Flink-DataStream流处理应用(Local模式下)运行流程-源码分析
Flink的部署模式，有Local、Cluster和Cloud模式，本案例，在Local模式下分析，Flink的DataStream流处理应用程序的运行流程
MiniCluster -> start
JobManager（主节点服务，实现类是JobManagerRunnerImpl类）
JobMaster（）
ResourceManager（）
TaskManager（从节点服务，实现类是TaskManagerRunner类）
1、自定义DataStream的应用程序，执行execute方法
1.1、初始化StreamExecutionEnvironment，在local模式下，调用的是1939行，即无参数的createLocalEnvironment()
1.2、查看createLocalEnvironment方法的定义，内部调用的是createLocalEnvironment(defaultLocalParallelism)，传入了一个int类型的默认并行度参数
注意默认并行度参数的值是这么生成的：
1.3、查看createLocalEnvironment(defaultLocalParallelism)方法的定义，内部调用的是createLocalEnvironment(defaultLocalParallelism，configuration)，传入了两个参数，分别是并行度参数和配置对象
1.4、我们看到了，原来在IDE中，用的是LocalStreamEnvironment对象
1.5、在new LocalStreamEnvironment构造方法中，通过vlidateAndGetConfiguration方法设置了2个配置：execution.target=local 和 execution.attached=true；然后设置并行度为1
1.6、在new LocalStreamEnvironment的时候，也调用了父类StreamExecutionEnvironment(configuration,userClassLoader)的构造方法，并传入了2个关键参数
1.7、在父类StreamExecutionEnvironment(configuration,userClassLoader)的构造方法，又调用了StreamExecutionEnvironment(executorServiceLoader，configuration，userClassloader)，由2个关键参数变成了3个关键参数，即executorServiceLoader=new DefaultExecutorServiceLoader
2、调用的是StreamExecutionEnvironment中第1696行的execute(String jobName)方法（注意返回值是JobExecutionResult类型），其内部调用的是：execute(getStreamGraph(jobName));
2.1、看一下，getStreamGraph(String jobName)方法的定义，其内部调用的是：getStreamGraph(jobName, true);
2.2、查看getStreamGraph(jobName, clearTransformations)方法的定义，我们发现是通过getStreamGraphGenerator创建的StreamGraph
2.3、查看getStreamGraphGenerator的定义：原来是new StreamGraphGenerator对象
3、在StreamExecutionEnvironment中，1696行的execute(String jobName)方法内部调用了位于1712行的execute(streamGraph)
3.1、在StreamExecutionEnvironment中，1712行的execute(streamGraph)方法内部调用了executeAsync(streamGraph)方法，返回的是JobClient对象
【 注意关键代码】
3.1.1、在1802~1803行：
final PipelineExecutorFactory executorFactory =
executorServiceLoader.getExecutorFactory(configuration); // executorServiceLoader对象是DefaultExecutorServiceLoader类型，调用了getExecutorFactory(configuration)方法，
3.1.2、在1810~1812行：
CompletableFuture<JobClient> jobClientFuture = executorFactory
.getExecutor(configuration) // LocalExecutorFactory.getExecutor(config)的返回值是LocalExecutor对象
.execute(streamGraph, configuration);// 调用LocalExecutor.execute(streamGraph，configuration)
3.1.3、在LocalExecutor类的静态create方法中，传入了configuration和new MiniCluster两个参数。
3.1.4、在LocalExecutor类的execute方法中，我们看到，使用PreJobMiniClusterFactory.createWithFactory(configuration, miniClusterFactory).submitJob(jobGraph)提交了应用
3.1.5、在createWithFactory方法中创建了PreJobMiniClusterFactory类的miniClusterFactory对象；然后通过miniClusterFactory.submitJob方法提交应用（先启动了MiniCluster集群，再提交应用，并等待完成）
3.1.6、在上面，我们知道了，在PreJobMiniClusterFactory类的submitJob方法中，初始化配置并启动了MiniCluster集群，初始化MiniCluster配置的代码很简单，我们重点关注一下MiniCluster.start方法
初始化MiniCluster配置的getMiniClusterConfig方法：
启动MiniCluster的start方法
4、上面的只是说明了，在DataStream应用中，从StreamGraph->JobGraph的转换，接下来，我们看一下，JobGraph->ExecutionGraph的转换
在Dispatcher类中，调用submitJob方法
调用createJobManagerRunner(jobGraph)方法，并且通过this::startJobManagerRunner启动了JobManager
JobManagerRunner类是一个接口，其提供了一个子类JobManagerRunnerImpl的实现
其实是调用JobManagerRunnerImpl类的start方法
===========================
PipelineExecutor是Flink运行应用程序实现，
