Flink Graph

Flink Graph

早期，Batch和Stream的图结构和优化方法有很大的区别，所以批处理使用OptimizedPlan来做Batch相关的优化，使用StreamGraph表达流计算的逻辑，最终都转换为JobGraph，实现了流批的统一。

流计算应用的Graph转换

　　对于流计算应用来说，首先将DataStreamAPI的调用转换为Transformation，然后经过StreamGraph->JobGraph->ExecutionGraph3层转换（Flink内置的数据结构），最后经过Flink的调度执行，在Flink集群中启动计算任务，形成一个物理执行图，该图是物理执行的Task之间的拓扑关系，但是在Flink中没有对应的Graph数据结构，是运行时的概念。

　　小结：

　　Flink执行图分为四层：

　　　　StreamGraph -> JobGraph -> ExecutionGraph -> Physical Graph

　　其中Physical Graph在Flink中没有对应的Graph数据结构，是运行时的概念

批处理应用的Graph转换

　　对于批处理应用而言，首先将DataSet API的调用转换为OptimizedPlan，然后转换为JobGraph。批处理和流计算在JobGraph上完成了统一。

 流图

　　使用DataStream API开发的应用程序，首先被转换为Transformation，然后被映射为StreamGraph，该图与具体的执行无关，核心是表达计算过程的逻辑。

　　StreamGraph核心对象

　　StreamGraph由StreamNode和StreamEdge构成。

　　StreamNode

　　StreamNode是StreamGraph中的节点，从Transformation转换而来，可以简单理解为一个