JobManager，相当于Spark 中的ApplicationMaster中的Driver；作业管理器，是一个JVM进程，接收作业，分发执行图到taskManager

TaskManager，相当于Spark 中的Executor；任务管理器，是一个JVM进程，执行作业，它可能会在独立的线程上执行一个或多个subtask；Flink中会有多个TaskManager，每个TaskManager都包含一定数量的插槽slots

Slots，相当于Spark Executor中的cpu core，相当于工作线程。但不同的是Slots是静态的，Spark中的Executor是动态的插槽，推荐值是就当前节点的CPU CORES核心数；主要是隔离内存，为了控制一个TaskManager能接收多少个task，TaskManager通过task slot来进行控制（一个TaskManager至少有一个slot）

最大并行度，Spark:  Executor数 * 每个Executor 中的cpu core;  Flink:  TaskManager数 * 每个TaskManager 中的Task Slot

ResourceManger，是资源管理器，负责管理集群资源

Dispatcher，在yarn模式下不会创建生成分发器，为应用提交提供了REST接口, 提供一个Web UI，展示作业流程

Flink中的执行图可以分成四层：
    StreamGraph -> JobGraph -> ExecutionGraph -> 物理执行图
    StreamGraph:   是根据用户通过Stream API编写的代码生成的最初的图。用来表示程序的拓扑结构。
    JobGraph:  【Client上生成】StreamGraph经过优化生成了JobGraph，提交给JobManager的数据结构。主要的优化为，将多个符合条件的节点chain在一起作为一个节点
     ExecutionGraph:  【JobManager上生成】JobManager根据JobGraph生成ExecutionGraph。ExecutionGraph是JobGraph的并行化版本，是调度最核心的数据结构。
    物理执行图：【TaskManager运行】JobManager根据ExecutionGraph对Job进行调度后，在各个TaskManager上部署Task后形成的 "图"，并不是一个具体的数据结构

Flink的Task和SubTask-划分的依据（叫redistribute，相当于spark中的shuffle（宽依赖））：

1. 并行度发生变化；比如：之前并行度为4，现在并行度为2，叫：rebalance
2. 发生keyBy算子，叫HASH
3. 广播 brodcast
4. 算子后面调用了 startNewChain/disableChaining

Flink支持数据类型：

1. 基础数据类型，Java和Scala基础数据类型
2. Java和Scala元组（Tuples)
3. Scala样例类（case classes)
4. Java简单对象（POJOs)
5. 其它（Arrays, Lists, Maps, Enums，等等

Flink支持时间语义：

1. Event Time: 事件创建的时间
2. Ingestion Time: 数据进入Flink的时间
3. Processing Time: 执行操作算子的本地系统时间，与机器无关

文章最后，给大家推荐一些受欢迎的技术博客链接：

1. JAVA相关的深度技术博客链接
2. Flink 相关技术博客链接
3. Spark 核心技术链接
4. 设计模式 —— 深度技术博客链接
5. 机器学习 —— 深度技术博客链接
6. Hadoop相关技术博客链接
7. 超全干货--Flink思维导图，花了3周左右编写、校对
8. 深入JAVA 的JVM核心原理解决线上各种故障【附案例】
9. 请谈谈你对volatile的理解？--最近小李子与面试官的一场“硬核较量”
10. 聊聊RPC通信，经常被问到的一道面试题。源码+笔记，包懂
11. 深入聊聊Java 垃圾回收机制【附原理图及调优方法】

欢迎扫描下方的二维码或 搜索 公众号“大数据高级架构师”，我们会有更多、且及时的资料推送给您，欢迎多多交流！