一、Flink运行架构概述
Flink作为一个分布式流式计算引擎，其运行架构主要围绕JobManager和TaskManager两大核心组件展开。
1. JobManager（Master）
负责协调分布式任务的执行，包括任务调度、资源申请、检查点协调和故障恢复等。一个Flink集群可配置多个JobManager实现高可用。
2. TaskManager（Worker）
实际执行任务的节点，每个TaskManager是一个独立的JVM进程，可运行一个或多个任务（Task）。任务通过Slot进行资源隔离和管理。
3. 集群部署模式
Standalone模式：Flink自带ResourceManager，负责Slot分配。
Yarn/K8s模式：由外部资源调度框架（如Yarn）担任ResourceManager角色。
二、并发度与Slots详解
1. Slot：资源隔离的基本单元
每个TaskManager可配置多个Slot（通过taskmanager.numberOfTaskSlots），Slot代表TaskManager内的一块固定资源子集（内存隔离）。Slot之间不隔离CPU，仅在同一个JVM内做内存隔离。
例如：若集群有3个TaskManager，每个配置1个Slot，则集群共有3个Slot。
2. 并行度（Parallelism）：动态执行能力
并行度是指程序运行时实际使用的并发数量，是一个动态概念。Flink允许在三个层面设置并行度，优先级从高到低如下：
代码中指定（最高优先级）
java
env.setParallelism(4); dataStream.map(...).setParallelism(2);
提交任务时指定
通过命令行或Web UI提交时设置-p参数。配置文件指定（最低优先级）
在flink-conf.yaml中设置parallelism.default。
若所需Slot数 > 集群可用Slot数，任务将阻塞或抛出异常。
三、开发环境搭建与示例程序
1. Maven依赖
xml
<dependency> <groupId>org.apache.flink</groupId> <artifactId>flink-java</artifactId> <version>1.12.5</version> </dependency> <dependency> <groupId>org.apache.flink</groupId> <artifactId>flink-streaming-java_2.12</artifactId> <version>1.12.5</version> </dependency>
2. 示例：Socket词频统计（流式WordCount）
java
public class SocketWordCount { public static void main(String[] args) throws Exception { StreamExecutionEnvironment env = StreamExecutionEnvironment.getExecutionEnvironment(); env.setParallelism(1); ParameterTool params = ParameterTool.fromArgs(args); DataStream<String> input = env.socketTextStream(params.get("host"), params.getInt("port")); DataStream<Tuple2<String, Integer>> counts = input .flatMap(new Splitter()).setParallelism(2) .keyBy(0) .sum(1).setParallelism(3); counts.print(); env.execute("Socket WordCount"); } }3. 本地运行（LOCAL模式）
启动Socket服务端：
bash
nc -lk 7777
在IDE中配置程序参数：
--host hadoop01 --port 7777运行程序，输入文本即可实时看到词频累加结果。
四、提交到集群执行与并行度分析
1. 打包与提交
使用Maven打包生成
FlinkDemo-1.0.jar通过Flink Standalone Web UI提交：
进入Submit New Job页面
上传JAR文件
指定入口类与全局并行度
2. 任务执行视图
提交后可在Running Jobs页面查看：
数据流图：展示任务执行的各阶段与数据流向
Slot占用情况：每个步骤的并行度与Slot数量
3. Slot复用机制
即使一个任务需要的总Slot数（如7个）大于集群总Slot数（如3个），任务仍可运行，因为Slot在不同执行阶段可复用。只要集群Slot数 ≥ 任务中最大并行度所需的Slot数，任务即可执行。
4. 资源竞争与等待
若集群Slot被占满，新任务将等待并重试申请Slot（默认重试10次后暂停）。在attached模式下，客户端会持续输出申请进度。
五、Flink整体运行流程
1. 客户端提交任务
方式：Java程序调用 或
./bin/flink run命令模式：
Per-job模式：在客户端构建JobGraph后提交
Application模式：提交到集群后由JobManager构建JobGraph
连接模式：
Attached（默认）：客户端持续跟踪任务状态
Detached：提交后客户端立即退出
2. JobManager内部组件
| 组件 | 职责 |
|---|---|
| ResourceManager | 管理Slot资源（Standalone/Yarn/K8s） |
| Dispatcher | 提供REST接口与Web UI，为每个任务启动JobMaster |
| JobMaster | 管理单个JobGraph的执行 |
3. 执行流程
text
Client → 提交JobGraph + JAR包 → JobManager → 转换为ExecutionGraph（执行计划） → 向ResourceManager申请Slot → 分发任务到TaskManager → 启动执行
4. TaskManager与Slot
每个TaskManager可配置多个Slot（
taskmanager.numberOfTaskSlots）每个Slot对应一个执行线程
Slot在同一个任务内可共享，一个Slot即可贯穿整个处理流程
总结
Flink通过JobManager与TaskManager的分离设计，实现了高效的分布式流处理能力。Slot作为资源单位提供内存隔离，并行度作为执行单位提供弹性伸缩。任务通过JobGraph → ExecutionGraph的转换在集群中调度执行，支持Slot复用与多任务并发运行。
掌握Flink的运行架构，有助于在实际开发中合理设置并行度、优化资源使用，并快速定位任务执行中的资源与性能问题。
