Flink Parallelism介绍
在Apache Flink中，Parallelism（并行度）是一个核心概念，它决定了Flink任务（Task）的并行执行程度。Parallelism指的是在Flink应用程序中，一个算子（Operator）或任务可以同时处理的输入数据流或并发任务的数量。通过并行执行，Flink能够实现更高的吞吐量和更低的延迟。
Flink的并行度可以在两个级别进行配置：
作业级别并行度（Job Parallelism）：
定义：作业级别并行度是指整个作业中任务的数量，它决定了作业的整体并行执行能力。
配置方式：可以在提交作业时通过编程API或命令行参数进行指定。例如，设置作业级别并行度为4，表示将作业划分为4个并发任务进行执行。
算子级别并行度（Operator Parallelism）：
定义：算子级别并行度是指每个算子（Operator）的任务数量，它决定了每个算子的并行执行程度。
配置方式：在Flink中，每个算子都可以独立地设置并行度。默认情况下，算子的并行度与作业级别并行度相同，但可以根据需要进行调整。
并行度的选择需要考虑多个因素，包括可用的计算资源、数据流的特性、任务之间的依赖关系以及作业的性能需求。合理的并行度设置可以充分利用集群的资源，提高作业的吞吐量和响应时间。
Flink Slot介绍
Slot（槽）是Flink中的另一种资源分配单位，用于执行并行的任务或算子。Slot是TaskManager中资源分配的基本单位，代表着TaskManager的一部分计算资源，主要包括CPU、内存以及其他可能的资源（如磁盘空间、网络带宽等）。
每个TaskManager可以划分为多个Slot，这些Slot是静态配置的，用于隔离或封装资源，防止多个Task之间抢占资源。默认情况下，每个Slot都分配一个CPU。Slot的数量可以在Flink的配置文件中设置，如taskmanager.numberOfTaskSlots: 3。
在Flink中，Slot与任务（Task）的关系是多对一的关系，即一个Slot可以执行一个或多个任务，但一个任务只能被一个Slot执行。当Flink提交任务时，它会根据任务的并行度（parallelism）和集群中可用的Slot数量来分配任务到不同的Slot上执行。
Slot机制具有以下几个特点：
资源隔离：每个Slot独立管理其占用的资源，避免不同任务间的资源争抢。
并行执行：作业中的一个算子设置了并行度之后，会生成对应的多个子任务，这些子任务将会被分配到不同或相同的Slot上执行，以实现并行处理数据。
算子链与共享Slot：Flink支持算子链（Operator Chaining），当链上的算子具有相同的并行度时，这些算子可以共享一个Slot，减少数据在内存中传输的成本，提高性能。
动态资源调整：在YARN或Kubernetes等资源管理系统中，Flink能够动态申请和释放TaskManager上的Slot，从而适应不断变化的作业负载。
通过合理配置Slot和并行度，可以优化Flink程序的性能和资源利用率。