浅谈Flink架构及拓扑图

01 引言

声明：本文是博主阅读云邪（Jark）博客整理后的笔记，如有侵权，可联系博主删除。

本文参考文章如下：

• https://wuchong.me/blog/2016/05/03/flink-internals-overview/
• https://wuchong.me/blog/2016/05/04/flink-internal-how-to-build-streamgraph/
• https://wuchong.me/blog/2016/05/10/flink-internals-how-to-build-jobgraph/
• https://developer.aliyun.com/article/225618#

02 Flink架构

无论是flink on yarn 还是flink on kubernetes等其它模式，最终Flink启动成功之后的架构图如下：

从上述架构图，可以看到主要分为如下三个模块（且三者均为独立的JVM进程）：

模块	描述
Client	是一个用于管理Flink作业的客户端（提交、取消、监听状态以及采集指标），只要确保与JobManager环境联通即可
JobManager	接收来自Client的请求并生成执行计划，并以task为单元，调度到各个TaskManager去执行，同时协调task做checkpoint，以及接收来自TaskManager的状态、心跳、统计等
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，注意有可能不同的Job/Task混合在一个TaskManager进程中，因为Flink的任务调度是多线程模型的

我们注意到了，JobManager接收到Client的请求之后，会生成执行计划，也就是对应上图的Dataflow Graph，这一块在flink中比较核心，也是下面继续讲讲的Flink 拓扑结构。

03 Flink拓扑结构

我们上传Flink SDK里面的/examples/streaming/TopSpeedWindowing.jar至Flink集群之后，点击“show plan”可以看到执行计划图：

执行计划图如下：

当然，也可以在TopSpeedWindow的主程序里，直接获取执行计划的json（ExecutionEnvironment.getExecutionPlan()），并复制json至https://wints.github.io/flink-web//visualizer/（官网的生成plan地址挂了，这里是博主另外找的），json如下：

{
  "nodes" : [ {
    "id" : 1,
    "type" : "Source: Custom Source",
    "pact" : "Data Source",
    "contents" : "Source: Custom Source",
    "parallelism" : 1
  }, {
    "id" : 2,
    "type" : "Timestamps/Watermarks",
    "pact" : "Operator",
    "contents" : "Timestamps/Watermarks",
    "parallelism" : 1,
    "predecessors" : [ {
      "id" : 1,
      "ship_strategy" : "FORWARD",
      "side" : "second"
    } ]
  }, {
    "id" : 4,
    "type" : "Window(GlobalWindows(), DeltaTrigger, TimeEvictor, ComparableAggregator, PassThroughWindowFunction)",
    "pact" : "Operator",
    "contents" : "Window(GlobalWindows(), DeltaTrigger, TimeEvictor, ComparableAggregator, PassThroughWindowFunction)",
    "parallelism" : 10,
    "predecessors" : [ {
      "id" : 2,
      "ship_strategy" : "HASH",
      "side" : "second"
    } ]
  }, {
    "id" : 5,
    "type" : "Sink: Print to Std. Out",
    "pact" : "Data Sink",
    "contents" : "Sink: Print to Std. Out",
    "parallelism" : 10,
    "predecessors" : [ {
      "id" : 4,
      "ship_strategy" : "FORWARD",
      "side" : "second"
    } ]
  } ]
}

执行图如下：

3.1 Flink的四层执行图

到这里，会有很多小伙伴会有疑问，咋这么多图呢？实际上可能更多，但是，Flink 按执行流程，执行图可以分为四层：StreamGraph → JobGraph → ExecutionGraph → 物理执行图。

这里博主整理了每种“图”的概念，方便大家的理解：

图	概念	备注
StreamGraph	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。这里还提下 OptimizedPlan，它是由 Batch API转换而来的，StreamGraph 是由Stream API 转换而来的，而Batch 和 Stream 的图结构和优化方法有很大的区别，所以分开了。
JobGraph	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，这样可以减少数据在节点之间流动所需要的序列化/反序列化/传输消耗
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	物理执行图就是最终分布式在各个机器上运行着的tasks了

3.2 执行图细节

Job的不同阶段都有不同的执行流程图，其目的都是为了解耦，细节流程图如下：

这里针对上述细节的流程图再做每一部分的名词解释。

StreamGraph：根据用户通过 Stream API 编写的代码生成的最初的图

名词	概念
StreamNode	用来代表 operator 的类，并具有所有相关的属性，如并发度、入边和出边等
StreamEdge	表示连接两个StreamNode的边

JobGraph：StreamGraph经过优化后生成了 JobGraph，提交给 JobManager 的数据结构

名词	概念
JobVertex	经过优化后符合条件的多个StreamNode可能会chain在一起生成一个JobVertex，即一个JobVertex包含一个或多个operator，JobVertex的输入是JobEdge，输出是IntermediateDataSet
IntermediateDataSet	表示JobVertex的输出，即经过operator处理产生的数据集。producer是JobVertex，consumer是JobEdge
JobEdge	代表了job graph中的一条数据传输通道。source 是 IntermediateDataSet，target 是 JobVertex。即数据通过JobEdge由IntermediateDataSet传递给目标JobVertex

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。

名词	概念
ExecutionJobVertex	和JobGraph中的JobVertex一一对应。每一个ExecutionJobVertex都有和并发度一样多的 ExecutionVertex
ExecutionVertex	表示ExecutionJobVertex的其中一个并发子任务，输入是ExecutionEdge，输出是IntermediateResultPartition
IntermediateResult	和JobGraph中的IntermediateDataSet一一对应。一个IntermediateResult包含多个IntermediateResultPartition，其个数等于该operator的并发度
IntermediateResultPartition	表示ExecutionVertex的一个输出分区，producer是ExecutionVertex，consumer是若干个ExecutionEdge
ExecutionEdge	表示ExecutionVertex的输入，source是IntermediateResultPartition，target是ExecutionVertex。source和target都只能是一个
Execution	是执行一个 ExecutionVertex 的一次尝试。当发生故障或者数据需要重算的情况下 ExecutionVertex 可能会有多个 ExecutionAttemptID。一个 Execution 通过 ExecutionAttemptID 来唯一标识。JM和TM之间关于 task 的部署和 task status 的更新都是通过 ExecutionAttemptID 来确定消息接受者。

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。

名词	概念
Task	Execution被调度后在分配的 TaskManager 中启动对应的 Task。Task 包裹了具有用户执行逻辑的 operator
ResultPartition	代表由一个Task的生成的数据，和ExecutionGraph中的IntermediateResultPartition一一对应
ResultSubpartition	是ResultPartition的一个子分区。每个ResultPartition包含多个ResultSubpartition，其数目要由下游消费 Task 数和 DistributionPattern 来决定
InputGate	代表Task的输入封装，和JobGraph中JobEdge一一对应。每个InputGate消费了一个或多个的ResultPartition
InputChannel	每个InputGate会包含一个以上的InputChannel，和ExecutionGraph中的ExecutionEdge一一对应，也和ResultSubpartition一对一地相连，即一个InputChannel接收一个ResultSubpartition的输出

3.3 更多

本文仅仅是浅显的谈了Flink架构和拓扑，如果想对每一种“图”有一个更清晰的认识，可以参考：

• 《如何生成 StreamGraph？》
  https://wuchong.me/blog/2016/05/04/flink-internal-how-to-build-streamgraph/
• 《如何生成 JobGraph？》
  https://wuchong.me/blog/2016/05/10/flink-internals-how-to-build-jobgraph/
• 《如何生成ExecutionGraph及物理执行图？》：
  https://developer.aliyun.com/article/225618#