Flink源码剖析

写在前面

最近一段时间都没有更新博客了，原因有点离谱，在实现flink的两阶段提交的时候，每次执行自定义的notifyCheckpointComplete时候，好像就会停止消费数据，完成notifyComplete后再消费数据；基于上述原因，开始了一些奇奇怪怪的探索…

存在问题：
1、JobMaster的提交过程，在ResourceManager上，但是为什么会用到zookeeper；–》高可用
2、执行图是否会放到Checkpoint里面，–》目前没有分析，背景是SQL添加字段后，ck就无法使用了
3、本地快照和远程快照的区别，回顾一下Checkpoint的过程—》flink本身支持本地快照和远程快照，其目的自然不言而喻；

总结：

之前一直不理解flink为什么好像和kafka总是有一种莫名其妙的联系，其实flink=通过mailbox处理数数据的过程本身就利用了消息队列的思想
源码剖析，通过对整个集群启动，执行图的转换，Task的启动，Checkpoint过程了解，这部分大量运用到了并发编程的知识，真的强；
下一阶段，先把优秀的源码Copy一遍，java基础搞起来；flink历史版本的重大变更也需要看一下；

1.Flink集群启动

1.1.Flink RPC详解

Flink的RPC实现：基于Scala的网络编程库：Akka

ActorSystem是管理Actor生命周期的组件，Actor是负责进行通信的组
每个Actor都有一个Mailbox，别的Actor发送给它的消息都首先存储在Mailbox中，通过这种方式可以实现异步通信；
每个Actor是单线程的处理方式，不断的从Mailbox拉取消息执行处理，所以对于Actor的消息处理，不适合调用会阻塞的处理方法。
Actor可以改变他自身的状态，可以接收消息，也可以发送消息，还可以生成新的Actor
每一个ActorSystem和Actor都在启动的时候会给定一个name，如果要从ActorSystem中，获取一个Actor，则通过以下的方式来进行Actor的获取：akka.tcp://asname@bigdata02:9527/user/actorname
如果一个 Actor 要和另外一个 Actor进行通信，则必须先获取对方 Actor 的 ActorRef 对象，然
后通过该对象发送消息即可。
通过 tell 发送异步消息，不接收响应，通过 ask 发送异步消息，得到 Future 返回，通过异步回到
返回处理结果。

Flink 中的 RPC 实现主要在 flink-runtime 模块下的 org.apache.flink.runtime.rpc 包中，涉及
到的最重要的 API 主要是以下这四个：

RpcGateway：路由，RPC的老祖宗，其他个RPC组件，都是RpcGateWay的子类
RpcServer：RpcService 和 RpcEndpoint 之间的粘合层
RpcEndpoint：业务逻辑载体，对应的 Actor 的封装
RpcService：对应ActorSystem的封装

RpcEndpoint下面有四个比较重要的子类：TaskExecutor、Dispatcher、JobMaster、ResourceManager

1.2.Flink集群启动脚本分析

Flink 集群的启动脚本在：flink-dist 子项目中，位于 flink-bin 下的 bin 目录：启动脚本为：startcluster.sh
该脚本会首先调用 config.sh 来获取 masters 和 workers，masters 的信息，是从 conf/masters 配置
文件中获取的， workers 是从 conf/workers 配置文件中获取的。然后分别：

通过 jobmanager.sh 来启动 JobManager
通过 taskmanager.sh 来启动 TaskManager

他们的内部，都通过 flink-daemon.sh 脚本来启动 JVM 进程，分析 flink-daemon.sh 脚本发现：

JobManager 的启动参数：standalonesession，实现类是：StandaloneSessionClusterEntrypoint
TaskManager 的启动参数：taskexecutor，实现类是：TaskManagerRunner

1.3.Flink主节点JobManager启动分析

JobManager是Flink集群的主节点，它包含三大重要的组件：

ResourceManager：Flink的集群资源管理器，只有一个，关于Slot的管理和申请等工作，都由他负责
Dispatcher：负责接收用户提交的JobGraph，然后启动一个JobMaster
JobMaster：负责一个具体的Job的执行，在一个集群中，可能会有多个JobMaster同时执行，类似于 YARN集群中的 AppMaster 角色，类似于 Spark Job 中的 Driver 角色
WebMonitorEndpoint：里面维护了很多的handler，如果客户端通过flink run的方式提交一个Job到Flink集群，最终，是由WebMonitorEndpoint来接收，并且决定使用哪一个handler来执行处理，如：

根据以上的启动脚本分析：JobManager的启动主类：StandaloneSessionClusterEntrypoint

// 入口，Entry point for the standalone session cluster
StandaloneSessionClusterEntrypoint.main()
	ClusterEntrypoint.runClusterEntrypoint(entrypoint);
		clusterEntrypoint.startCluster();
			runCluster(configuration, pluginManager);
			
				// 第一步：初始化各种服务
				initializeServices(configuration, pluginManager);

				// 第二步：创建DispatcherResourceManagerComponentFactory，初始化各种组件的工厂实例
				createDispatcherResourceManagerComponentFactory(configuration);

				// 第三步：创建 集群运行需要的一些组件：Dispatcher、ResourceManager等；
				clusterComponent = dispatcherResourceManagerComponentFactory.create(...);

第一步，initializeServices()中做了很多服务组件的初始化：

// 初始化和启动AkkaRpcService，内部其实包装了一ActorSystem
commonRpcService = AkkaRpcServiceUtils.createRemoteRpcService();

// 初始化HA服务组件，负责HA服务的是ZooKeeperHaServices
haServices = createHaServices(configuration, ioExecutor);

// 初始化BlobServer服务端
blobServer = new BlobServer(configuration, haServices.createBlobStore());
blobServer.start();

// 初始化心跳服务组件，heartbeatServices = HeartbeatServices
heartbeatServices = createHeartbeatServices(configuration);

// 初始化一个用来存储ExecutionGraph的Store，实现是：FileArchivedExecutionGraphStore
archivedExecutionGraphStore = createSerializableExecutionGraphStore(configuration, commonRpcService.getScheduledExecutor());

第二步， createDispatcherResourceManagerComponentFactory(configuration)中负责初始化了很多组件的工厂实例；

1. DispatcherRunnerFactory，默认实现：DefaultDispatcherRunnerFactory
2. ResourceManagerFactory，默认实现：StandaloneResourceManagerFactory
3. RestEndpointFactory，默认实现：SessionRestEndpointFactory
其中，DispatcherRunnerFactory内部也实例化了一个组件：SessionDispatcherLeaderProcessFactoryFactory

第三步，dispatcherResourceManagerComponentFactory.create(…)中主要去创建三个重要的组件：

1. DispatcherRunner，实现是：DispatcherRunnerLeaderElectionLifecycleManager
2. ResourceManager，实现是：StandaloneResourceManager
3. WebMonitorEndpoint，实现是：DispatcherRestEndpoint

在这里插入图片描述

1.4.Flink从节点TaskManager启动分析

TaskManager：This class is the executable entry point（入口点） for the task manager in yarn or standalone mode.

TaskManager上的基本资源单位是Slot，一个作业的Task最终会部署在一个TaskManager的Slot上运行，TaskManager会维护本地的Slot资源列表，并与JobMaster和JobManager通信

根据以上的加班启动分析：TaskManager的启动主类：TaskManagerRunner

TaskManagerRunner.main();
	runTaskManagerSecurely(args, ResourceID.generate());

	// 加载配置
	Configuration configuration = loadConfiguration(args);
	// 启动TaskManager
	runTaskManagerSecurely(configuration, resourceID);
		
		// 启动TaskManager
		runTaskManager(configuration, resourceID, pluginManager);

			// 构建TaskManagerRunner实例
			taskManagerRunner = new TaskManagerRunner(configuration, resourceId, pluginManager);
		
				// 初始化一个线程池
				this.executor = java.util.concurrent.Executors.newScheduledThreadPool(...);
				// 获取高可用模式
				highAvailabilityServices = HighAvailabilityServicesUtils.createHighAvailabilityServices(...);
				// 创建RPC服务
				rpcService = createRpcService(configuration, highAvailabilityServices);
				// 创建心跳服务
				heartbeatServices = HeartbeatServices.fromConfiguration(configuration);
				// 创建BlobCacheService
				blobCacheService = new BlobCacheService(...);
				// 创建TaskManager
				taskManager = startTaskManager(...);

					// 初始化TaskManagerServices
					taskManagerServices = TaskManagerServices.fromConfiguration(...);
						
						// 初始化TaskEventDispatcher
						taskEventDispatcher = new TaskEventDispatcher();
						// 初始化IOManagerAsync
						ioManager = new IOManagerAsync(...);
						// 初始化NettyShuffleEnvironment
						shuffleEnvironment = createShuffleEnvironment(...);
						// 初始化KVStageService
						kvStateService = KvStateService.fromConfiguration(...);
						// 初始化BroadcastVariableManager
						broadcastVariableManager = new BroadcastVariableManager();
						// 初始化TaskSlotTable
						taskSlotTable = createTaskSlotTable();
						// 初始化JobTable
						jobTable = DefaultJobTable.create();
						// 初始化JobLeaderService
						jobLeaderService = new DefaultJobLeaderService(...);
						// 初始化TaskStateManager
						taskStateManager = new TaskExecutorLocalStateStoresManager(...);
						// 初始化LibraryCacheManager
						libraryCacheManager = new BlobLibraryCacheManager(...);
						// 返回
						return new TaskManagerServices(...);
						
					//  初始化一个TaskExecutor
					return new TaskExecutor(...);
					
						// 初始化心跳管理器：jobManagerHeartbeatManager
						this.jobManagerHeartbeatManager = createJobManagerHeartbeatManager(heartbeatServices, resourceId);
						// 初始化心跳管理器：resourceManagerHeartbeatManager
						this.resourceManagerHeartbeatManager = createResourceManagerHeartbeatManager(...);

						// 转到TaskExecutor的onStart()方法
						TaskExecutor.onStart();
							startTaskExecutorService();
				
			// 启动TaskManagerRunner
			taskManagerRunner.start();

2. Flink 应用程序的提交

2.1.Flink Program编程流程总结

Flink底层提供了一个功能完善且复杂的分布式流式计算引擎，但是上层的应用API却很简单，简单来说，把整个Flink应用程序的编写，抽象成三个方面：

执行环境 ExecutionEnvironment
数据抽象 DataSet DataStream
逻辑操作 Source Transformation Sink

所以Flink的应用程序在编写的时候，基本是一个简单的统一套路：

1. 获取执行环境
	StreamExecutionEnvironment environment = StreamExecutionEnvironment.getExecutionEnvironment(configuration);
2. 通过执行环境对象，注册数据源Source，得到数据抽象
	DataStream ds = env.socketTextStream(...);
3. 调用数据抽象的各种Transformation执行逻辑计算
	DataStream resultDs = ds.flatMap(...).keyBy(...).sum(...);
4. 将各自Transformation执行完毕之后得到的计算结果数据抽象注册Sink
	resultDs.addSink(...);
5. 提交Job执行
	env.execute(...);

在Flink应用程序中，其实所有的操作，都是StreamOperator，分为SourceOperator，SinkOperator，StreamOperator，然后能被优化的Operator就会Chain在一起，形成一个OperatorChain。
基本路数，和Spark一致，并且，在Flink-1.13版本后，将会完全统一批处理的API。
三个类似的概念：

Function：函数
Operator：对Function的封装
Transformation：等价于Operator的概念，Flink中，process函数底层调用的依旧是transform

2.2.Flink Job提交脚本解析-Session模式

当编写好Flink的应用程序，正常的提交方式为：打成jar包，通过Flink命令来进行提交。
Flink命令脚本的底层，是通过java命令启动：CliFronted类来启动JVM经常执行任务的构造和提交。

flink run xxx.jar class arg1 arg2

2.3.CliFronted提交分析

当用户吧Flink应用程序打成jar使用flink run … 的shell命令提交的时候，底层是通过CliFrontend来处理。底层的逻辑，就是通过反射来调用用户剩下的main()方法执行。
在CliFronted内部，主要有以下几件事情要做：

根据Flink后面的执行命令来确定执行方法（run===>run(params)）
解析main参数，构建PackageProgram，然后执行PackageProgram
通过反射获取应用程序的main方法的实例，通过反射调用执行起来

总得来说，就是准备执行Program所需要的配置，jar包，运行主类等的必要信息，然后提交执行。

2.4.ExecutionEnvironment源码解析

Flink应用程序的执行，首先就是创建运行环境StreamExecutionEnvironment，一般在企业环境中，都是通过getExecutionEnvironment()来获取ExecutionEnvironment，如果是本地运行的话，则会获取到：LocalStreamEnvironment，如果是提交到Flink集群运行，则获取到：StreamExecutionEnvironment。

final StreamExecutionEnvironment environment = StreamExecutionEnvironment.getExecutionEnvironment(configuration);

StreamExecutionEnvironment是Flink应用程序的执行入口，提供了一些重要的操作机制（包括但不限于）：

提供了readTextFile()，socketTextStream()，createInput()，addSource()等方法去对接数据源
提供了setParallelism()设置程序的并行度
StreamExecutionEnvironment管理了ExecutionConfig对象，该对象负责Job执行的一些行为配置管理
StreamExecutionEnvironment管理了一个List<Transformation<?>> transformations 成员变量，该成员变了，主要用于保持Job的各种算子转化得到的Transformation，把这些Transformation按照逻辑拼接起来，就能得到StreamGraph(Transformation–>StreamOperator–>StreamNode)
StreamExecutionEnvironment提供了execute()方法用于提交Job执行，该方法接收的参数就是：StreamGraph

2.5.Job提交流程源码分析

核心流程如下：

//核心入口
env.execute("Streaming WordCount");
	
	//负责生成StreamGraph
	//负责执行StreamGraph
	execute(getStreamGraph(jobName));

第一步：getStreamGraph(jobName)生成StreamGraph解析

//入口
StreamGraph streamGraph = getStreamGraph(jobName, true);

	// 通过StreamGraphGenerator来生成StreamGraph
	StreamGraph streamGraph = getStreamGraphGenerator().setJobName(jobName).generate();

	streamGraph = new StreamGraph(executionConfig, checkpointConfig, savepointRestoreSettings);
	for (Transformation<?> transformation: transformations) {
		transform(transformation);
	}

transform(transformation)的内部实现：

transform(transformation);
	
	// 先递归处理改Transformation的输入，transformOneInputTransform
	Collection<Integer> inputIds = transform(transform.getInput());
	
	// 将Transformation变成Operator设置到StreamGraph中，其实就是添加StreamNode
	streamGraph.addOperator(...);

	// 设置该 StreamNode 的并行度
	streamGraph.setParallelism(transform.getId(), parallelism);

	// 设置该StreamNode的入边StreamEdge
	for(Integer inputId : inputIds){
		streamGraph.addEdge(inputId,sink.getId(),0);
		
		// 内部实现
		// 构建StreamNode之间的边（StreamEdge）对象
		StreamEdge edge = new StreamEdge(upstreamNode, downstreamNode...);
		// 给上游StreamNode设置出边
		getStreamNode(edge.getSourceId()).addOutEdge(edge);
		// 给下游StreamNode设置入边
		getStreamNode(edge.getTargetId()).addInEdge(edge);
		
	}

第二步：execute(StreamGraph)解析

// 入口
final JobClient jobClient = executeAsync(streamGraph);

	// 执行一个StreamGraph，假定使用的是：AbstractSessionClusterExecutor
	executorFactory.getExecutor(configuration).execute(streamGraph, configuration);

		// 第一件事：由StreamGraph生成JobGraph
		final JobGraph jobGraph = PipelineExecutorUtils.getJobGraph(pipeline, configuration);
		
		// 第二件事：通过 RestClusterClient 提交 JobGraph 到Flink集群
		clusterClient.submitJob(jobGraph)

继续提交：

// 通过RestClusterClient来提交JobGraph
RestClusterClient.submitJob(JobGraph jobGraph);
	
	// 继续提交
	RestClusterClient.sendRetriableRequest(...);

	// 通过ResetClient提交
	RestClient.sendRequest(webMonitorHost, webMonitorPort, ...)

	// 继续提交
RestClient.submitRequest(targetAddress, targetPort, httpRequest, responseType);

最终通过Channel把请求数据，发给 WebMonitorEndpoint 中的 JobSubmitHandler 来执行处理。

2.6.Flink Graph演变

Flink的一个job，本质还是构建一个高效率的能用于分布式执行的DAG执行图。

帮我们把上下游两个相邻算作如果能Chain到一起，则Chain到一起做优化
Chain到一起的多个Operator就会组成一个OperatorChain，当OperatorChain执行的时候，到底要执行多少个Task，则需要把DAG进行并行化变成实实在在的Task来调度执行。

最开始：
	dataStream.xx1().xx2()xxx3()....xxxn();
	env.execute();
到最后：
	List<StreamTask> 执行（不同的StreamTask内部逻辑计算操作不一样）
总结要点
	相邻两个阶段之间的StreamTask是有关系的，到底哪些上游StreamTask生产数据给下游消费StreamTask，即shuffle

一个Flink流式作业，从Client提交到Flink集群，到最后执行，总共会经历四种不同的状态。总得来说：

Client 首先根据用户编写的代码生成StreamGraph，然后把StreamGraph构建成JobGraph交给Flink集群主节点
然后启动的JobMaster在接收到JobGraph后，会对其进行并行化生成ExecutionGraph后调度启动StreamTask执行。
StreamTask并行化的运行在Flink集群中，就是最终的物理执行图状态结构。

Flink中的执行图可以分成四层：StreamGraph==>JobGraph==>ExecutionGraph==>物理执行图。
参考链接：

JobGraph中，数据从上一个Operator（JobVertex）流到下一个Operator（JobVertex）的过程中，上游作为生产者提供了IntermediateDataSet，而下游作为消费者需要JobEdge。事实上，JobEdge是一个通信管道，连接了上游生产的dataset和下游的JobVertex节点。【注：优化算子链以提高效率】
在JobGraph转换到ExecutionGraph的过程中，主要发生了以下转变：
1.加入了并行度的概念，成为真正可调度的图结构；
2.生成了与JobVertex对应的ExecutionJobVertex，ExecutionVertex；与IntermediateDataSet对应的IntermediateResult和IntermediateResultPartition；并行将通过这些类实现
ExecutionGraph已经可以用于调度任务。Flink根据该图生成了一一对应的Task，每个Task对应一个ExecutionGraph的一个Execution。Task用InputGate、InputChannel和ResultPartition对对应了上面图中IntermediateResult和ExecutionEdge。

那么，设计中为什么要设计这四层执行逻辑呢？它的意义是什么？

StreamGraph是对用户逻辑的映射
JobGraph在StreamGraph基础上进行了一些优化，比如吧一部分操作串成Chain以提高效率
ExecutionGraph是为了调度存在的，加入了并行处理的概念
物理执行结构，真正执行的是Task及其相关结构。

2.6.1.StreamGraph构建和提交源码解析

StreamGraph：把每一个算子transform成一个对流的转换（比如SingleOutputStreamOperator，它就是一个DataStream的子类），并且注册到环境中，用于生成StreamGraph。
它包含的主要抽象概念有：

StreamNode：用来代表Operator的类，并具有所有相关的配置，如并发度、入边和出边等。
StreamEdge：表示连接两个StreamNode的边。

源码核心代码入口：

StreamExecutionEnvironment.execute(getStreamGraph(jobName))

StreamGraph生成过程中，生成StreamNode的代码入口：

streamGraph.addOperator(vertexID, slotSharingGroup, coLocationGroup,operatorFactory, inTypeInfo, outTypeInfo, operatorName);

StreamGraph生成过程中，生成StreamEdge的代码入口：

streamGraph.addEdge(inputId, transform.getId(), 0);

2.6.2.JobGraph构建和提交源码解析

JobGraph：StreamGraph经过优化后生成了JobGraph，提交给JobManager的数据结构
它包含的主要抽象概念有：

JobVertex：经过优化后符合条件的多个StreamNode可能会Chain子啊一起生成一个JobVertex，即一个JobVertex包含一个或多个Operator，JobVertex的输入是JobEdge，输出是IntermediateDataSet。
IntermediateDataSet：表示JobVertex的输出，即经过Operator处理产生的数据集。
producer是JobVertex，consumer是JobEdge。
JobEdge：代表了Job Graph中的一条数据传输通道。Source是IntermediateDataSet，target事故JobVertex，即数据通过JobEdge由InterMediateDataSet传递给目标JobVertex。

源码核心代码入口：

final JobGraph jobGraph = PipelineExecutorUtils.getJobGraph(pipeline,configuration);

注：这里的Pipeline其实本质上就是StreamGraph

经过层层递进：

StreamingJobGraphGenerator.createJobGraph(this,jobID);

在StreamGraph构建JobGraph的过程中，最重要的事情就是Operator的Chain优化，那么到底什么情况下的Operator能Chain在一起呢？

1.下游节点的入度为1（也就是说下游节点没有来自其他节点的输入）
downStreamVertex.getInEdges().size() == 1;

2.上下游节点都在同一个Slot group 中
upStreamVertex.isSameSlotSharingGroup(downStreamVertex);

3.前后算子不为空
!(downStreamOperator == null || upStreamOperator == null);

4.上游节点的Chain策略为always或head（只能与下游链接，不能与上游链接，Source默认是head）
!upStreamOperator.getChainingStrategy() == ChainingStrategy.NEVER;

5.下游节点的Chain策略为always（可以与上下游链接，map、flatmap、filter等默认是always）
!downStreamOperator.getChainingStrategy() != ChainingStrategy.ALWAYS;

6.两个节点间物理分区逻辑是ForwardPartitioner
partitioner instanceof ForwardPartitioner;

7.两个算子间的shuffle方式不等于批处理模式
edge.getShuffleMode() != ShuffleMode.BATCH

8.上下游的并行度一致
upStreamVertex.getParallelism() == downStreamVertex.getParallelism()

9.用户没有禁用Chain
streamGraph.isChainingEnabled();

注：这里的9就是常用到的断开算子链!!!

2.6.3.ExecutionGraph构建和提交源码解析

ExecutionGraph：JobManager（JobMaster）根据JobGraph生成ExecutionGraph。ExecutionGraph是JobGraph的并行化版本，是调度层最核心的数据架构。
它包含的主要抽象概念有：

ExecutionJobVertex：和JobGraph中的JobVertex一一对应；每一个ExecutionJobVertex都有和并发度一样的ExecutionVertex。
ExecutionVertex：表示ExecutionJobVertex的其中一个并发子任务，输入是ExecutionEdge，输出是IntermediateResultPartition。
IntermediateResult：和JobGraph中IntermediateDataSet一一对应。一个IntermediateResult包含多个IntermediateResultPartition，其个数等于该Operator的并发度。
IntermediateResultPartition：表示ExecutionVertex的一个输出分区，producer是ExecutionVertex，consumer是若干个ExecutionEdge。
ExecutionEdge：表示ExecutionVertex的输入，source是IntermediateResultPartition，target是ExecutionVertex。source和target都只能是一个。
Execution：是执行一个 ExecutionVertex 的一次尝试。当发生故障或者数据需要重算的情况下
ExecutionVertex 可能会有多个 ExecutionAttemptID。一个 Execution 通过ExecutionAttemptID 来唯一标识。JM和TM之间关于 task 的部署和 task status 的更新都是通过ExecutionAttemptID 来确定消息接受者。

源码核心代码入口：

SchedulerBase.createAndRestoreExecutionGraph(...);

在SchedulerBase这个类的内部，有两个成员变量：一个是JobGraph，一个是ExecutionGraph；
在创建SchedulerBase这个类的子类：DefaultSchedule的实例对象的时候，会再SchedulerBase的构造方法中去生成ExecutionGraph。
源码核心流程：

SchedulerBase.createAndRestoreExecutionGraph();
	ExecutionGraph newExecutionGraph = createExecutionGraph(...);
		ExecutionGraphBuilder.buildGraph(jobGraph,...);
			//创建ExecutionGraph对象
			executionGraph = (prior != null) ? prior : new ExecutionGraph(...);
			//生成JobGraph的JSON表达式
			executionGraph.setJsonPlan(JsonPlanGenerator.generatePlan(jobGraph));
			//重点，从JobGraph构建ExecutionGraph
			executionGraph.attachJobGraph(sortedTopology);
			
				//遍历JobVertex执行并行化生成ExecutionVertex
				for (JobVertex jobVertex : topologiallySorted) {
					
					//每一个JobVertex对应到一个ExecutionJobVertex
					// create the execution job vertex and attach it to the graph
					ExecutionJobVertex ejv = new ExecutionJobVertex(this,jobVertex);
					ejv.connectToPredecessors(this.intermediateResults);
					
						List<JobEdge> inputs = jobVertex.getInputs();
						for (int num = 0; num < inputs.size(); num++) {
							JobEdge edge = inputs.get(num);
							IntermediateResult ires = intermediateDataSets.get(edge.getSourceId());
							this.inputs.add(ires);
							
							// 根据并行度来设置ExecutionVertex
							for (int i = 0; i < parallelism; i++) {
								ExecutionVertex ev = taskVertices[i];
								ev.connectSource(num, ires, edge, consumerIndex);
							}
						}

2.6.4.物理执行图

物理执行图：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。
它包含的主要抽象概念有：

Task：Execution被调度后再分配的TaskManager中启动对应的Task，Task包裹了具有用户执行逻辑的Operator。
ResultPartition：A result partition for data produced by a single task.
ResultSubpartition：A single subpartition of a {@link ResultPartition} instance.
InputGate：An input gate consumes one or more partitions of a single produced intermediate result.
InputChannel：An input channel consumes a single {@link ResultSubpartitionView}.

2.7.WebMonitorEndpoint处理RetClient的JobSubmit请求

最终处理这个请求：JobSubmitHandler来处理！
核心入口：

// JobManager服务端处理入口
JobSubmitHandler.handleRequest();

	// 恢复得到JobGraph
	CompletableFuture<JobGraph> jobGraphFuture = loadJobGraph(requestBody, nameToFile);

	// 通过Dispatcher提交JobGraph
	Dispatcher.submitJob(jobGraph, timeout)

Dispatcher的提交执行逻辑：

Dispatcher.persistAndRunJob()

	// 保存JobGraph在ZK上
	jobGraphWriter.putJobGraph(jobGraph);
	// 提交JobGraph执行
	Dispatcher.runJob(jobGraph);
	
		// 第一件事&&主要的事情：创建JobMaster，注：这里方法命名为createJobMaster更合理
		Dispatcher.createJobManagerRunner(jobGraph);
		// 初始化new JobManagerImpl
		new JobManagerRunnerImpl(...);
			// 初始化 JobMaster
			new JobMaster(...);
			// 创建DefaultScheduler
			this.schedulerNG = createScheduler(jobManagerJobMetricGroup);
				schedulerNGFactory.createInstance(...)
					new DefaultScheduler()
						super()
							this.executionGraph = createAndRestoreExecutionGraph(...);
								ExecutionGraph newExecutionGraph = createExecutionGraph(...);
			// 因为JobMaster是RpcEndpoint的子类，然后跳转到JobMaster的onStart()方法
			onStart();/*空*/
		// 第二件事：启动JobMaster
		Dispatcher.startJobManagerRunner();
			jobManagerRunner.start();
				leaderElectionService.start(this);
					// 选举成功，会调用isLeader()方法
					// Leader election service for multiple JobManager
					ZooKeeperLeaderElectionService.isLeader()
					
					JobManagerRunnerImpl.grantLeadership(final UUID leaderSessionID);
					verifyJobSchedulingStatusAndStartJobManager(leaderSessionID);

接着上面的过程继续：

startJobMaster(leaderSessionId);
	runningJobsRegistry.setJobRunning(jobGraph.getJobID());
	jobMasterService.start(new JobMasterId(leaderSessionId));
		
		//内部完成以下两件事：
		//startJobMasterServices();
		//resetAndStartScheduler();
		JobMaster.startJobExecution(JobMasterId newJobMasterId);
			
			// 第一件事：跑起来JobMaster相关的服务，主要是注册和心跳
			startJobMasterServices();
				startHeartbeatServices();
				slotPool.start(getFencingToken(), getAddress(), getMainThreadExecutor());
				...
				// 和ResourceManager建立联系，监听ResourceManager
				resourceManagerLeadRetriever.start(new ResourceManagerLeaderListener());
			
			// 第二件事：开始申请Slot，并且部署Task
			resetAndStartScheduler();
				JobMaster.startScheduling();
					schedulerNG.startScheduling();
						// 启动所有的服务协调组
						startAllOperatorCoordinators();
						// 开始调度
						startSchedulingInternal();
							prepareExecutionGraphForNgScheduling();
							schedulingStrategy.startScheduling();
								allocateSlotsAndDeploy(...);

接着继续申请Slot然后部署：

schedulerOperations.allocateSlotsAndDeploy(executionVertexDeploymentOptions);
	DefaultScheduler.allocateSlotsAndDeploy(executionVertexDeploymentOptions);
	
	// 申请Slot
	allocateSlots(executionVertexDeploymentOptions);
	
	// 部署Task运行
	waitForAllSlotsAndDeploy(deploymentHandles);

3.1.Slot管理（申请和释放）源码解析

核心入口：allocateSlots(executionVertexDeploymentOptions);
接下来看TaskManager的Slot管理：

// JobMaster发送请求申请Slot
DefaultScheduler.allocateSlots();
DefaultExecutionSlotAllocator.allocateSlotsFor();
NormalSlotProviderStrategy.allocateSlot();
SchedulerImpl.allocateSlot();
SchedulerImpl.allocateSlotInternal();
SchedulerImpl.internalAllocateSlot();
SchedulerImpl.allocateSingleSlot();
SchedulerImpl.requestNewAllocatedSlot();
SlotPoolImpl.requestNewAllocatedBatchSlot();
SlotPoolImpl.requestNewAllocatedSlotInternal();
SlotPoolImpl.requestSlotFromResourceManager();

// ResourceManager接收到请求，执行Slot请求处理
ResourceManager.requestSlot();
SlotManagerImpl.registerSlotRequest(slotRequest);
SlotManagerImpl.internalRequestSlot();
SlotManagerImpl.allocateSlot();
TaskExecutorGateway.requestSlot();

// TaskManager处理ResourceManager发送过来的Slot请求
TaskExecutor.requestSlot();
TaskExecutor.offerSlotsToJobManager();
TaskExecutor.internalOfferSlotsToJobManager();
JobMasterGateway.offerSlots();

// JobMaster接收到TaskManager发送过来的Slot申请处理结果
JobMaster.offerSlots();
SlotPoolImpl.offerSlots();

大体上，分为四个大步骤：

JobManager发送请求申请Slot
ResourceManager接收到请求，执行Slot请求处理
TaskManager处理ResourceManager发送过来的Slot请求
JobMaster接收到TaskManager发送过来的Slot申请处理结果

4.1.StreamTask初始化和执行

4.1.1.TaskExecutor执行一个Task

TaskExecutor接收提交Task执行的请求，则调用：

TaskExecutor.submitTask(TaskDeploymentDescriptor tdd,JobMasterId jobMasterId,Time timeout);

在该方法的内部，会封装一个Task对象，在Task的构造方法中，也做了一些相应的初始化动作：

public Task(...){
	//封装一个Task信息对象 TaskInfo
	this.taskInfo = new TaskInfo(...);
	
	//一个Task的执行输出，输出的抽象ResultPartition和ResultSubPartition
	final ResultPartitionWriter[] resultPartitionWriters = shuffleEnvironment.createResultPartitionWriters(taskShuffleContext,resultPartitionDeploymentDescriptors);
	this.consumableNotifyingPartitionWriters = ConsumableNotifyingResultPartitionWriterDecorator.decorate(...);
	
	//一个Task的执行输入，输入的抽象：InputGate和InputChannel（从上游一个Task节点拉取数据）
	//InputChannel可能有两种实现：local和remote
	//初始化InputGate和InputChannel
	final IndexedInputGate[] gates = shuffleEnvironment.createInputGates(...);

	// 初始化一个用来执行Task的线程，目标对象，就是Task本身
	executingThread = new Thread(TASK_THREADS_GROUP, this, taskNameWithSubtask)
	
}

封装一个Task的时候，调用构造方法执行，会去初始化该Task的输入（InputGate和InputChannel）和输出（ResultPartition和ResultSubPartition）组件相关，然后初始化用来执行该Task的一个线程。
总之，都是通过封装一个Task对象，包括一个executingThread，其目标对象，就是Task，所以在Task构建完成之后，调用：

task.startTaskThread();

之后，跳转到Task.run()方法，从此，真正开始一个Task的启动和执行。
启动一个Task的执行，这个Task有可能是SourceStreamTask，也有可能是非SourceStreamTask（比如OneInputStreamTask，TwoInputStreamTask）等。

4.1.2.SourceStreamTask和StreamTask初始化

前提知识：在最开始一个Job提交到Flink standalone集群运行的时候，在client构建StreamGraph（顶点是StreamNode，边是StreamEdge）的时候，会根据用户调用的算子生成Transformation为StreamGraph生成StreamNode，在生成StreamNode的时候，会通过OperatorFactory执行判断，如果该StreamOperator是StreamSource的时候，就会指定该StreamTask的invokableClass为SourceStreamTask，否则为（OneInputStreamTask，TwoInputStreamTask，StreamTask），核心代码如下：

Stream.addOperator(...){
	Class<? extends AbstractInvokable> invokableClass = operatorFactory.isStreamSource() ? SourceStreamTask.class : OneInputStreamTask.class;
}

因此，当ExecutionVertex真正被提交到TaskExecutor中运行的时候，被封装的Execution对应的Task类的启动类AbstractInvokeable就是在构建StreamGraph的时候指定的对应的invokableClass。即：

如果启动SourceStreamTask，则启动类是：SourceStreamTask
如果启动非SourceStreamTask，则启动类是StreamTask

注：TaskExecutor、TaskManager和Slot之间的关系如何?
首先，查看SourceStreamTask的构造过程，核心入口：

Task.run();
	Task.doRun();
	
	// 将状态从CREATED改为DEPLOYING,这里的ExecutionState使用volatile修饰
	transitionState(ExecutionState.CREATED, ExecutionState.DEPLOYING)
	
	// 拉起ResultPartitionWriter和InputGate，本质初始化BufferPool，分配Buffer
	// TaskManager---TaskExecutor（包括多个Task）---ResultPartitionManager（管理多个ResultPartition）
	//参考链接：https://cloud.tencent.com/developer/article/1878476
	//注：通过分配Buffer的方式，避免JVM的垃圾回收
	setupPartitionsAndGates(consumableNotifyingPartitionWriters,inputGates)
	
	//保证在Task执行过程中需要的各种组件
	Environment env = new RuntimeEnvironment(...);
	
	//通过反射实例化StreamTask实例（包括两种情况：SourceStreamTask，OneInputStreamTask）
	AbstractInvokable invokable = loadAndInstantiateInvokable(userCodeClassLoader, nameOfInvokableClass, env);

	//将状态从DEPLOYING改为RUNNING
	transitionState(ExecutionState.DEPLOYING,Execution.RUNNING);
	//启动StreamTask
	invokable.invoke();
	//StreamTask需要正常结束，处理Buffer中的数据
	ResultPartitionWriter.finish();

拉起ResultPartitionWriter和InputGate的时候到底是怎么做的？

for(ResultPartitionWriter partition : producePartitions){
	//注册当前Task的ResultPartition到启动当前Task的TaskManager之上的用来跟踪管理ResultPartition的ResultPartitionManager之中
	partition.setup();
}

for(InputGate gate : inputGates){
	//为这个Task的InputGate中的InputChannel分配BufferPool
	gate.setup();
}

SourceStreamTask构造方法：
内部通过反射来实例化AbstractInvokable的具体实例，最终跳转到SourceStreamTask的构造方法，同样，如果非SourceStreamTask的话，则跳转到OneInputStreamTask的带Environment参数的构造方法

public SourceStreamTask(Environment env) throw Exception{
	this(env,new Object());
}

然后跳转到重载构造：

private SourceStreamTask(Enviorment env, Object lock) throw Exception{
	//调用父类StreamTask的构造方法
	super(env, null, FatalExitExceptionHandler.INSTANCE, StreamTaskActionExecutor.synchronizedExecutor(lock));
	this.lock = Preconditions.checkNotNull(lock);

	//初始化一个接收数据的线程
	this.sourceThread = new LegacySourceFunctionThread();

}

StreamTask的构造方法：

protected StreamTask(Environment environment,@Nullable TimerService timerService,
		Thread.UncaughtExceptionHandler uncaughtExceptionHandler,
		StreamTaskActionExecutor actionExecutor,
		TaskMailbox mailbox) throws Exception {
		
		//StreamTask(ResultPartition + InputGate)
		//创建RecordWriter，写入数据到 ResultPartition，
		this.recordWriter = createRecordWriterDelegate(configuration, environment);
		//处理输入 Stream.processInput()，读取InputChannel的数据
		this.mailboxProcessor = new MailboxProcessor(this::processInput,mailbox,actionExecutor);

		//创建状态后端StateBacked，一般使用FsStateBacked
		this.stateBackend = createStateBackend();

		//初始化SubtaskCheckpointCoordinatorImpl实例，主要作用是通过StateBackend创建CheckpointStorage
		this.subtaskCheckpointCoordinator = new SubtaskCheckpointCoordinatorImpl(
			//创建CheckpointStorage，使用FsStateBackend，创建的就是FsCheckpointStorage
			stateBackend.createCheckpointStorage(getEnvironment().getJobID())...);
		}

其中在SourceStreamTask的processInput()方法中，主要是启动接收数据的线程LegacySourceFunctionThread；在执行构造方法完毕后，LegacySourceFunctionThread已经初始化好了，但是 headOperator 还是null，所以，LegacySourceFunctionThread 还未真正启动。

4.1.3.SourceStreamTask和StreamTask执行

接下来要进入到StreamTask.invoke()方法执行，核心分为四个步骤：

public final void invoke() throws Exception{
	//Task正式工作之前
	beforeInvoke();
	
	//Task开始工作
	runMailboxLoop();

	//Task要结束
	afterInvoke();

	//Task最后执行清理
	cleanUpInvoke();

}

在beforeInvoke()中，主要初始化OperatorChain，然后调用init()执行初始化，然后恢复状态，更改Task的状态isRuning=true；
在runMailboxLoop()中，主要是不停的处理mail，是Flink-1.10的改进，使用了mailbox模型来处理任务；
参考链接：http://matt33.com/2020/03/20/flink-task-mailbox/
在afterInvoke()中，主要是完成Task要结束之前需要完成的一些细节，比如，把buffer中的数据flush；
最后，在cleanUpInvoke()主要做一些资源的释放，执行各自关闭动作：set false，interrupt，shutdown，close，cleanup，dispose等；

整个Task的生命周期中，前两个步骤非常重要。
首先进入beforeInvoke()方法：

protected void beforeInvoke() throws Exception{
	//初始化OperatorChain
	opeatorChain = new OperatorChain<>(this,recordWriter);

	//执行初始化
	SourceStream.init();

	//初始化状态
	actionExecutor.runThrowing(() -> {
		operatorChain.initializeStateAndOpenOperators(createStreamTaskStateInitializer());
		readRecoveredChannelState();
	});

	//更改运行状态
	isRunning = true;
}

首先看ChainOperator的初始化，首先会为每个Operator创建一个RecordWriterOutput，再为每个Operator创建一个OutputCollector；然后把每一个Operator都包装成OperatorWrapper放入List< StreamOperatorWrapper > allOpWrappers集合中。最后调用linkOperatorWrappers(allOpWrappers)方法以逻辑正序的方式来构建StreamOperator的链式关系。
在这里插入图片描述
然后就是init()方法，对于SourceStreamTask来说，就是看Source是不是ExternallyInduceSource，如果是，则注册一个savepoint钩子。对于OneInputStreamTask来说，主要就是创建CheckpointedInputGate，StreamTaskNetworkOutput，StreamTaskNetworkInput，StreamOneInputProcessor用来进行shuffle相关的数据传输。
到此为止，Task初始化和预执行相关的，都基本到位了，然后就开始我们的SourceStreamTask的HeadOperator的数据接收线程，开始流式处理。
核心代码入口：

LegacySourceFunctionThread.run();
	headOperator.run(lock,getStreamStatusMaintainer(),operatorChain);
		StreamSource.run();
			userFunction.run(ctx);

具体Task的执行，参考源码注释。
关于Flink Task之间的shuffle有一对这样的概念：

StreamTaskNetworkInput，存在StreamTask中用于接收上游T啊算了发过来的数据的
StreamTaskNetworkOutput

4.2~4.3.State和Checkpoint的过程剖析

首先明确一个观点，Statebackend核心的工作是管理State（生命周期），State是用于状态数据，Checkpoint是实现快照的过程

假定现在一个Task在正常的处理数据，即从mailBox中不断的取出数据，处理数据；更新该Task的State，如：KeyedState通过CopyOnWriteMap实现状态更新，但是本身受到HashMapStateBackend管理，
TaskManager接收到JobMaster发送的checkpoint请求，向SourceTask注入barrier，barrier首先会进入mailbox，处理完成后开始准成Checkpoint，完成的工作：
1. 广播当前barrier到下游StreamTask
2. 启动一个异步线程AsyncCheckpointRunnable完成快照，这个过程Task会继续处理数据；
Task完成Checkpoint后，汇报JobManager完成了Checkpoint，JobManager通知Task完成Checkpoint（不是等所有Task完成后再通知），会在StreamTask的notifyCheckpointOperation方法中，产生一个command（可以理解为mailbox的Task，优先级为MAX_PRIORITY）完成notifyCheckpointComplete

其实Checkpoint过程本身说复杂不负责，但是对于每一个步骤的细节如何，似乎单纯死记硬背不是一个好的建议，下面给出网上一些大佬的帖子，真的再次感谢各位大佬对源码的分析：
Flink 源码阅读笔记（10）- State 管理
AsyncCheckpointRunnable
怎么理解flink的异步检查点机制
Flink 基于 MailBox 实现的 StreamTask 线程模型
Flink Mailbox模型
Apache Flink and the input data reading
分布式数据流的轻量级异步快照
论文阅读-Lightweight Asynchronous Snapshots for Distributed Dataflows

4.4.Checkpoint的触发

Checkpoint是Flink Default Tolerance机制的重要组成部分，Flink Checkpoint的核心类名为org.apache.flink.runtime.checkpoint.CheckpointCoordinator

4.4.1.Client端生成Checkpoint配置

Flink的应用程序，都是通过StreamExecutionEnvironment的execute()方法提交执行的，在StreamExecutionEnvironment初始化的时候，会调用：

this.configure(this.configuration, this.userClassloader);

方法来执行配置参数的初始化，其中就会涉及到：

checkpointCfg.configure(configuration);

代码的执行。这句代码中的相关参数的初始化，就是跟Checkpoint相关的各种参数。
生成的CheckpointConfig会最先被设置盗StreamGraph中，然后由StreamingJobGraphGenerator解析到StreamGraph生成JobGraph的时候，由

StreamingJobGraphGenerator.configureCheckpointing();

将CheckpointConfig中的各自参数，封装成JobCheckpointingSettings对象，然后设置到JobGraph中由成员变量snapshotSettings来进行保存。

4.4.2.Checkpoint CheckpointCoordinator启动源码详解

然后再ExecutionGraphBuilder构建ExecutionGraph的时候，会生成CheckpointCoordinatorConfiguration对象，来保存成JobGraph中的snapshotSettings参数，最终该交给：

ExecutionGraphBuilder.enableCheckpointing();

执行解析，保存到ExecutionGraph中。
在ExecutionGraphBuilder生成ExecutionGraph的时候，总结一下，大概做了以下几件事情：

解析ExecutionGraph中的各种ExecutionVertex，设置到tasksToTrigger，tasksToWaitFor，tasksToCommitTo数组中
注册了CheckpointFailureManager组件，用来汇总Checkpoint的统计信息。
创建CheckpointFailureManager，管理Checkpoint失败后的策略
创建定时器CheckpointCoordinatorTimer（ScheduledExecutorService），用于定时触发Checkpoint
创建CheckpointCoordinator，并注册CheckpointCoordinatorDeActivator
首先是CheckCoordinator的触发机制，核心入口是：

registerJobStatusListener(checkpointCoordinator.createActivatorDeactivator());

checkpointCoordinator.createActivatorDeactivator()方法返回的是一个JobStatusListener，具体实现是：CheckpointCoordinatorDeActivator，它的作用是：当监听到Job的状态为JobStatus.RUNNING的时候，就开始执行CheckpointCoordinatorDeActivator.jobStatusChanges()的回调处理。而具体的间隔时间，一般都由用户自己设置。
总结一下：
CheckpointCoordinator是Flink执行Checkpoint的核心组件，JobManager在接收到client端的submitJob请求后将JobGraph转化为ExecutionGraph，并调用enableCheckpointing方法初始化CheckpointCoordinator，然后为CheckpointCoordinator注册一个Job状态变化的监听器CheckpointCoordinatorDeActivator。CheckpointCoordinatorDeActivator实现了JobStatusListener接口，当Job状态变成RUNNING时，调用startCheckpointScheduler方法开启CheckpointScheduler，当Job变成其他状态时，调用stopCheckpointScheduler方法停止CheckpointScheduler。

4.4.3.CheckpointCoordinator Checkpoint执行源码详解

所以，真正开始执行Checkpoint的入口是：

CheckpointCoordinator.startCheckpointScheduler();

内部具体通过scheduleTriggerWithDelay(getRandomInitDelay())来实现调度！
其中：getRandomInitDelay()存在意义是：ScheduledExecutor timer不要一上来就执行Checkpoint，而是等一段随机事件（在minPauseBetweenCheckpoints和baseInterval + 1L之间）。ScheduledTrigger就是定时调度的一个Checkpoint触发器。
具体的minPauseBetweenCheckpoints和baseInterval是多少，就看用户的设置是多少：

StreamExecutionEnvironment env = StreamExecutionEnvironment.getExecutionEnvironment();

//设置：baseInterval = 10s，默认 500 = 0.5s
env.enableCheckpointing(1000*10);
//设置：minPauseBetweenCheckpoints = 1s，默认 0
env.getCheckpointConfig().setMinPauseBetweenCheckpoints(1000);

接下来看调度逻辑：

CheckpointCoordinator.startCheckpointScheduler();
	CheckpointCoordinator.scheduleTriggerWithDelay(getRandomInitDelay());
		//定时调度任务
		timer.scheduleAtFixedRate(new ScheduledTrigger(),initDelay,baseInterval,TimeUnit.MILLISECONDS);
			ScheduledTrigger.run();
				//定时任务，其实就是定时调用CheckpointCoordinator的triggerCheckpoint()方法触发Checkpoint
				CheckpointCoordinator.triggerCheckpoint(true);
				CheckpointCoordinator.triggerCheckpoint(checkpointProperties,null,isPeriodic,false);
				CheckpointCoordinator.startTriggerCheckpoint(CheckpointTriggerRequest);
				CheckpointCoordinator.initializeCheckpoint(...);
				CheckpointCoordinator.createPendingCheckpoint(...);
				CheckpointCoordinator.snapshotTaskState();
					//遍历每一个Source ExecutionVertex，触发Checkpoint
					Execution.triggerCheckpoint(checkpointID,timestamp,checkpointOptions);
					Execution.triggerCheckpointHelper(checkpointId,timestamp,checkpointOptions,false);
						TaskManagerGateway taskManagerGateway = slot.getTaskManagerGateway();
						taskManagerGateway.triggerCheckpoint(.....);
							// 发送 Checkpoint RPC 给对应的 Source ExecutionVertex 组件
							taskExecutorGateway.triggerCheckpoint(....);

到此为止，JobMaster终于把Checkpoint请求发送给了对应执行了Source ExecutionVertex的TaskManager节点了。
在这个过程中，可能会取消Checkpoint：

coordinator处于shutdown状态
周期性Checkpoint调度被取消（periodicScheduling=false），一般periodicScheduling=false，是因为用户手动触发了savepoint
当前有排队的Checkpoint请求
当前pendingCheckpoints数量达到设定上限
与上一次Checkpoint间隔小于设定的最小值，如果间隔太小，会取消并重新设定调度器
如果Job的所有Source ExecutionVertex没有全处于RUNNING的状态的时候

4.4.4.Checkpoint TaskManager端处理state保存

当TaskManager接收到Checkpoint请求的时候，TaskManager端的Checkpoint分为两种情况：

SourceStreamTask
其他StreamTask

当SourceStreamTask所在的TaskExecutor收到trigger Checkpoint消息，继续进行Checkpoint，核心入口是：

TaskExecutor.triggerCheckpoint(executionAttemptID,checkpointId,checkpointTimestamp,checkpointOptions,advanceToEndOfEventTime);

下一步调用：

task.triggerCheckpointBarrier(checkpointId,checkpointTimestamp,checkpointOptions, advanceToEndOfEventTime);

下一步调用：获取Task的AbstractInvokeable。并生成CheckpointMetaData，然后执行SourceStreamTask的状态判断，继续调用Checkpoint还是取消：

if(executionState == ExecutionState.RUNNING && invokable != null){
	//继续Checkpoint
	SourceStreamTask.triggerCheckpointAsync(checkpointMetaData,CheckpointOptions,advanceToEndOfEventTime);
}else{
	//取消Checkpoint
	checkpointResponder.declineCheckpoint(jobId,executionId,checkpointID,new CheckpointException("xxx"));
}

经过一些跳转，最终跳转到：StreamTask

StreamTasl.triggerCheckpointAsync(checkpointMetaData,checkpointOptions,advanceToEndOfEventTime);

内部通过MailBox模型来调度执行，内部调用：

triggerCheckpoint(checkpointMetaData,checkpointOptions,advanceToEndOfEventTime);

来触发执行Checkpoint。从这里开始，就进入到Mailbox的主线程来执行Checkpoint了。在该方法中，核心逻辑为：

//1、执行SubtaskCheckpointCoordinatorImpl的初始化
subtaskCheckpointCoordinator.initCheckpoint(checkpointMetaData.getCheckpointId(), checkpointOptions);
//2、执行Checkpoint
boolean success = performCheckpoint(checkpointMetaData, checkpointOptions, checkpointMetrics, advanceToEndOfEventTime);
//3、通过上述的返回值来判断是否要取消Checkpoint
if (!success) {
	declineCheckpoint(checkpointMetaData.getCheckpointId());
}

在performCheckpoint()方法中，会调用：SubtaskCheckpointCoordinatorImpl的checkpointState() 执行 state 的快照！内部分为这么几个步骤：

// Step (1): Prepare the checkpoint, allow operators to do some pre-barrier work.
//           The pre-barrier work should be nothing or minimal in the common case.
operatorChain.prepareSnapshotPreBarrier(metadata.getCheckpointId());

// Step (2): Send the checkpoint barrier downstream
operatorChain.broadcastEvent(new CheckpointBarrier(metadata.getCheckpointId(), metadata.getTimestamp(), options),options.isUnalignedCheckpoint());

// Step (3): Prepare to spill the in-flight buffers for input and output
if (options.isUnalignedCheckpoint()) {
	prepareInflightDataSnapshot(metadata.getCheckpointId());
}

// Step (4): Take the state snapshot. This should be largely asynchronous, to not impact progress of the
// streaming topology
takeSnapshotSync(snapshotFutures, metadata, metrics, options, operatorChain, isCanceled)

// Step (5): report Task State Snapshots to jobmanager
finishAndReportAsync(snapshotFutures, metadata, metrics, options);

事实上一个Job的所有Task的state的Checkpoint是由takeSnapshotSync来真正完成的。最底层会调用StreamOperatorStateHandler的snapshotState()方法来完成具体的工作，它的内部主要做三件事情：

//1、对StreamOperator完成snapshot
streamOperator.snapshotState(snapshotContext);

//2、针对Operator类型的状态执行snapshot
operatorStateBackend.snapshot(checkpointId, timestamp, factory, checkpointOptions));

//3、针对KeyedState类型的状态执行snapshot
keyedStateBackend.snapshot(checkpointId, timestamp, factory, checkpointOptions));

4.4.5.Checkpoint CheckCoordinator端反馈处理

当上述，第四步完成的时候，第五步就可以对JobMaster进行Checkpoint状态汇报了。然后当TaskExecutor执行完Checkpoint之后，发送回反馈CheckCoordinator执行处理。
核心入口是：JobMaster.acknowledgeCheckpoint()方法
下面看详细流程：

JobMaster.acknowledgeCheckpoint();
	SchedulerBase.acknowledgeCheckpoint();
		CheckpointCoordinator.receiveAcknowledgeMessage();
		//处理Task节点返回的ack信息
		PendingCheckpoint.acknowledgeTask();
		//判断该 PendingCheckpoint 该发的和该收到的 ack 是否都已经成功 ack
		if (checkpoint.isFullyAcknowledged()) {
			//更改PendingCheckpoint为CompletedCheckpoint
			CheckpointCoordinator.completePendingCheckpoint(checkpoint);
		}

4.5.Checkpoint State恢复源码剖析

JobMaster实例创建时，通过调用链：

JobMaster.createScheduler();
	DefaultSchedulerFactory.createInstance();
		new DefaultScheduler();
			SchedulerBase.createAndRestoreExecutionGraph();
				SchedulerBase.tryRestoreExecutionGraphFromSavepoint();
					CheckpointCoordinator.restoreSavepoint();

到达CheckpointCoordinator的restoreSavepoint()方法，进入Checkpoint State restore流程。
所以Checkpoint State Restore的核心入口是：

CheckpointCoordinator.restoreSavepoint();