扩展阅读 关于并行度
一个Flink程序由多个Operator组成(source、transformation和 sink)。
一个Operator由多个并行的Task(线程)来执行， 一个Operator的并行Task(线程)数目就被称为该Operator(任务)的并行度(Parallel)
详细讲解
- 并行度可以有如下几种指定方式
1.Operator Level（算子级别）(可以使用)
一个算子、数据源和sink的并行度可以通过调用 setParallelism()方法来指定
2.Execution Environment Level（Env级别）(可以使用)
执行环境(任务)的默认并行度可以通过调用setParallelism()方法指定。为了以并行度3来执行所有的算子、数据源和data sink， 可以通过如下的方式设置执行环境的并行度：
执行环境的并行度可以通过显式设置算子的并行度而被重写
3.Client Level(客户端级别,推荐使用)(可以使用)
并行度可以在客户端将job提交到Flink时设定。
对于CLI客户端，可以通过-p参数指定并行度
./bin/flink run -p 10 WordCount-java.jar
4.System Level（系统默认级别,尽量不使用）
在系统级可以通过设置flink-conf.yaml文件中的parallelism.default属性来指定所有执行环境的默认并行度
- 示例
Example1
在fink-conf.yaml中 taskmanager.numberOfTaskSlots 默认值为1，即每个Task Manager上只有一个Slot ，此处是3
Example1中，WordCount程序设置了并行度为1，意味着程序 Source、Reduce、Sink在一个Slot中，占用一个Slot
Example2
通过设置并行度为2后，将占用2个Slot
Example3
通过设置并行度为9，将占用9个Slot
Example4
通过设置并行度为9，并且设置sink的并行度为1，则Source、Reduce将占用9个Slot，但是Sink只占用1个Slot
- 注意
1.并行度的优先级：算子级别 > env级别 > Client级别 > 系统默认级别 (越靠前具体的代码并行度的优先级越高)
2.如果source不可以被并行执行，即使指定了并行度为多个，也不会生效
3.在实际生产中，我们推荐在算子级别显示指定各自的并行度，方便进行显示和精确的资源控制。
4.slot是静态的概念，是指taskmanager具有的并发执行能力; parallelism是动态的概念，是指程序运行时实际使用的并发能力
关联总结
- HDFS:文件分块:目的是为了并行读写,提高读写效率,便于存储,容错(针对块做副本,便于恢复)
- MR:数据切片,目的是为了并行计算
- Hive:分区(分文件夹)和分桶(文件夹下分文件),如按照日期分区,按照小时分桶, 目的就是为了提高查询效率(读写效率)
- HBase:分Region,就是按照rowkey的范围进行分区,目的也是为了提高读写效率
- Kafka:分区Partition,目的为了提高读写效率
- Spark:分区,目的是为了并行计算
- Flink:分区/并行度, 目的是为了并行计算
总结
以后凡是遇到分区/分片/分桶/分Segment/分Region/分Shard...都是为了提高效率==
在Flink中可以如何设置分区数/并行度?
算子operator.setParallelism(2);
env.setParallelism(2);
提交任务时的客户端./bin/flink run -p 2 WordCount-java.jar .......
配置文件中flink-conf.yaml: parallelism.default: 2
算子级别 > env级别 > Client级别 > 配置文件级别 (越靠前具体的代码并行度的优先级越高)
什么时候调整并行度?
source:一般和kafka的分区数保持一致 transformation:如果处理逻辑复杂,耗时长,那么调大并行度, 如果数据过滤后变少了,处理简单,可以调小并行度 sink:一般和kafka的分区数保持一致,如果sink到其他地方,灵活处理(如到HDFS为了避免大量小文件可以调小并行度) 注意: 设置的并行度和实际执行时的并行度并不会始终一致
