概述
Flink 是一个框架和分布式处理引擎，用于在无边界和有边界数据流上进行有状态的计算。Flink能在所有常见集群环境中运行，并能以内存速度和任意规模进行计算。使用官网的语句来介绍， Flink 就是 “Stateful Computations over Data Streams”。
首先，Flink是一个纯流式的计算引擎，它的基本数据模型是数据流。流可以是无边界的无限流，即一般意义上的流处理。也可以是有边界的有限流，也就是批处理。因此 Flink 用一套架构同时支持了流处理和批处理。其次，Flink支持有状态的计算，稍微复杂一点的数据处理，比如说基本的聚合，数据流之间的关联都是有状态处理。
更直观的讲，对 Flink ⽽⾔，其所要处理的主要场景就是流数据，批数据只是流数据的⼀个极限特例⽽已，所以 Flink 是⼀款真正的流批统⼀的计算引擎。
无界数据 无界数据是持续产生的数据，所以必须持续地处理无界数据流。数据是无限的，也就无法等待所有输入数据到达后处理，因为输入是无限的，没有终止的时间。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，以便判断事件是否完整、有无遗漏。
有界数据 有界数据，就是在一个确定的时间范围内的数据流，有开始有结束，一旦确定了就不会再改变。
Flink流程执行视图
Flink示例Demo可参考 Flink对接KafKa消费分词统计Demo
数据流视图
Flink的程序一般可以分为三个部分：
代码语言：javascript复制///// Source
//将kafka和zookeeper配置信息加载到Flink的执行环境当中StreamExecutionEnvironment
FlinkKafkaConsumer08<String> myConsumer = new FlinkKafkaConsumer08<String>("test", new SimpleStringSchema(),
properties);
///// Transformation
//添加数据源，此处选用数据流的方式，将KafKa中的数据转换成Flink的DataStream类型
DataStream<String> stream = env.addSource(myConsumer);
//流计算，也是Flink的算子部分keyBy是通过key的形式进行分组，此处传入的0，表示是通过二元组的第一个元素也就是单词进行分组
//LineSplitter是算子的具体逻辑
DataStream<Tuple2<String, Integer>> counts = stream.flatMap(new LineSplitter())
.keyBy(0)
.sum(1);
///// Sink
//打印输出
counts.print();第1部分读取数据源（Source）；可来自文本、kafka等 第2部分对数据做转换操作（Transformation）；其实就是函数式编程中一系列的API；大差不差，毕竟Flink本身就是基于函数式语言Scala编写面向函数式操作的。 第3部分将转换结果输出到一个目的地（Sink）；文本、其它存储。
在Transformation部分会有一系列相关的函数算子(Operator)参与对数据的计算，整个链路的逻辑视图可按如下表示：
既然有逻辑视图那就会有物理视图，物理视图对应的是分布式环境中具体的执行链路，可参考如下：
在分布式计算环境下，执行计算的单个节点（物理机或虚拟机）被称为实例，一个算子在并行执行时，算子子任务会分布到多个节点上，所以算子子任务又被称为算子实例（Instance）。即使输入数据增多，我们也可以通过部署更多的算子子任务来进行横向扩展。除去Sink外的算子都被分成了2个算子子任务，它们的并行度（Parallelism）为2，Sink算子的并行度为1。并行度是可以被设置的，当设置某个算子的并行度为2时，也就意味着这个算子有2个算子子任务（或者说2个算子实例）并行执行。实际应用中一般根据输入数据量的大小、计算资源的多少等多方面的因素来设置并行度。
算子的并行度设置： env.setParallelism(2); Sink算子的并行度设置成了1 wordCount.print().setParallelism(1);
数据交换策略
图中出现了数据流动的现象，即数据在不同的算子子任务上进行数据交换。无论是Hadoop、Spark还是Flink，都会涉及数据交换策略。常见的数据交换策略有4种，如下所示。
- 前向传播（Forward） 前一个算子子任务将数据直接传递给后一个算子子任务，数据不存在跨分区的交换，也避免了因数据交换产生的各类开销，图中Source和FlatMap之间就是这样的情形。
- 按Key分组（Key-Based） 数据以(Key,Value)二元组形式存在，该策略将所有数据按照Key进行分组，相同Key的数据会被分到一组、发送到同一个分区上。WordCount程序中，keyBy()将单词作为Key，把相同单词都发送到同一分区，以方便后续算子的聚合统计。
- 广播（Broadcast） 将某份数据发送到所有分区上，这种策略涉及了数据在全局的复制，因此非常消耗资源。
- 随机（Random） 该策略将所有数据随机均匀地发送到多个分区上，以保证数据平均分配到不同分区上。该策略通常为了防止数据倾斜到某些分区，导致部分分区数据稀疏，另外一些分区数据拥堵的情况发生。
分布式架构与核心组件
为了支持分布式执行，Flink跟其他大数据框架一样，采用了主从（Master-Worker）架构。Flink执行时主要包括如下两个组件：
- Master是一个Flink作业的主进程。它起到了协调管理的作用。
- TaskManager，又被称为Worker或Slave，是执行计算任务的进程。它拥有CPU、内存等计算资源。Flink作业需要将计算任务分发到多个TaskManager上并行执行。
Flink支持多种部署模式，可以部署在单机（Local）、集群（Cluster），以及云（Cloud）上。
- Local模式：一般是单节点；
- Cluster模式：一般使用Cluster模式将Flink作业投入到生产环境中，生产环境可以是Standalone的独立集群，也可以是YARN或Kubernetes集群。
- Cloud模式：Flink也可以部署在各大云平台上，包括AWS、谷歌云和阿里云。
Standalone集群上只运行Flink作业。除了Flink，绝大多数企业的生产环境运行包括MapReduce、Spark等各种各样的计算任务，一般都会使用YARN或Kubernetes等方式对计算资源进行管理和调度。Flink目前已经支持了YARN、Mesos以及Kubernetes，开发者提交作业的方式变得越来越简单。
Flink作业提交
请先了解集群模式提交作业的流程Flink学习（一）：SocketWindowWordCount示例
以Standalone集群部署为例，分析作业的提交过程。
如下所述： ①用户编写应用程序代码，并通过Flink客户端（Client）提交作业。程序一般为Java或Scala语言，调用Flink API，构建逻辑视图。代码和相关配置文件被编译打包，被提交到Master的Dispatcher，形成一个应用作业（Application）。
②Dispatcher接收到这个作业，启动JobManager，这个JobManager会负责本次作业的各项协调工作。
③JobManager向ResourceManager申请本次作业所需资源。
④由于在一开始启动Master和TaskManager等进程，TaskManager已经向ResourceManager中注册了资源，这时闲置的TaskManager会被反馈给JobManager。
⑤JobManager将用户作业中的逻辑视图转化为如上所示的并行化的物理执行图，将计算任务分发部署到多个TaskManager上。至此，一个Flink作业就开始执行了。
TaskManager在执行计算任务过程中可能会与其他TaskManager交换数据，会使用一些数据交换策略。同时，TaskManager也会将一些任务状态信息反馈给JobManager，这些信息包括任务启动、执行或终止的状态，快照的元数据等。
Flink核心组件
Client
用户一般使用Client提交作业，比如Flink主目录下bin目录中提供的命令行工具。Client会对用户提交的Flink作业进行预处理，并把作业提交到Flink集群上。Client提交作业时需要配置一些必要的参数，比如使用Standalone集群还是YARN集群等。整个作业被打成了JAR包，DataStream API被转换成了JobGraph，JobGraph是一种类似如上所示的逻辑视图。
Dispatcher
Dispatcher可以接收多个作业，每接收一个作业，Dispatcher都会为这个作业分配一个JobManager。Dispatcher对外提供一个表述性状态转移（Representational State Transfer，REST）式的接口，以超文本传输协议（Hyper Text Transfer Protocal，HTTP）来对外提供服务。
JobManager
JobManager是单个Flink作业的协调者，一个作业会有一个JobManager来负责。JobManager会将Client提交的JobGraph转化为ExecutionGraph，ExecutionGraph是类似如上所示的并行的物理执行图。JobManager会向ResourceManager申请必要的资源，当获取足够的资源后，JobManager将ExecutionGraph以及具体的计算任务分发部署到多个TaskManager上。同时，JobManager还负责管理多个TaskManager，包括收集作业的状态信息、生成检查点、必要时进行故障恢复等。
ResourceManager
Flink现在可以部署在Standalone、YARN或Kubernetes等环境上，不同环境中对计算资源的管理模式略有不同，Flink使用一个名为ResourceManager的模块来统一处理资源分配上的问题。在Flink中，计算资源的基本单位是TaskManager上的任务槽位（Task Slot，简称Slot）。ResourceManager的职责主要是从YARN等资源提供方获取计算资源，当JobManager有计算需求时，将空闲的Slot分配给JobManager。当计算任务结束时，ResourceManager还会重新收回这些Slot。
TaskManager
TaskManager是实际负责执行计算的节点。一般地，一个Flink作业是分布在多个TaskManager上执行的，单个TaskManager上提供一定量的Slot。一个TaskManager启动后，相关Slot信息会被注册到ResourceManager中。当某个Flink作业提交后，ResourceManager会将空闲的Slot提供给JobManager。JobManager获取到空闲的Slot后会将具体的计算任务部署到空闲Slot之上，任务开始在这些Slot上执行。在执行过程，由于要进行数据交换，TaskManager还要和其他TaskManager进行必要的数据通信。总之，TaskManager负责具体计算任务的执行，启动时它会将Slot资源向ResourceManager注册。
任务执行与资源划分
任务执行
Flink采用主从架构，Master起着管理协调作用，TaskManager负责物理执行，在执行过程中会发生一些如数据交换、生命周期管理等事情。用户调用Flink API，构造逻辑视图，Flink会对逻辑视图优化，并转化为并行化的物理执行图，最后被执行的是物理执行图。
在构造物理执行图的过程中，Flink会将一些算子子任务链接在一起，组成算子链。链接后以任务（Task）的形式被TaskManager调度执行。使用算子链是一个非常有效的优化，它可以有效减少算子子任务之间的传输开销。链接之后形成的任务是TaskManager中的一个线程。
例如，数据从Source前向传播到FlatMap，这中间没有发生跨分区的数据交换，因此，我们完全可以将Source、FlatMap这两个子任务组合在一起，形成一个任务。数据经过keyBy()发生了数据交换，数据会跨越分区，因此无法将keyBy()以及其后面的窗口聚合、链接到一起。由于WindowAggregation的并行度为2、Sink的并行度为1，数据再次发生了交换，我们不能把WindowAggregation和Sink两部分链接到一起。
默认情况下，Flink会尽量将更多的子任务链接在一起，这样能减少一些不必要的数据传输开销。但一个子任务有超过一个输入或发生数据交换时，链接就无法建立。
Slot
TaskManager是一个JVM进程，在TaskManager中可以并行执行一到多个任务。每个任务是一个线程，需要TaskManager为其分配相应的资源，TaskManager使用Slot给任务分配资源。
一个TaskManager是一个进程，TaskManager可以管理一至多个任务，每个任务是一个线程，占用一个Slot。每个Slot的资源是整个TaskManager资源的子集，下图的TaskManager下有3个Slot，每个Slot占用TaskManager 1/3的内存，第一个Slot中的任务不会与第二个Slot中的任务互相争抢内存资源；即线程隔离。
Flink允许用户设置TaskManager中Slot的数目，这样用户就可以确定以怎样的粒度将任务做相互隔离。如果每个TaskManager只包含一个Slot，那么该Slot内的任务将独享JVM。如果TaskManager包含多个Slot，那么多个Slot内的任务可以共享JVM资源，比如共享TCP连接、心跳信息、部分数据结构等。官方建议将Slot数目设置为TaskManager下可用的CPU核心数，那么平均下来，每个Slot都能获得1个CPU核心。
针对Slot槽位的分配有多种方式，比如可以使用槽位共享等，进一步减少数据传输开销，充分利用计算资源。
开启槽位共享后，Flink允许多个任务共享一个Slot。如图所示，最左侧的数据流，一个作业从Source到Sink的所有子任务都可以放置在一个Slot中，这样数据交换成本更低。而且，对于一个数据流图来说，Source、FlatMap等算子的计算量相对不大，WindowAggregation算子的计算量比较大，计算量较大的算子子任务与计算量较小的算子子任务可以互补，空出更多的槽位，分配给更多任务，这样可以更好地利用资源。
总结
简单的介绍了从Flink的相关概念及关键架构及组件，对此有个基本的印象概念；强烈建议要先走一遍官方的demo，尤其是集群模式提交作业，才能有更立体更深入的了解。
