一、启动流程解析
flink的启动从命令行提交开始：
[yooh@hadoop101 bin]$ pwd/home/yooh/app/flink-1.11.1/bin[yooh@hadoop101 bin]$ cat flink...上边都是获取环境配置相关信息# get flink config、"$bin"/config.sh.....最后调用 java类exec $JAVA_RUN $JVM_ARGS $Flink_ENV_JAVA_OPTS "${log_setting[@]}" -classpath "`manglePathList "$CC_CLASSPATH:$INTERNAL_HADOOP_CLASSPATHS"`" org.apache.flink.client.cli.CliFrontend "$@"
在flink脚本中读取环境配置相关信息使用 exec 命令调用程序入口类 org.apache.flink.client.cli.CliFrontend 类，然后在该类的main方法中先获取flink的conf目录位置信息，然后根据conf目录位置加载配置，接着将flink提交时候的命令行参数封装成一个 CommandLine 对象(按顺序依次添加 Generic、Yarn、Default到一个list里面 ，后边根据其boolean属性 isActive 是否活跃来依次匹配，活跃的话即可匹配的上，否则匹配不上)，然后创建该类 CliFrontend 实例，根据不同的参数动作(比如 run cancel等等，我们这里以run为例)，然后调用run方法，将默认参数配置和我们自己传进来的参数配置进行合并，然后根据之前封装的 CommandLine 对象中添加的客户端类型(Generic、Yarn、Default，我们这里以yarn为例)根据 isActive 进行判断，然后获取用户的jar包以及相关依赖，将配置封装成一个 Configuration 对象(里面会设置 yarn HA的id、Target（session、per-job）、JobManager内存、TaskManager内存、每个TM的slot数等等)，然后调用 CliFrontend.executeProgram 实际调用-----> ClientUtils.executeProgram，然后在这个方法里面设置
1、当前线程的类加载器为我们flink代码的主类
2、配置环境的上下文，用户代码里的 val env = StreamExecutionEnvironment.getExecutionEnvironment() 就会拿到这些环境信息，
3、通过反射 调用我们的flink代码中的 main 方法
然后接下来都是我们代码中定义的一些处理逻辑，比如map......
跟Spark一样，Flink也是懒执行，用户逻辑代码会在Flink封装并执行完所有流程图后才开始运行，在调用 env.execute() 的时候才真正开始执行我们写的代码 ，然后获取到 StreamGraph 作业图(如何生成的？？)，如果是向yarn上提交程序的话会获取 yarn 的执行器，即调用 env.execute() --->实际调用的是 AbstractJobClusterExecutor.execute，在这个方法里：
1、将 流图（StreamGraph） 转换成 作业图（JobGraph），如何转换的？？？
2、然后创建、初始化并启动yarn的客户端 YarnClient， 包含了一些yarn、flink的配置和环境信息，返回一个集群描述器 ClusterDescriptor接口 ，如果是yarn的话就是 YarnClusterDescriptor
3、创建集群特有资源配置对象 ClusterSpecification ：在这里比如设置JobManager内存、TaskManager内存、每个Tm的slot数等等
然后通过yarn的 集群描述器 YarnClusterDescriptor调用其 deployJobCluster方法，最终调用的是 YarnClusterDescriptor.deployInternal，在这个方法里面会做一个前置检查(比如flink jar包，conf路径是否为空，检查指定的队列是否存在，然后yarn的资源是否足够等等)，然后开始启动 yarn的 applicationMaster，上传用户jar包、flink的依赖、flink的配置文件以及其他相关环境到hdfs上，然后使用 yarnClient.submitApplication 向yarn上提交flink应用。
后边向yarn上提交应用的详细过程没有写。。。可以直接看总结
总结： 用户通过flink命令行提交应用，实际上是执行的CliFrontend java类，然后会解析用户的命令行参数，封装为 CommandLine 对象，然后调用executeProgram方法，在该方法里面通过反射(invoke调用我们的flink代码中的main方法)调用执行我们flink代码，然后真正执行是通过我们代码中的env.execute()会生成StreamGraph， 然后如果是向yarn提交的话调用yarn相关的执行器(AbstractJobClusterExecutor)的execute方法将StreamGraph转化为JobGraph，然后创建一个yarn的集群描述器(YarnClusterDescriptor )，上传flink jar包和一些配置到hdfs上，然后封装启动ApplicationMaster所需的相关环境信息等，使用yarn的客户端(yarnClient)向yarn的ResourceManager通过submitApplication()方法提交应用，然后启动applicationMaster，applicationMaster启动之后会启动flink的Dispatcher和flink的ResourceManager
Dispatcher启动之后Dispatcher会去启动JobMaster，启动JobMaster的时候会启动SlotPool，这个才是真正请求注册资源的角色，启动JobMaster的同时会生成ExecutionGraph
ResourceManager启动之后里面真正做资源操作的是SlotManager角色
都启动成功后JobMaster中的SlotPool会向flink 的ResourceManager中SlotManager请求注册Slot，SlotManager会向yarn的ResourceManager去申请资源，然后yarn的ResourceManager在对应的NodeManager中启动TaskManager，然后启动TaskExecutor，当TaskExecutor收到slot资源后会向slotManager中进行注册，由slotManager进行slot的分配，分配之后，TaskExecutor会告知SlotPool资源，然后由JobMaster通过submitTask()方法提交任务到TaskExecutor上边进行执行。
二、组件通信
RPC（Remote Procedure Call）远程过程调用协议，简单的理解是一个节点请求另一个节点提供的服务，RPC的具体实现框架为Akka和Netty。
Flink 内部节点之间的通信是用 Akka，比如 JobManager 和 TaskManager 之间的通信。而 operator算子 之间的数据传输是利用 Netty。使用 Akka，所有远程过程调用现在都实现为异步消息。
三、flink任务调度