【Flink入门修炼】1-4 Flink 核心概念与架构

前面几篇文章带大家了解了 Flink 是什么、能做什么，本篇将带大家了解 Flink 究竟是如何完成这些的，Flink 本身架构是什么样的，让大家先对 Flink 有整体认知，便于后期理解。

一、Flink 组件栈

Flink是一个分层架构的系统，每一层所包含的组件都提供了特定的抽象，用来服务于上层组件。Flink分层的组件栈如下图所示：

Deployment 层

该层主要涉及了Flink的部署模式，Flink支持多种部署模式：

• 本地、集群（Standalone/YARN）
• 云（GCE/EC2）
• Standalone部署模式与Spark类似。

我们看一下Flink on YARN的部署模式，如下图所示：

通过上图可以看到，YARN AM 与 Flink JobManager 在同一个 Container 中，这样 AM 可以知道 Flink JobManager 的地址，从而 AM 可以申请 Container 去启动 Flink TaskManager。
待 Flink 成功运行在 YARN 集群上，Flink YARN Client 就可以提交 Flink Job 到 Flink JobManager，并进行后续的映射、调度和计算处理。

Runtime层

Runtime 层提供了支持 Flink 计算的全部核心实现，比如：

• 支持分布式 Stream 处理
• JobGraph 到 ExecutionGraph 的映射、调度等等，为上层API层提供基础服务。

API层

API 层主要实现了面向无界 Stream 的流处理和面向 Batch 的批处理 API。
其中面向流处理对应 DataStream API，面向批处理对应 DataSet API。

Libraries 层

该层也可以称为 Flink 应用框架层，根据 API 层的划分，在 API 层之上构建的满足特定应用的实现计算框架，也分别对应于面向流处理和面向批处理两类。

• 面向流处理支持：CEP（复杂事件处理）、基于 SQL-like 的操作（基于 Table 的关系操作）；
• 面向批处理支持：FlinkML（机器学习库）、Gelly（图处理）。

二、Flink 集群架构

主要为 Runtime 层细分。
Flink 的通用系统架构如下图所示。

• 用户在客户端提交作业（Job）到服务端。
• 服务端为分布式的主从架构。 - Dispatcher 服务负责提供 REST 接口来接收 Client 提交的 Job，运行 Web UI，并负责启动和派发 Job 给 JobManager。- Resource Manager 负责计算资源（TaskManager）的管理，其调度单位是 slots。- JobManager 负责整个集群的任务管理、资源管理、协调应用程序的分布执行，将任务调度到 TaskManager 执行、检查点（checkpoint）的创建等工作。- TaskManager（worker）负责 SubTask 的实际执行，提供一定数量的 Slots，Slots 数就是 TM 可以并发执行的task数。当服务端的 JobManager 接收到一个 Job 后，会按照各个算子的并发度将 Job 拆分成多个 SubTask，并分配到 TaskManager 的 Slot 上执行。

任务的提交流程如下所示：

三、编程模型（API层次结构）

主要为 API & Library 层细分。
Flink提供了不同层次的接口，方便开发者灵活的开发流处理、批处理应用，根据接口使用的便捷性、表达能力的强弱分为四层：

• 最底层提供了有状态流：可以自定义状态信息和处理逻辑，但是也需要你自己管理状态的生命周期，容错，一致性等问题。
• 核心开发层：包括 DataStream API 和 DataSet API，它们提供了常见的数据转换，分组，聚合，窗口，状态等操作。这个层级的 api 适合大多数的流式和批式处理的场景。
• 声明式 DSL 层：是以表为中心的声明式 DSL，其中表可能会动态变化（在表达流数据时）。Table API 提供了例如 select、project、join、group-by、aggregate 等操作
• 结构化层：SQL API，它是最高层的 api，可以直接使用 SQL 语句进行数据处理，无需编写 Java 或 Scala 代码。这个层级的 api 适合需要快速响应业务需求，缩短上线周期，和自动调优的场景，但也最不灵活和最不具有表现力。

四、Flink 数据流图

前一篇《WordCount 实现》文章中，我们写了一个入门程序，那么代码中的输入、输出、计算等算子是如何与上面的概念对应起来的呢？

程序由多个 DataStream API 组成，这些 API，又被称为算子 （Operator），共同组成了逻辑视角。在实际执行过程中，逻辑视角会被计算引擎翻译成可并行的物理视角。

在实际执行过程中，这些 API 或者说这些算子是并行地执行的。

• 分区：在大数据领域，当数据量大到超过单台机器处理能力时，就将一份数据切分到多个分区（pattition）上，每个分区分布在一个虚拟机或物理机。
• 并行：从物理视角上看，每个算子是并行的，一个算子有一个或多个算子子任务（Subtask），每个算子子任务只处理一小部分数据，所有算子子任务共同组成了一个算子。根据算子所做的任务不同，算子子任务的个数可能也不同。
• 独立：算子子任务是相互独立的，一个算子子任务有自己的线程，不同算子子任务可能分布在不同的物理机或虚拟机上。
• 数据交换： - 直传：source -> map，数据完全传递- 重分配：map -> keyBy，数据按照一定方式重新分配到多个算子中- 聚合：keyBy -> sink，多个算子的输出数据合并到一个算子中

五、小结

本篇文章从 Flink 组件栈开始，介绍 Flink 的分层架构，然后对每一层（Deploment、Runtime、API）进行了细致的讲解，说明每一层的作用和架构。最后对 Flink 数据流图进行了讲解，说明 Flink 代码是如何对应到具体执行的 task 的。
通过本篇讲解带大家了解了 Flink 整体架构，对 Flink 工作结构有了一个基础的认知，后面将会对每个 Flink 核心概念和组件进行细致的讲解。

参考文章：
Flink CookBook—Apach Flink核心知识介绍
Flink架构及工作原理介绍 - Workspace of LionHeart
Flink 架构 - 官方文档
God-Of-BigData/大数据框架学习/Flink核心概念综述.md at master · wangzhiwubigdata/God-Of-BigData