作业调度-史上最通俗易懂的Flink源代码深入分析教程

1.定义

Flink作业调度是将Flink作业提交到Flink集群上，并根据作业的执行计划和资源需求等信息对作业进行优化、调度和分配，从而实现高效、可靠的作业执行的过程

2.设计思路：

1. 作业提交：Flink作业调度的第一步是将作业提交到集群上，提交方式可以通过命令行、Web界面或API等实现。
2. 作业分析：在作业提交后，Flink会对作业进行分析，包括作业的执行计划、算子的依赖关系、资源需求等信息。
3. 作业优化：Flink会根据作业的执行计划和资源需求等信息对作业进行优化，例如合并相邻的算子、优化任务并行度等，以提高作业的执行效率。
4. 任务调度：Flink会根据作业的执行计划和资源需求等信息对任务进行调度，以便作业可以在Flink集群中高效执行。
5. 资源分配：Flink会为每个任务分配所需的资源，包括CPU、内存、网络带宽等，以保证作业能够高效地执行。
6. 故障恢复：Flink会根据作业的故障恢复策略，在出现故障时对作业进行恢复，例如任务重启、恢复到指定的检查点等，以保证作业的可靠性。
7. 作业监控：Flink会对作业进行监控，包括任务的执行状态、作业的运行时间、数据量等信息，以便用户可以及时了解作业的执行情况。 总体而言，Flink作业调度的设计思路旨在提高作业的执行效率和可靠性，为Flink提供高性能、分布式的数据处理能力。

3.调度流程

Flink 通过 Task Slots 来定义执行资源。每个 TaskManager 有一到多个 task slot，每个 task slot 可以运行一条由多个并行 task 组成的流水线。 这样一条流水线由多个连续的 task 组成，比如并行度为 n 的 MapFunction 和 并行度为 n 的 ReduceFunction。需要注意的是 Flink 经常并发执行连续的 task，不仅在流式作业中到处都是，在批量作业中也很常见。

下图很好的阐释了这一点，一个由数据源、MapFunction 和 ReduceFunction 组成的 Flink 作业，其中数据源和 MapFunction 的并行度为 4 ，ReduceFunction 的并行度为 3 。流水线由一系列的 Source - Map - Reduce 组成，运行在 2 个 TaskManager 组成的集群上，每个 TaskManager 包含 3 个 slot，整个作业的运行如下图所示。

Flink 内部通过 SlotSharingGroup 和 CoLocationGroup 来定义哪些 task 可以共享一个 slot， 哪些 task 必须严格放到同一个 slot。