(并行度)。

    一个stream的并行度总是等同于其producing operator的并行度。一个程序中，不同的operator可能具有不同的并行度。

 

 ★Stream在operator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operator的种类。

One-to-one（类似于spark的窄依赖）：

stream(比如在source和map operator之间)维护着分区以及元素的顺序。那意味着map operator的subtask看到的元素的个数以及顺序跟source operator的subtask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（类似于spark的宽依赖）

stream(map()跟keyBy/window之间或者keyBy/window跟sink之间)的分区会发生改变。 每一个operator subtask依据所选择的transformation发送数据到不同的目标subtask。例如，keyBy() 基于hashCode重分区、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

同并行度的，one to one操作，Flink将这样相连的operator链接在一起形成一个task，原来的operator成为里面的subtask。

将operators链接成task是非常有效的优化：它能减少线程之间的切换和基于缓存区的数据交换，在减少时延的同时提升吞吐量。链接的行为可以在编程API中进行指定。

//禁止启用任务链
env.disableOperatorChaining() 
//对某个算子进行

rdd.disableOperatorChaining操作

//从某个算子后面开始一个新的链
rdd.startNewChain()