流式计算（五）-Flink核心概念
一手资料，完全来自官网，直接参考英文过来的，并加了一些自己的理解，希望能让看官君了解点什么，足矣。
环境：Flink1.9.1
难度：新手--战士--老兵--大师
目标：
- 理解Flink的计算模型
- 认识各重要组件
说明：
本篇作为前两篇的补充内容，算是理论篇
步骤：
01-Flink编程模型
Flink的流计算整体来看都是按照Source -> Transformation -> Sink三步走，即获取流源 -> 进行转换 -> 汇聚(Sink)，但“转换 (Transformation)”可能有多个步骤，比如依次进行 KeyBy、Reduce 和 Map 操作等，如下为示意图：
02-并行数据流
Flink自诞生起即带有并行与分布式特征，数据流在执行过程中，会被“分区(Partition)”，一般为按照Key进行逻辑分区，也可进行物理分区。每个算子(Operator)都有一到多个”算子子任务”，这些算子子任务彼此独立，在不同的线程中执行，分布式环境下，可能在不同的服务器或容器(比如Docker)上执行。
每个算子子任务个数即为该算子的并行度(parallelism)，可整体设置执行环境并行度从而作用于该环境下的所有算子，也可单独的算子设置，这样同一程序中不同的算子可以有不同的并行度。具体使用见我前面的文章篇二。并行度通常为生产型算子所具备，如下图Map的并行度为2，Sink的为1：
03-算子间数据分发
“一对一(one-to-one)”：我们再看上图，算子 Source 和 map() 之间就会保留元素的分区和顺序，即map()子任务[1]接收的元素和Source子任务[1]产生的元素顺序一致。
“再分配(Redistributing )”：上图中的 map() 和 keyBy/window 之间，还有keyBy/window 和 Sink 之间，都会改变元素的分区。算子如 keyBy() / broadcast() / rebalance() 都可改变元素分区，结果就是只有上下游的算子子任务中相同分区内的元素顺序不变，比如上图中 map()的 subtask[1] 对接 keyBy/window 的 subtask[2]，但是到了Sink算子，汇聚后的顺序是不确定的，因为与各算子子任务的元素到达时间相关，比如上图的的两个算子子任务到Sink算子。
04-状态计算
状态概念见我前篇java steam中有解释，可对比，所谓有状态，就是程序需要记住上下文信息和一些中间计算结果，比如统计流元素个数，就必须有状态。Flink中的状态计算也非常普遍，有的是每次只关注于一个事件Event (事件即域模型的状态改变的声明，可以在流或批处理应用中做为输入/输出。是特殊类型的流元素。)，比如event parser。有的是需要存储多个事件的信息，比如Window算子。
状态可视为通过内嵌的key/value存储来维护。状态会被分区并严格地分发给有状态计算的流，因此状态只能被已key分区( keyBy()之后)的流访问，并且仅限于与当前事件的key有关联的value。流之间keys和状态的协调能保证所有的状态更新都是本地的，从而确保不出现事务型开销。这样，Flink中状态分发和分区调整都能透明的进行。如下图中Source[1]和Source[2]中的相同的keys[DEZ]，会保存在一个状态中，并由Flink自动完成状态的更新和协调。
05-检查点(CheckPoint)容错机制
Flink的容错机制通过 stream replay 和 checkpointing组合来实现。检查点就是流中一个特定的包含算子状态的点。流可以从一个检查点恢复，从而确保(exactly-once)语义。检查点时间间隔大小可以调整容错开销和恢复时间两者间的平衡。
06-批处理流：
Flink批处理模式下，即使用DataSet ，每次对一定数量的元素进行批处理，这与流处理基本一样，但有些微区别：
- 批处理模式下不使用检查点(CheckPoint)，因为元素个数是确定的，恢复时直接将相关流部分完全恢复，虽然恢复时负载大一些，但通常会使流处理更省资源。
- DataSet API批处理时，使用简化的in-memory/out-of-core数据结构保存状态，而不是key/value存储
- DataSet API批处理独有同步迭代
07-算子链(operator chain)
在分布式环境下，算子子任务(subtask)被分成多个任务组(tasks)，每个任务组由一个线程执行。Flink进行了运行优化，也即对subtask进行链式操作，链式操作结束之后得到的task，再作为一个调度执行单元，放到一个线程里执行，这样能减少线程间切换和缓存，好处当然是能提高吞吐量和降低延迟。如下图，source/map 两个算子进行了链式连接；keyby/window/apply进行了链式连接，sink单独的一个。从而将有5个任务组，由5个线程并行执行。
08- JobManager和TaskManager
JobManager，也叫主(master)节点，负责协调分布式执行，具体如安排task，协调检查点(checkpoint)，协调故障恢复等。集群中至少有一个，高可用架构下会有多个，其中之一为事实上的领导者(leader)，其他为候补(standby)，leader发送故障时，standby转为leader。
TaskManager ,也叫工人(worker)节点，负责执行数据流的子任务(task)，还有缓存和数据交换。必须至少一个TaskManager。JobManager和TaskManager可以在独立服务器、容器或者资源管理框架 YARN or Mesos中运行，然后TaskManager连接JobManager并声明可用，进而被分配具体工作。
09-任务插槽(task slot)和资源
每个工人(TaskManager)就是一个JVM进程(process)，能通过独立线程执行一到多个子任务，子任务的可接收数量就叫任务插槽(task slot)，至少得有1个。任务插槽代表TaskManager内的一组固定的资源集，一个TaskManager所有的任务插槽都会均分其控制的内存，比如有3个插槽的TaskManager ，各插槽被分配1/3其管理的内存，这样的好处是为了避免子任务间的资源竞争。但目前这里不涉及CPU资源，仅是内存隔离。
通过调整任务插槽数，可以控制子任务的隔离度。比如TaskManager只有一个任务插槽，即意味着每个任务组运行在独立的JVM(可运行在容器内)中，有多个任务插槽则意味着共享JVM内TCP连接(多路复用方式)和心跳消息，可能还共享数据集和数据结构，从而减少总体负载。
Flink默认对来自于不同Job的子任务都可以共享任务插槽，同一job的就更不用说了。这样一个slot可能执行job的一个完整的管道流(从source到sink)，好处有二。
- Flink集群所需的任务插槽数与job中最高的并行度完全一致即可，并不需要去计算并行度各异的任务的总数。(这点的理解很重要，请看官君思考下)
- 优化了资源利用。因为非密集型source/map()的任务组和密集型window 子任务占用同样多的资源。下图中，将前面的图中的例子的并行度由2增加到6，这样在有6个task slot的前提下，资源密集型source/map()任务就会被平均分配到各slot中，从而达到的slot的完全利用。
按照经验，CPU核心数作为任务插槽数为最佳实践。超线程场景下，每个slot会运行2到多个硬件线程上下文。
10-状态后端(state backend)
使用key/values存储状态的具体数据结构，依赖于选择的state backend 。一种是在内存hashMap存储，另一种是在 RocksDB中存储。状态后端还将K/V状态的时间点快照保存为检查点(checkpoint)中的部分内容。
11-保存点(savepoint)
使用Data Stream API的程序能从保存点恢复执行(批处理的API无检查点机制)，不丢失状态。
保存点实质上就是手动触发的检查点，会将程序快照写入状态后端。Flink的检查点机制会周期性获取woker上的快照并生成检查点。如果为了恢复，只需要一个最新的已完成的检查点，旧的检查点就可以删除了。savepoint和定期的checkpoint 是类似的，区别在于，它们是由用户生成，且当新的checkpoint生成时，它不会自动过期。savepoint 可以通过命令行创建，也可以用REST API取消job时创建，区别总结如下：
- Checkpoint 是增量式的，每次的时间较短，数据量较小，只要在程序里面启用后会自动触发，用户无感知；Checkpoint 是作业 failover 的时候自动使用，不需要用户指定。
- Savepoint 是全量做的，每次的时间较长，数据量较大，需要用户主动去触发。Savepoint 一般用于程序的版本更新（详见文档），Bug 修复，A/B Test 等场景，需要用户指定。
12-window生命周期
Window在属于窗口的第一个元素到来时立即创建，然后在超过最后的时间戳加上设置的延迟后完全移除。Flink只能确定对基于时间特征的window做移除，其他类型的则需视具体环境而定。
每个window都带有一个触发器(Trigger)和一个处理函数。处理函数用于对window中的内容做计算，Trigger则是决定什么条件下函数开始处理。Trigger有每个元素触发的，也有基于注册的时间特征定时器(timer)到达时触发的，还可以自定义。Trigger可以清空window的内容，但不是说删除window元数据，从而window仍然可以接收新元素。
另外，每个window可指定驱逐器(Evictor )，用于在Trigger触发后，也能在函数应用前/后移除一些元素，Evictor 可基于数量，时间戳或Delta算法等。比如只保留指定数量的元素，或移除时间戳超出最大指定值的元素。
此篇完！
总结：Flink内容还有很多，想要看得更全面，直接官网吧。
原创文章，未经本人同意，禁止转载，否则追究法律责任。
往期文章：