Flink的基础理论系统架构介绍
|0x00 如何进行批量数据的流处理
Flink将批处理当做是流处理的一种特殊形式，即数据流是有限度的，处理的方法与流处理也基本相似，但存在一些区别：
（一）不再使用检查点机制：由于数据集是有限的，因此容错机制可以通过重跑全部数据的形式来实现。尽管这样做会显著增加容错的代价，但由于实现方式非常简单，避免了可能存在的潜在问题。
（二）有状态操作（Stateful Operations）被极大的简化，使用了简单的内存操作及非核心数据结构来实现，而不是key/value键值对的形式。
（三）引入了只有在批处理时才使用的同步迭代机制。
|0x01 任务及操作链
Flink在分布式状态下，会将算子（Operator）的子任务（Subtask）链接作为任务（Task）。每个任务（Task）在单独的线程中运行，能够减少线程之间的切换、减少消息的序列化/反序列化、减少数据在缓冲区的交换、减少了延迟的同时提高整体的吞吐量。相关图示如下：
|0x02 分布式进程
Flink分布式环境包括两大进程：
（一）JobManagers，又称为Masters，用于协调分布式执行机制，包括分布式环境下的任务、检查点、容错机制等。JobManager最少要有1个，高可用性场景下要求有多个。多个JobManager中只有一个是leader，其余的是备用进程。
（二）TaskManagers，用于执行数据流中的具体任务（Task）和子任务（Subtask），TaskManager至少应该有1个。
当Flink集群启动后，首先会启动一个Jobmanger和多个的TaskManager。由Client提交任务给JobManager，JobManager再调度任务到各个TaskManager去执行，然后TaskManager将心跳和统计信息汇报给JobManager。
分布式进程图式如下：
|0x03 线程槽位与资源
每一个TaskManager是一个JVM进程，能够执行一个或多个子任务（Subtask）的线程，这些线程由线程槽位（Task Slots）控制。在TaskManager下，每个Task Slot分配了固定的资源，主要是内存资源，不涉及cpu资源。假如TaskManager包括了三个Task Slot，每个Task Slot都将分配到1/3的内存资源。图示如下：
在默认情况下，Flink允许子任务（Subtask）共享单元内的资源给不同类型的任务，只要这些不同类型的任务都是在同一个Job下，这样做有两个好处：
（一）每个Flink的节点都可以尽可能多的运行job任务，不需要计算它们总共需要多少资源。
（二）能够最大化的利用系统资源，提升数据流计算的并行度，并且确保繁荣的子任务（Subtask）能够公平的分布在TaskManager中。
以上图为例，通过槽位共享机制，并行度能够从2提升到了6，如下图所示：
|0xFF 后端状态
当我们启动了检查点机制时，流处理中的相关状态（State）信息将被后端持久化，具体后端以何种方式存储，将决定持久化的方式和位置。例如可以选择在内存中存储HashMap，也可以选择通过RocksDB的方式存储键值对。图示如下：
