1. 计算公式
先看计算公式：（结果向上取整）
TaskManager个数 = Job的最大并行度 / 每个TaskManager分配的任务槽数
（注意老版本有参数-yn / --yarncontainer 来指定运行的 TaskManager个数，已经失效）
再来看看什么是并行度和任务槽数以及他们是如何确定的。
2. 并行度（parallelism）
一个Flink程序由多个Operator组成(source、transformation和 sink)。
一个Operator由多个并行的Task(线程)来执行， 一个Operator的并行Task(线程)数目就被称为该Operator(任务)的并行度(Parallel)。即并行度就是相对于Operator来说的。
并行度的指定，可以有4种级别来设置Operator的并行度
1） Operator Level（算子级别）
operator.setParallelism(3)
2）Execution Environment Level（执行环境级别）
streamExecutionEnvironment.setParallelism(3)
3）Client Level（客户端级别）
./bin/flink run -p 3 ...
4）System Level（系统默认级别，不推荐，因为会影响所有作业）
即在配置文件flink-conf.yaml中的配置项 parallelism.default
并行度的优先级：算子级别 > env级别 > 客户端级别 > 系统默认级别
3. 任务槽（task slot）
每个worker (TaskManager)是一个JVM进程，可以在单独的线程中执行一个或多个子任务。为了控制TaskManager接受的任务数量，它提出了任务槽的概念。每个任务槽代表TaskManager的一个固定的资源子集，每个TaskManager配置多个slot。由于Flink允许Sub-Tasks共享slot，一个Slot可以运行多个Sub-Task，但是这些Sub-Task必须是来自同一个Job的不同Task的Sub-Task。注意：同一个slot不能执行同一个Task的多个subTask，另外要注意，不是说一个slot里就只有一个线程，可能会有多个不同Task的Sub-Task，也就是多个线程的。slot目前仅对内存有限制，cpu无法限制。
任务槽数的指定，由参数 taskmanager.numberOfTaskSlots 决定。注意这里还会涉及一个问题就是因为是运行在yarn上的所以就会涉及到container的cpu个数分配，就会涉及一个配置项 yarn.containers.vcores（该值生效需要yarn配置调度器为org.apache.hadoop.yarn.server.resourcemanager.scheduler.fair.FairScheduler），该参数默认值是-1，没配置就会去取taskmanager.numberOfTaskSlots的值，也就是 taskmanager.numberOfTaskSlots是多少就会分配多少cpu给该TaskManager。不过如果配置了 yarn.containers.vcores为具体值，则分配给该TaskManager的cpu数就是yarn.containers.vcores的具体值。当然注意分配多少cpu给TaskManager和task slot没关系，只是他只能用这么多cpu。
所以运行脚本命令时可以通过 -Dtaskmanager.numberOfTaskSlots=3 来指定
任务槽共享后形成 ============>
4. 实践案例
测试1：parallelism设置为5，task slot设置为2，则计算 5/2 向上取整就是3个TaskManager
bash bin/flink run -t yarn-per-job -d -p 5 -Dtaskmanager.numberOfTaskSlots=2 ./examples/streaming/TopSpeedWindowing.jar
测试2：parallelism设置为6，task slot设置为3，则计算 6/3 向上取整就是2个TaskManager
bash bin/flink run -t yarn-per-job -d -p 6 -Dtaskmanager.numberOfTaskSlots=3 ./examples/streaming/TopSpeedWindowing.jar
