一、Flink整体架构

Flink整体架构可以分为APIs&Libraries、Core和Deploy三层：

• Libraries层也被称作Flink应用组件层，是在API层之上构建满足了特定应用领域的计算框架，包括面向流处理的CEP（复杂事件处理）、类SQL操作，面向批处理的FlinkML（机器学习库）、Gelly（图处理）等；APIs层主要实现了面向流处理对应的DataStream API，面向批处理对应的DataSet API。
• Core层提供了Flink运行时的全部核心实现，例如支持分布式Stream作业执行、JobGraph到ExecutionGraph的映射和调度等，为API层提供了基础服务。
• Deploy层支持多种部署模式，包括本地、集群（Standalone、YARN、Kubernetes）及云部署（GCE/EC2）。

整体架构

接下来我们从上向下，依次介绍Flink的架构设计与实现，如有不当之处欢迎交流与拍砖~

二、Flink API

Flink提供了多种抽象的编程接口，适用于不同层级用户的需求，如下图所示：

Flink API

2.1 Stateful Processing Function

最底层级的抽象提供了强大且灵活的编程能力，在其中可以直接操作状态数据、TimeService等服务，同时可以注册事件时间和处理时间回调定时器，使程序能够实现更加复杂的计算。使用Stateful Processing Function需要借助DataStream API。虽然灵活度很高，但是使用复杂度也相对较高，且在DataStreamAPI中已经封装了丰富的算子可以直接使用，因此除非用户需要自定义比较复杂的算子（如直接操作状态数据等），否则无须使用Stateful Processing Function来开发Flink作业。

2.2 DataStream&DataSet API

大多数应用都是针对Core API进行编程 ：DataStream API（ 有界或无界流数据） 和DataSet API（有界数据集）。这些 API提供了通用的数据处理操作， 比如由用户定义的多种形式的转换（ transformations）、连接（ joins）、聚合（ aggregations）、窗口操作（ windows） 等等。DataSet API 为有界数据集提供了额外的支持， 例如循环与迭代。

值得一提的是，虽然Table和SQL API已经能够做到批流一体，但这仅是在逻辑层面上，最终还是会转换成DataSet API和DataStream API对应的作业。在未来的版本中，Flink将逐渐通过DataStream处理有界数据集和无界数据集，实现真正意义上的批流一体。

2.3 Flink SQL & Table API

Flink提供的高层级的抽象是Table API与Flink SQL 。其中Table API 是以表为中心的声明式编程，表可能会动态变化（在表达流数据时）。Table API遵循关系模型：表有二维数据结构（schema，类似于关系数据库中的表），同时API提供常用的查询操作，例如select、project、join、group-by、aggregate等。Table API 可以通过用户自定义函数（ UDF）进行扩展。除此之外，Table API程序在执行之前会经过内置优化器进行优化。

Flink SQL在语法与表达能力上与Table API类似，只是以SQL查询表达式的形式编写和表达逻辑。SQL抽象与Table API交互密切，SQL查询可以直接在Table API定义的表上执行。

三、DataStream解析

DataStream API用于构建流式类型的Flink程序，处理实时无界数据流，是Flink系统中最重要的API。本节结合一个简单的示例对DataStream API进行浅析。

3.1 WordCount示例

// set up the execution environment
final StreamExecutionEnvironment env = StreamExecutionEnvironment.getExecutionEnvironment();

// make parameters available in the web interface
env.getConfig().setGlobalJobParameters(params);

// get input data
DataStream<String> dataStream = env.readTextFile("the_path_for_input");
DataStream<Tuple2<String, Integer>> counts =
        // split up the lines in pairs (2-tuples) containing: (word,1)
        dataStream.flatMap(new Tokenizer())
                // group by the tuple field "0" and sum up tuple field "1"
                .keyBy(value -> value.f0)
                .sum(1);

counts.print();

// execute program
env.execute("Streaming WordCount");

从上面WordCount代码示例可以看出，一个Flink流处理程序主要包括以下3个部分:

1. StreamExecutionEnvironment初始化：该部分主要创建和初始化StreamExecutionEnvironment，提供通过DataStream API构建Flink作业需要的执行环境，包括设定ExecutionConfig、CheckpointConfig等配置信息以及StateBackend和TimeCharacteristic等变量。
2. 业务逻辑转换代码：该模块是用户编写转换逻辑的区域，在streamExecutionEnvironment中提供了创建DataStream的方法，例如通过StreamExecutionEnvironment.readTextFile()方法读取文本数据并构建DataStreamSource数据集，之后所有的DataStream转换操作都会以DataStreamSource为头部节点。同时，DataStreamAPI中提供了各种转换操作，例如map、reduce、join等算子，用户可以通过这些转换操作构建完整的Flink计算逻辑。
3. 执行应用程序：编写完Flink应用后，必须调用ExecutionEnvironment.execute()方法执行整个应用程序，在execute()方法中会基于DataStream之间的转换操作生成StreamGraph，并将StreamGraph结构转换为JobGraph，最终将JobGraph提交到指定的Session集群中运行。

3.2 DataStream结构

DataStream数据结构包含两个主要成员：streamExecutionEnvironment和transformation。DataStream用于表达业务转换逻辑，可以通过transformation生成新的DataStream。DataStream实际上并不存储真实数据。

DataStream

如上图所示，DataStream之间的转换操作都是通过StreamTransformation进行的，例如当用户执行DataStream.map()方法转换时，底层对应的便是OneInputTransformation转换操作。在DataStream转换的过程中，不管是哪种类型的转换操作，都是按照相同方式进行：首先将用户自定义的函数（如示例中的new Tokenizer()）封装到Operator中，然后将Operator封装到Transformation转换操作结构中，最后将Transformation写入StreamExecutionEnvironment提供的Transformation集合。通过DataStream之间的转换操作形成Pipeline拓扑，即StreamGraph数据结构，最终通过StreamGraph生成JobGraph并提交到集群上运行。

3.3 Transformation

由上文可以知道，DataStream之间的转换操作都是基于Transformation来实现的，每种Transformation实现都和DataStream的一个接口方法对应。

Transformation类图

从上面的的Transformation类图可以看出，Transformation的子类涵盖了所有的DataStream转换操作。常用到的StreamMap、StreamFilter算子封装在OneInputTransformation中，即单输入类型的转换操作；常见的双输入类型算子有join、connect等，对应支持双输入类型转换的TwoInputTransformation。

在Transformation的基础上又抽象出了PhysicalTransformation类。PhysicalTransformation中提供了setChainingStrategy方法，可以将上下游算子按照指定的策略连接，从而减少网络数据传输、提高计算性能。ChainingStrategy支持如下三种策略：

• ALWAYS：代表该Transformation中的算子会和上游算子尽可能地链化，最终将多个Operator组合成OperatorChain。OperatorChain中的Operator会运行在同一个SubTask实例中，这样做的目的主要是优化性能，减少Operator之间的网络传输。
• NEVER：代表该Transformation中的Operator永远不会和上下游算子之间链化，因此对应的Operator会运行在独立的SubTask实例中。
• HEAD：代表该Transformation对应的Operator为头部算子，不支持上游算子链化，但是可以和下游算子链化，实际上就是OperatorChain中的HeaderOperator。

这里整理了常用的Transformation，如下图所示：

Transformation

四、运行时架构

Flink客户端会将用户的作业转换为JobGraph结构并提交至集群的运行时中，对作业进行调度并拆分成Task继续调度和执行。运行时中的核心组件和服务会分工并协调合作，最终完成整个Job的调度和执行。

运行时架构

4.1 主要组件

这里先介绍几个Flink中的重要概念：

• Job: 一个Job对应一个用户提交的作业，也即对应一个jobGraph
• Task: Flink会基于jobGraph中每个算子的链化策略（见3.3）和用户设置的并发度，将一个Job拆分为多个Task，并为每个Task申请资源执行
• Slot: 是Flink中并发执行的最小单位，可以理解为Java中的线程。Slot由集群中的TaskManager提供、ResourceManager统一管理。

Dispatcher

Dispatcher主要负责接收客户端提交的JobGraph对象（例如CLI客户端或FlinkWebUI提交的任务最终都会发送至Dispatcher组件），并对JobGraph进行分发和执行。其中就包含根据JobGraph对象启动JobManager服务，专门用于管理整个任务的生命周期。

ResourceManager

ResourceManager有两个主要职责：负责管理Flink集群中的计算资源，其中计算资源主要来自TaskManager组件；以及接收来自JobManager的SlotRequest。

如果采用集群部署方式，则ResourceManager会动态地向集群资源管理器申请Container并启动TaskManager，例如HadoopYarn、Kubernetes等。对于不同的集群资源管理器，ResourceManager的实现也会有所不同。

JobManager

Dispatcher会根据接收的JobGraph对象为任务创建JobManager服务，由后者对整个任务的生命周期进行管理。JobManager会将JobGraph转换成ExecutionGraph结构，并通过内部调度程序对ExecutionGraph中的ExecutionVertex节点进行调度和执行，最终会经过ResourceManager向指定的TaskManager提交和运行Task实例。同时也会监控各个Task的运行状况，直到整个作业中所有的Task都执行完毕或停止。

和Dispatcher组件一样，JobManager组件本身也是RPC服务，因此具备RPC通信的能力，可以与ResourceManager进行RPC通信、申请任务的计算资源。当任务执行完毕后，JobManager服务也会关闭并释放任务占用的计算资源。

TaskManager

TaskManager负责向整个集群提供Slot计算资源、并管理JobManager提交的Task任务。TaskManager会向JobManager服务提供从ResourceManager中申请和分配的Slot计算资源，JobManager最终会根据分配到的Slot计算资源将Task提交到TaskManager上运行。

4.2 执行流程

接下来我们看整个集群中各个主要组件的启动流程。如上图，我们以Session类型（见第五节）的集群为例进行说明，Flink Session集群的启动流程主要包含如下步骤：

1. 用户通过客户端命令启动SessionCluster，此时会触发整个集群服务的启动过程，客户端会向集群资源管理器申请Container计算资源以启动运行时中的管理节点。
2. ClusterManagement会为运行时集群分配Application主节点需要的资源并启动主节点服务，例如在HadoopYarn资源管理器中会分配并启动Flink管理节点对应的Container。
3. 客户端将用户提交的应用程序代码经过本地运行生成JobGraph结构，然后通过ClusterClient将JobGraph提交到集群运行时中运行。
4. 此时集群运行时中的Dispatcher服务会接收到ClusterClient提交的JobGraph对象，然后根据JobGraph启动JobManagerRPC服务。JobManager是每个提交的作业都会单独创建的作业管理服务，生命周期和整个作业的生命周期一致。
5. 当JobManagerRPC服务启动后，下一步就是根据JobGraph配置的计算资源向ResourceManager服务申请运行Task实例需要的Slot计算资源。
6. 此时ResourceManager接收到JobManager提交的资源申请后，先判断集群中是否有足够的Slot资源满足作业的资源申请，如果有则直接向JobManager分配计算资源，如果没有则动态地向外部集群资源管理器申请启动额外的Container以提供Slot计算资源。
7. 如果在集群资源管理器（例如HadoopYarn）中有足够的Container计算资源，就会根据ResourceManager的命令启动指定的TaskManager实例。
8. TaskManager启动后会主动向ResourceManager注册Slot信息，即其自身能提供的全部Slot资源。ResourceManager接收到TaskManager中的Slot计算资源时，就会立即向该TaskManager发送Slot资源申请，为JobManager服务分配提交任务所需的Slot计算资源。
9. 当TaskManager接收到ResourceManager的资源分配请求后，TaskManager会对符合申请条件的SlotRequest进行处理，然后立即向JobManager提供Slot资源。
10. 此时JobManager会接收到来自TaskManager的offerslots消息，接下来会向Slot所在的TaskManager申请提交Task实例。TaskManager接收到来自JobManager的Task启动申请后，会在已经分配的Slot卡槽中启动Task线程。
11. TaskManager中启动的Task线程会周期性地向JobManager汇报任务运行状态，直到完成整个任务运行。

五、Flink部署模式

常见的Flink部署方式有如下三种：

• Standalone：单机部署
• Flink on YARN：YARN集群部署
• Flink on Kubernetes：容器化部署

这里以Flink on YARN来说明两种常用的部署模式：

• Session-Cluster模式：Session-Cluster模式需要先启动集群，然后再提交作业，接着会向YARN申请一块空间后，资源永远保持不变。如果资源满了，下一个作业就无法提交，只能等到YARN中的其中一个作业执行完成后释放了资源，下个作业才会正常提交。所有作业共享Dispatcher和ResourceManager、共享资源，适合规模小执行时间短的作业。

Session-Cluster模式

• Per-Job-Cluster模式：一个Job会对应一个集群，每提交一个作业会根据自身的情况，都会单独向YARN申请资源，直到作业执行完成，一个作业的失败与否并不会影响下一个作业的正常提交和运行。独享Dispatcher和ResourceManager，按需接受资源申请，适合规模大长时间运行的作业。

Per-Job-Cluster

参考资料

• Flink源码
• 《Flink设计与实现 核心原理与源码解析》--张利兵
• B站Flink教程