Flink数据流图的生成----简单执行计划的生成

Flink的数据流图的生成主要分为简单执行计划-->StreamGraph的生成-->JobGraph的生成-->ExecutionGraph的生成-->物理执行图。其中前三个(ExecutionGraph的之前都是在client上生成的)。ExectuionGraph是JobGraph的并行版本，是在JobManager(master)端生成的。而物理执行图只是一个抽象的概念，其具体的执行是在多个slave上并行执行的。

原理分析

　　　　

　　Flink效仿了传统的关系型数据库在运行SQL时生成运行计划并对其进行优化的思路。在具体生成数据流图之前会生成一个运行计划，当程序执行execute方法时，才具体生成数据流图运行任务。

　　首先Flink会加载数据源，读取配置文件，获取配置参数parallelism等，为source 的transformation对应的类型是SourceTransformation,opertorName是source，然后进入flatmap，用户重写了内置的flatmap内核函数，按照空格进行划分单词，获取到其各种配制参数，parallelism以及输出的类型封装Tuple2<String,Integer>，以及operatorName是Flat Map，其对应的Transformation类型是OneInputTransformation。然后开始keyby(0)，其中0指的是Tuple2<String, Integer>中的String，其意义是按照word进行重分区，其对应的parallelism是4，operatorName是partition，Transformation的类型是PartitionTransformation，输出类型的封装是Tuple2<String, Integer>。接着sum(1)，该函数的作用是把相同的key对应的值进行加1操作。其对应的parallelism是4，operatorName是keyed Aggregation，对应的输出类型封装是Tuple2<String, Integer>，Transformation的类型是OneInputTransformation。最后是进行结果输出处理sink，对应的parallelism是4，输出类型的封装是Tuple2<String, Integer>，对应的operatorName是sink，对应的Transformation类型是SinkTransformation。

源码

以WordCount.java为例：

 package org.apache.flink.streaming.examples.wordcount;
 public class WordCount {
     private static  Logger LOG = LoggerFactory.getLogger(WordCount.class);
     private static SimpleDateFormat df=new SimpleDateFormat("yyyy/MM/dd HH:mm:ss:SSS");
     public static long time=0;
     public static void main(String[] args) throws Exception {
         // Checking input parameters
         LOG.info("set up the execution environment: start= "+df.format(System.currentTimeMillis()));
         final ParameterTool params = ParameterTool.fromArgs(args);
         final StreamExecutionEnvironment env = StreamExecutionEnvironment.getExecutionEnvironment();
         env.getConfig().setGlobalJobParameters(params);
         DataStream<String> text;
         if (params.has("input")) {
             text = env.readTextFile(params.get("input"));
         } else {
             text = env.fromElements(WordCountData.WORDS);
         }
         DataStream<Tuple2<String, Integer>> counts =
             text.flatMap(new Tokenizer()).keyBy(0).sum(1);
         if (params.has("output")) {
             counts.writeAsText(params.get("output"));
         } else {
             System.out.println("Printing result to stdout. Use --output to specify output path.");
             counts.print();
         }
         env.execute("Streaming WordCount");
     }
     public static final class Tokenizer implements FlatMapFunction<String, Tuple2<String, Integer>> {
         private static final long serialVersionUID = 1L;
         @Override
         public void flatMap(String value, Collector<Tuple2<String, Integer>> out)
                 throws Exception {
             String[] tokens = value.toLowerCase().split("\\W+");
             for (String token : tokens) {
                 if (token.length() > 0) {
                     out.collect(new Tuple2<String, Integer>(token, 1));
                 }
             }
         }
     }
 }

　　Flink在程序执行时，首先会获取程序需要的执行计划，类似数据的惰性加载，当具体执行execute()函数时，程序才会具体真正执行。首先执行

 text = env.readTextFile(params.get("input"));

　　该函数的作用是加载数据文件，获取数据源，形成source的属性信息，包括source的Transformation类型、并行度、输出类型等。源码如下：

 public final <OUT> DataStreamSource<OUT> readTextFile(OUT... data) {
         TypeInformation<OUT> typeInfo;
         try {
             typeInfo = TypeExtractor.getForObject(data[0]);
         }
         return fromCollection(Arrays.asList(data), typeInfo);
 }

 public <OUT> DataStreamSource<OUT> fromCollection(Collection<OUT> data, TypeInformation<OUT> typeInfo) {
         FromElementsFunction.checkCollection(data, typeInfo.getTypeClass());
         SourceFunction<OUT> function;
         try {
             function = new FromElementsFunction<>(typeInfo.createSerializer(getConfig()), data);
         }
         catch (IOException e) {
             throw new RuntimeException(e.getMessage(), e);
         }
         return addSource(function, "Collection Source", typeInfo).setParallelism(1);
     }

     public <OUT> DataStreamSource<OUT> addSource(SourceFunction<OUT> function, String sourceName, TypeInformation<OUT> typeInfo) {
         boolean isParallel = function instanceof ParallelSourceFunction;
         clean(function);
         StreamSource<OUT, ?> sourceOperator;
         if (function instanceof StoppableFunction) {
             sourceOperator = new StoppableStreamSource<>(cast2StoppableSourceFunction(function));
         } else {
             sourceOperator = new StreamSource<>(function);
         }
         return new DataStreamSource<>(this, typeInfo, sourceOperator, isParallel, sourceName);
     }

 public DataStreamSource(StreamExecutionEnvironment environment,
             TypeInformation<T> outTypeInfo, StreamSource<T, ?> operator,
             boolean isParallel, String sourceName) {
         super(environment, new SourceTransformation<>(sourceName, operator, outTypeInfo, environment.getParallelism()));
         this.isParallel = isParallel;
         if (!isParallel) {
             setParallelism(1);
         }
     }

获取source信息

　　从上述代码可知，这部分会执行addSource()函数，通过new StreamSource，生成source的operator，然后通过new DataStreamSource生成SourceTransformation，获取并行度等。然后就是执行flatmap函数text.flatMap(new Tokenizer())，该函数内和source类似，也是获取Transformation类型、并行度、输出类型等。

 public <R> SingleOutputStreamOperator<R> flatMap(FlatMapFunction<T, R> flatMapper) {
         TypeInformation<R> outType = TypeExtractor.getFlatMapReturnTypes(clean(flatMapper),
                 getType(), Utils.getCallLocationName(), true);
         SingleOutputStreamOperator result = transform("Flat Map", outType, new StreamFlatMap<>(clean(flatMapper)));
         return result;
     }

 public <R> SingleOutputStreamOperator<R> transform(String operatorName, TypeInformation<R> outTypeInfo, OneInputStreamOperator<T, R> operator) {
         transformation.getOutputType();
         OneInputTransformation<T, R> resultTransform = new OneInputTransformation<>(
                 this.transformation,
                 operatorName,
                 operator,
                 outTypeInfo,
                 environment.getParallelism());
         SingleOutputStreamOperator<R> returnStream = new SingleOutputStreamOperator(environment, resultTransform);
         getExecutionEnvironment().addOperator(resultTransform);
         return returnStream;
     }

flatmap获取信息

　　对应该operator，其Transformation的类型是OneInputTransformation类型，对应着属性信息有该operator的名称，输出类型，执行的并行度等，然后会执行addOperator函数将该operator (flatmap)加入到执行环境中，以便后续执行。 接下来执行.keyBy(0)，该函数的作用就是重分区，把word的单词作为key，然后按照key相同的放在一个分区内，方便执行。该函数的内部是形成其transformation类型(PartitionTransformation)，以及相关的属性信息等。

 private KeyedStream<T, Tuple> keyBy(Keys<T> keys) {
         return new KeyedStream<>(this, clean(KeySelectorUtil.getSelectorForKeys(keys,
                 getType(), getExecutionConfig())));
     }
 public KeyedStream(DataStream<T> dataStream, KeySelector<T, KEY> keySelector, TypeInformation<KEY> keyType) {
         super(
             dataStream.getExecutionEnvironment(),
             new PartitionTransformation<>(
                 dataStream.getTransformation(),
                 new KeyGroupStreamPartitioner<>(keySelector, StreamGraphGenerator.DEFAULT_LOWER_BOUND_MAX_PARALLELISM)));
         this.keySelector = keySelector;
         this.keyType = validateKeyType(keyType);
         LOG.info("part of keyBy(partition): end= "+df.format(System.currentTimeMillis()));
     }

keyby获取信息

　　在上述代码中，keyby会创建一个PartitionTransformation，作为其Transformation的类型，该在类中会得到input(输入数据)，以及partioner分区器。同样会得到执行的并行度、输出类型等信息。 接下来是sum(1)，该函数的作用是按照keyby的word作为key，进行加1操作。源码如下：

 protected SingleOutputStreamOperator<T> aggregate(AggregationFunction<T> aggregate) {
         StreamGroupedReduce<T> operator = new StreamGroupedReduce<T>(
                 clean(aggregate), getType().createSerializer(getExecutionConfig()));
         return transform("Keyed Aggregation", getType(), operator);
     }

aggregate

　　在上述的代码中，可以看到，该operator的所属的类型是StreamGroupedReduce，对着着核心方法reduce()，通过new该对象，会获取到其operator的名称等属性信息，然后执行transform()函数，该函数的代码之前已经给出，主要的作用是创建一个该operator的Transformation类型，即OneInputTransformtion，会得到并行度、输出类型等属性信息，然后执行addOperator()函数，将operator加入执行环境，让能起能够具体执行任务。 接下来会对结果进行输出，将执行counts.print()，该函数内部对应着一个operator，即sink(具体的逻辑就是结果输出)，源码如下：

 public DataStreamSink<T> print() {
         PrintSinkFunction<T> printFunction = new PrintSinkFunction<>();
         return addSink(printFunction);
     }
 public DataStreamSink<T> addSink(SinkFunction<T> sinkFunction) {
         transformation.getOutputType();
         if (sinkFunction instanceof InputTypeConfigurable) {
             ((InputTypeConfigurable) sinkFunction).setInputType(getType(), getExecutionConfig());
         }
         StreamSink<T> sinkOperator = new StreamSink<>(clean(sinkFunction));
         DataStreamSink<T> sink = new DataStreamSink<>(this, sinkOperator);
         getExecutionEnvironment().addOperator(sink.getTransformation());
         return sink;
     }
 protected DataStreamSink(DataStream<T> inputStream, StreamSink<T> operator) {
         this.transformation = new SinkTransformation<T>(inputStream.getTransformation(), "Unnamed", operator, inputStream.getExecutionEnvironment().getParallelism());
     }

sink获取信息

　　print()函数内部只有一个方法：addSink()，其功能和addSource()一样，首先会创建一个StreamSink，生成一个operator对象，然后创建DataStreamSink，该类中会创建一个该operator的Transformation类型即SinkTransformtion，会得到该operator的名称，并行度，输出类型等属性信息。同样，会执行addOperator()函数，该函数的作用将该operator加入到env执行环境中，用来进行具体操作。