Flink 中的重要角⾊
- JobManager处理器
JobManager处理器也称之为 Master，用于协调分布式执行，它们用来调度task，协调检查点，协调失败时恢复等。Flink运行时至少存在一个master处理器，如果配置高可用模式则会存在多个master处理器，它们其中有一个是leader，而其他的都是standby。
- TaskManager处理器
TaskManager处理器也称之为Worker ，用于执行一个dataflow的task (或者特殊的subtask)、数据缓冲和data stream的交换，Flink运行时至少会存在一个worker处理器。
- Slot 任务执行槽位：
物理概念，一个TM(TaskManager)内会划分出多个Slot，1个Slot内最多可以运行1个Task(Subtask)或一组由Task(Subtask)组成的任务链。（类似于 Container）
多个Slot之间会共享平分当前TM的内存空间。Slot是对一个TM的资源进行固定分配的工具，每个Slot在TM启动后，可以获得固定的资源。比如1个TM是一个JVM进程，如果有6个Slot，那么这6个Slot平分这一个JVM进程的资源，但是因为在同一个进程内，所以线程之间共享TCP连接、内存数据等，效率更高（Slot之间交流方便）。
- Task：
任务，每一个Flink的Job会根据情况（并行度、算子类型）将一个整体的Job划分为多个Task。
- Subtask：
子任务，一个Task可以由一个或者多个Subtask组成。一个Task有多少个Subtask取决于这个Task的并行度，也就是，每一个Subtask就是当前Task任务并行的一个线程。如，当前Task并行度为8，那么这个Task会有8个Subtask（8个线程并行执行这个Task）。
一个 wordCount 是一个 job,每一个 job 根据算子，切成多个任务 Task ，而每一个 taks 都是并行执行的，有多少个并行度，就启动多少个子任务。
- 并行度：
并行度就是一个Task可以分成多少个Subtask并行执行的一个参数。这个参数是动态的，可以在任务执行前进行分配，而非Slot分配，TM启动就固定了。
一个Task可以获得的最大并行度取决于整个Flink环境的可用Slot数量，也就是如果有8个Slot，那么最大并行度也就是8，设置的再大也没有意义（还报错）。
假如你只有6个槽，并行度设置为8，启动一会儿之后会报错，启动任务失败，报错如下：
集群中槽的数量虽然是手动设置的，但是也不能超过集群中的 CPU 总核数。
如下图：
- 一个Job分为了3个Task来运行，分别是TaskA TaskB TaskC
- 其中TaskA设置为了6个并行度，也就是TaskA可以有6个Subtask，如图可见，TaskA的6个Subtask各自在一个Slot内执行
- 其中在Slot的时候说过，Slot可以运行由Task（或Subtask）组成的任务链，如图可见，最左边的Slot运行了TaskA TaskB TaskC 3个Task各自的1个Subtask组成的一个Subtask执行链
并行度是一个动态的概念，可以在多个地方设置并行度：【重要】
- 配置文件默认并行度：conf/flink-conf.yaml的parallelism.default
- 启动Flink任务，动态提交参数：比如：bin/flink run -p 3 xxx.jar
- 在代码中设置全局并行度：env.setParallelism(3);
- 针对每个算子进行单独设置：sum(1).setParallelism(3)
优先级：算子 > 代码全局 > 命令行参数 > 配置文件