【零基础学flink】flink的分布式运行环境
- 任务和转换链 (tasks andtransformations chains)
- Job Managers, Task Managers, Clients
- 任务槽和资源(Task Slots and Resources)
- State Backends
- 保存点(savepoint)
任务和转换链 (tasks andtransformations chains)
对于分布式执行，flink的转换链会将任务进行切分。每个任务由一个线程执行。切分后的任务执行完后会进行合并，这是一项很好的优化：它可以减少线程到线程切换和缓冲的开销，并在降低延迟的同时提高整体吞吐量。可以配置链接行为; 有关详细信息，请参阅链接文档。
下图中的示例数据流由五个子任务执行，因此具有五个并行线程。
Job Managers, Task Managers, Clients
Flink运行时包含两种过程：
-
该JobManagers（也称为master）：主要是协调分布式执行。他们安排任务，协调检查点，协调故障恢复等。
总是至少有一个Job Manager。高可用性配置一般通过配置JobManagers集群，其中一个始终是leader（主机），其他人处于standby（从机）。
-
该TaskManagers（也叫worker）：主要是执行数据流处理任务（或者更具体地说，执行子任务），以及缓冲器、数据交换。
注：必须始终至少有一个TaskManager。
JobManagers和TaskManagers可以通过多种方式启动：作为独立集群直接在机器上启动，在容器中启动，或由YARN或Mesos等资源框架管理。TaskManagers连接到JobManagers，并告知JobManagers自己可用，可以执行任务。
client不是运行时环境和程序执行的一部分，它主要是用来执行准备工作和向JobManager发送的数据流。之后，client可以断开连接或保持连接以接收进度报告。client既可以是触发执行的Java / Scala程序，也可以是命令行进程中运行./bin/flink run ...。
任务槽和资源(Task Slots and Resources)
每个worker（TaskManager）都是一个JVM进程，可以在不同的线程中执行一个或多个子任务。为了控制worker接受任务的数量，work有所谓的任务槽（task slots）（至少一个）。
每个task slots占用了TaskManager中的部分资源。例如，具有三个task slots的TaskManager，每个task slots将占用TaskManager 1/3的内存。资源分配给task slots也意味着子任务不之间不存在资源的竞争，每个slot具有一定量的预留托管内存。请注意，这里没有CPU隔离; slot之间只有内存的预分配，cpu没有预先分配。
通过调整任务槽（task slots）的数量，用户可以定义子任务如何相互隔离。有一个插槽的TaskManager意味着每个任务组在一个单独的JVM中运行（例如，可以在一个单独的容器（container）中启动）。拥有多个插槽意味着更多子任务共享同一个JVM。同一JVM中的任务共享TCP连接（通过多路复用）和心跳消息。它们还可以共享数据集和数据结构，从而减少每任务开销。
默认情况下，Flink允许子任务共享插槽（slots ），即使它们是不同任务的子任务，只要它们来自同一个作业就可以。这致使一个槽slots 可以持有(hold)一个作业的完整pipline。允许插槽共享有两个主要好处：
-
Flink集群只需要设置与作业中的最高并行度一样多的任务槽。无需计算程序总共包含多少任务（具有不同的并行性）。
-
更容易获得更好的资源利用率。没有插槽共享，非计算密集型 子任务将会被阻塞，但是计算性和IO型任务将占用一样多的资源，这会造成CPU资源的浪费。通过插槽共享，将示例中的基本并行性从2增加到6可以充分利用时隙资源，同时确保繁重的子任务在TaskManagers之间公平分配。
API还包括可用于防止不期望的时隙共享的*资源组*机制。
根据经验，一个很好的默认任务槽数就是CPU核心数。使用超线程，每个插槽然后需要2个或更多硬件线程上下文。
State Backends
当检查点（checkpoint）机制启动时，状态将在检查点中持久化来应对数据丢失以及恢复。而状态在内部是如何表示的、状态是如何持久化到检查点中以及持久化到哪里都取决于选定的State Backend。
存储键/值索引的确切数据结构取决于所选的State Backends。一个State Backends将数据存储在内存中的hash map中，另一个State Backends使用RocksDB作为键/值存储。除了定义保存状态的数据结构之外，State Backends还实现逻辑以获取键/值状态的时间点快照，并将该快照存储为检查点的一部分。
保存点（savepoint）
用Data Stream API编写的程序可以从savepoint恢复执行。checkpoint允许更新程序和Flink群集，而不会丢失任何状态。
保存点是手动触发的检查点（checkpoint），主要是通过快照保存当前状态，然后程序的快照并将其写入 State Backends。这依靠检查点机制。在执行期间，程序会定期在work节点上创建快照并生成检查点。对于恢复操作来说，仅需要最后一次的检查点，并且一旦完成新检查点，就可以丢弃到旧检查点。
保存点（savepoint）与这些定期检查点（checkpoint）机制类似，不同之处在于savepoint是由用户触发，并且在较新的检查点完成时savepoint不会自动过期。可以从命令行创建保存点，也可以通过REST API取消作业。
扫描下方二维码，及时获取更多互联网求职面经、java、python、爬虫、大数据等技术，和海量资料分享：
公众号**菜鸟名企梦后台发送“csdn”即可免费领取【csdn】和【百度文库】下载服务；
公众号菜鸟名企梦后台发送“资料”:即可领取5T精品学习资料**、java面试考点和java面经总结，以及几十个java、大数据项目，资料很全，你想找的几乎都有
