# Flink运行时的架构组件有哪些？
Flink 运行时采用典型的 Master-Worker（主从架构），核心组件主要分为两大角色：JobManager（Master）和 TaskManager（Worker），同时依赖一个客户端（Client）来提交作业。
具体组件及其职责如下：
# JobManager（作业管理器）集群的“大脑”
它是整个任务调度的中心，负责协调和 checkpoint 协调。一个集群通常有一个活跃的 JobManager（HA 模式下会有备用节点）。
Dispatcher（分发器）：接收客户端提交的作业，为每个作业启动一个新的 JobMaster。同时提供 RESTful API 来查询监控信息。
JobMaster（作业主控）：负责管理单个具体的 JobGraph（作业图）。它会向 ResourceManager 申请资源（Task Slot），并将 JobGraph 转换为 ExecutionGraph，然后调度 Task 到 TaskManager 执行。
ResourceManager（资源管理器）：负责管理 TaskManager 的插槽（Slot）。它负责启动新的 TaskManager 或空闲时回收资源。Flink 有多种实现（如 Standalone、YARN、K8s）。
# TaskManager（任务管理器）数据处理的“工人”
负责执行具体的计算任务。每个 TaskManager 是一个独立的 JVM 进程。
Task Slot（任务插槽）：TaskManager 内部划分为多个 Slot，这是资源调度的最小单位。一个 Slot 可以运行一个或多个 Task（可能共享）。
Network & Memory Manager：管理网络传输和内存分配，确保数据在算子之间高效流动。
# Client（客户端）
不是运行时的一部分，而是用于提交作业。
负责解析用户代码，生成 StreamGraph 和 JobGraph 并提交给 JobManager。
提交完成后可以断开（分离模式），也可以保持连接获取进度（打印结果）。
# 核心交互流程（快速理解）
Client 编译代码，生成 JobGraph 发给 Dispatcher。
Dispatcher 为作业启动 JobMaster。
JobMaster 向 ResourceManager 请求可用 Slot。
ResourceManager 通知空闲的 TaskManager 申请到 Slot。
JobMaster 将 Task 部署到这些 Slot 上执行。
TaskManager 之间通过网络 Shuffle 交换数据。
# 补充说明：在不同的部署模式下，角色略有差异
- Standalone 模式：需要预先启动所有 JobManager 和 TaskManager 进程。
- YARN/K8s 模式：ResourceManager 会动态申请容器来启动 TaskManager，作业结束后自动释放资源