Apache Flink 进阶（一）：Runtime 核心机制剖析( 十 )_1.综述本文主要介绍FlinkRuntime的作业

基于上述 Slot 管理和分配的逻辑， JobManager 负责维护作业中 Task执行的状态。如上文所述， Client 端会向 JobManager 提交一个 JobGraph ，它代表了作业的逻辑结构。 JobManager 会根据 JobGraph 按并发展开，从而得到 JobManager 中关键的 ExecutionGraph 。 ExecutionGraph 的结构如图 5 所示，与 JobGraph 相比， ExecutionGraph 中对于每个 Task 与中间结果等均创建了对应的对象，从而可以维护这些实体的信息与状态。

图6.Flink 中的 JobGraph 与 ExecutionGraph 。 ExecutionGraph 是 JobGraph 按并发展开所形成的，它是 JobMaster 中的核心数据结构。

在一个 Flink Job 中是包含多个 Task 的，因此另一个关键的问题是在 Flink 中按什么顺序来调度 Task 。如图 7 所示，目前 Flink 提供了两种基本的调度逻辑，即 Eager 调度与 Lazy From Source 。 Eager 调度如其名子所示，它会在作业启动时申请资源将所有的 Task 调度起来。这种调度算法主要用来调度可能没有终止的流作业。与之对应， Lazy From Source 则是从 Source 开始，按拓扑顺序来进行调度。简单来说， Lazy From Source 会先调度没有上游任务的 Source 任务，当这些任务执行完成时，它会将输出数据缓存到内存或者写入到磁盘中。然后，对于后续的任务，当它的前驱任务全部执行完成后， Flink 就会将这些任务调度起来。这些任务会从读取上游缓存的输出数据进行自己的计算。这一过程继续进行直到所有的任务完成计算。