Flink术语

Flink Application:

一个完整的Flink程序代码叫做一个Flink Application，其始于一个或多个Source，终于一个或多个Sink，中间由一个或者多个Operator(算子)组合对数据进行转换形成Transformation。

编写Flink代码要符合一定的流程，首先我们需要创建Flink的执行环境（Execution Environment）,

然后再加载数据源Source，对加载的数据进行Transformation转换，进而对结果Sink输出，最后还

要执行env.execute()来触发整个Flink程序的执行，编写代码时将以上完整流程放在main方法中形成一个完整的Application。

Flink Job:

一个Flink Application中可以有多个Flink Job，每次调用execute()或者executeAsyc()方法可以触发一个Flink Job

execute()：该方法为阻塞方法，当一个Flink Application中执行多次execute()方法触发多个 job时，下一个job的执行会被推迟到该job执行完成后再执行。

executeAsyc()：该方法为非阻塞方法，一旦调用该方法触发job后，后续还有job也会立即提交执行。

Flink Application 并行度:

一个 Flink Application 的并行度通常认为是所有Operator中最大的那个并行度。

算子链:

Flink中算子之间的数据流向是one-to-one，算子的并行度也一样。那么这些算子可以合并成一个算子链。

Task & SubTask:

Flink中一个Task对应的是一个算子或者多个算子逻辑(算子链)。

Task会按照并行度划分成多个Subtask，每个Subtask由一个Thread线程执行。

Flink任务调度的基本单元：Subtask

StreamGraph & JobGraph & ExecutionGraph：

Flink Application 提交后在客户端转换成StreamGraph（任务流图），

StreamGraph是没有经过任何优化的流图，展示的是程序整体执行的流程。StreamGraph进而会按照默认的Operator Chains算子链合规则转换成JobGraph（作业图），在JobGraph中会将并行度相同且数据流转关系为One-to-one关系的算子合并在一起由一个Task进行处理。

JobGraph会被提交给 JobManager ，最终由JobManager中JobMaster转换成ExecutionGraph（执行图），ExecutionGraph中会按照每个算子并行度来划分对应的Subtask，每个Subtask最终再次被转换成其他可以部署的对象发送到TaskManager上执行。

Task Slot：

Flink集群中每个TaskManager是一个JVM进程，可以在TaskManagr中执行一个或者多个线程(Subtask)，为了能控制一个TaskManager中接收多少个SubTask，TaskManager节点上提供了 TaskSlot（任务槽）。每个TaskSlot可以运行一个或者多个S ubtask。每个JobManager上至少有一个TaskSlot。

每个taskSlot都有固定的资源，会均分TaskMananger中的内存，共享和竞争TaskManger进程的CPU。由于T askslot只会对内存进行隔离不会对CPU进行隔离，一台TaskManager Taskslot越多意味着越多的taskslot争夺CPU资源，所以 T askslot的值设置建议和该TaskManager节点CPU core的数量保持一致 。

SlotSharingGroup共享组(SSG):

Flink允许同一JOB的SubTask共享同一个TaskSlot，即一个TaskSlot可以持有整个流程的SubTask。