标签：技术 dfs rem 通过 系统 cli 序列 创建 man
（1）flink的任务提交流程（无Dispatcher提交）
1、client向yarn提交application后，同时向HDFS上传flink的Jar包和配置。ResourceManager为application分配Container资源并通知对应的NodeManager启动ApplicationMaster。
2、ApplicationMaster启动后加载Flink的Jar包和配置，构建环境以启动JobManager。JobManager首先接收应用程序的相关资源如jobgraph，会将JobGraph转换成物理层面的数据流图ExecutionGragh。
4、JobManager向ResourceManager申请Container启动TaskManager，ResourceManager分配Container资源后，通知资源所在节点的NodeManager启动TaskManager。
5、NodeManager加载Flink的Jar包和配置构建环境并启动TaskManager，每个TaskManager都包含一定数量的插槽slots，插槽的数量限制了TaskManager能够执行的任务数量。
6、TaskManager会向ResoureManger注册它的插槽，收到ResourceManger的指令后，TaskManager就会将若干个插槽提供个JobManager调用，JobManager就可以向插槽分配任务（tasks)来执行。
注意：一个nodemanager可以有多个TaskManager的，每个container都会有一个TaskManager。
（2）flink中各个组件的作用
1、JobManager：Flink系统的协调者，它负责接收Flink Job，并负责调度Task的执行。同时JobManager还负责收集Job的状态信息，并管理Flink集群中的从节点TaskManager。
2、TaskManager：从 Job Manager 处接收需要部署的 Task。负责管理其所在节点上的资源信息，如内存、磁盘、网络，在启动的时候将资源的状态向JobManager汇报。
3、client：Client 不是 Flink 程序执行的内部部分，但它是任务执行的起点。Client 负责接受用户的程序代码，然后创建数据流，将数据流提交给JobManager以便进一步执行。执行完成后，Job Client 将结果返回给用户。
4、Slot ：理解为是资源的最小管理单位，它是TaskManager资源的一个子集。通过slot，flink将资源进行有效的划分和管理。flink中允许一个任务的不同子任务共享同一个slot，也允许不同任务的不同子任务共享同一个slot，前提是这些子任务不属于同一种操作类型的任务。通过slot共享，能够让资源密集型子任务(Source，Map)和资源密集型子任务(KeyBy/Window/Apply)能够充分利用资源，避免闲的闲死，忙的忙死。
（3）flink的执行图
1、StreamGraph：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。
2、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。
3、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。
4、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。
标签：技术 dfs rem 通过 系统 cli 序列 创建 man
原文地址：https://www.cnblogs.com/hdc520/p/12974917.html
