Flink学习笔记（七）并行度详解

一、概述：

一个Flink程序由多个任务（Source、Transformation和Sink）组成。一个任务由多个并行实例（线程）来执行，一个任务的并行实例（线程）数目被称为该任务的并行度。

二、TaskManager和Slot

Flink是一个分布式流处理框架，它基于TaskManager和Slot来实现任务的执行。TaskManager是Flink中负责运行任务的工作进程，而Slot是TaskManager中可用的资源。

TaskManager在Flink集群中分布式运行，每个TaskManager可以运行多个Slot。Slot是TaskManager中的资源分配单位，每个Slot可以运行一个Flink任务。TaskManager会根据需要动态分配Slot，以满足任务执行的需求。

在Flink中，任务是按照任务图来执行的。任务图是一个有向无环图，其中每个节点代表一个任务，边表示任务之间的依赖关系。当一个任务需要运行时，Flink会检查当前所有TaskManager中的空闲Slot，并将任务分配到其中一个空闲的Slot中运行。如果没有足够的空闲Slot，Flink会向集群中添加新的TaskManager，以提供更多的资源。

在任务执行期间，TaskManager会将任务状态存储在内存中，并定期将状态写入磁盘以防止数据丢失。如果一个TaskManager出现故障，Flink会自动将该TaskManager上的任务重新分配到其他TaskManager上继续执行，以确保任务的高可用性。

总之，TaskManager和Slot是Flink中关键的资源管理器，它们可以动态分配和管理任务执行所需的资源，以提高Flink任务的性能和可靠性。

三、并行度的设置：

一个任务的并行度设置可以从4个层面指定。

（1）Operator Level（算子层面）
（2）Execution Environment Level（执行环境层面）
（3）Client Level（客户端层面）
（4）System Level（系统层面）

这些并行度的优先级为Operator Level>Execution Environment Level>ClientLevel>System Level

四、如何设置合适的并行度

1. 数据源的并行度：数据源的并行度应该等于或大于最终算子的并行度，以充分利用系统资源。
2. 算子逻辑的复杂度：算子逻辑越复杂，相应的并行度就需要更高才能提供足够的吞吐量。因此，在确定算子并行度时，应该考虑算子逻辑的复杂度。
3. 系统资源的可用性：在确定算子并行度时，应该考虑系统可用的资源。例如，如果系统的CPU和内存资源有限，那么高并行度可能会导致任务竞争和低性能。
4. 数据倾斜：数据倾斜是指数据分布不均衡，这可能会导致某些算子的并行度成为瓶颈。在这种情况下，可以通过调整算子的并行度来解决数据倾斜问题。
5. 实验调整：最终的并行度设置可能需要通过实验来进行调整。可以通过监视和调整算子的并行度来观察和优化作业性能。

五、并行度设置不合理会导致哪些问题：

1.反压：Flink中某些算子的并行度设置过小可能会导致反压的情况。反压是指某个算子的输出速度超过了下游算子的处理速度，导致下游算子的任务堆积和延迟。这可能会导致整个作业的性能下降和任务失败。

2.过高的并行度设置可能会导致资源浪费。如果某个算子的并行度设置过高，该算子可能会占用过多的系统资源，从而影响整个作业的性能。此外，过高的并行度设置还可能会导致任务之间的竞争，从而影响系统的稳定性。

3.过高或过低的并行度设置还可能会导致数据倾斜。如果某个算子的并行度设置过高或过低，可能会导致数据倾斜，从而影响整个作业的性能。过高的并行度设置可能会导致某些子任务负载过重，从而导致数据倾斜。过低的并行度设置可能会导致某些子任务负载过轻，从而导致数据倾斜。