Flink 1.17教程：并行度设置&优先级

旧城等待， 2023-10-15 14:39 47阅读 0赞

## 并行度设置&优先级 ##

### 并行度（Parallelism） ###

#### 并行度的设置 ####

在Flink中，可以用不同的方法来设置并行度，它们的有效范围和优先级别也是不同的。

#### 代码中设置 ####

我们在代码中，可以很简单地在算子后跟着调用setParallelism()方法，来设置当前算子的并行度：

stream.map(word -> Tuple2.of(word, 1L)).setParallelism(2);

这种方式设置的并行度，只针对当前算子有效。

另外，我们也可以直接调用执行环境的setParallelism()方法，全局设定并行度：

env.setParallelism(2);

这样代码中所有算子，默认的并行度就都为2了。我们一般不会在程序中设置全局并行度，因为如果在程序中对全局并行度进行硬编码，会导致无法动态扩容。

这里要注意的是，由于`keyBy`不是算子，所以无法对keyBy设置并行度。

#### 提交应用时设置 ####

在使用flink run命令提交应用时，可以增加-p参数来指定当前应用程序执行的并行度，它的作用类似于执行环境的全局设置：

bin/flink run –p 2 –c com.atguigu.wc.SocketStreamWordCount ./FlinkTutorial-1.0-SNAPSHOT.jar

如果我们直接在Web UI上提交作业，也可以在对应输入框中直接添加并行度。  
![img][]

![img][img 1]

![img][img 2]

![img][img 3]![img][img 4]

![img][img 5]

package com.atguigu.wc;
     
    import org.apache.flink.api.common.typeinfo.TypeHint;
    import org.apache.flink.api.common.typeinfo.TypeInformation;
    import org.apache.flink.api.common.typeinfo.Types;
    import org.apache.flink.api.java.tuple.Tuple2;
    import org.apache.flink.configuration.Configuration;
    import org.apache.flink.streaming.api.datastream.DataStreamSource;
    import org.apache.flink.streaming.api.datastream.SingleOutputStreamOperator;
    import org.apache.flink.streaming.api.environment.StreamExecutionEnvironment;
    import org.apache.flink.util.Collector;
     
    /**
     * TODO DataStream实现Wordcount：读socket（无界流）
     *
     * @author
     * @version 1.0
     */
    public class WordCountStreamUnboundedDemo {
        
        public static void main(String[] args) throws Exception {
        
            // TODO 1.创建执行环境
            StreamExecutionEnvironment env = StreamExecutionEnvironment.getExecutionEnvironment();
            // IDEA运行时，也可以看到webui，一般用于本地测试
            // 需要引入一个依赖 flink-runtime-web
            // 在idea运行，不指定并行度，默认就是 电脑的 线程数
            // StreamExecutionEnvironment env = StreamExecutionEnvironment.createLocalEnvironmentWithWebUI(new Configuration());
            env.setParallelism(3);
     
            // TODO 2.读取数据： socket
            DataStreamSource<String> socketDS = env.socketTextStream("hadoop102", 7777);
     
            // TODO 3.处理数据: 切换、转换、分组、聚合
            SingleOutputStreamOperator<Tuple2<String, Integer>> sum = socketDS
                    .flatMap(
                            (String value, Collector<Tuple2<String, Integer>> out) -> {
        
                                String[] words = value.split(" ");
                                for (String word : words) {
        
                                    out.collect(Tuple2.of(word, 1));
                                }
                            }
                    )
                    .setParallelism(2)
                    .returns(Types.TUPLE(Types.STRING,Types.INT))
                    // .returns(new TypeHint<Tuple2<String, Integer>>() {})
                    .keyBy(value -> value.f0)
                    .sum(1);
     
            // TODO 4.输出
            sum.print();
     
            // TODO 5.执行
            env.execute();
        }
    }
     
    /**
     并行度的优先级：
        代码：算子 > 代码：env > 提交时指定 > 配置文件
     */

#### 并行度的优先级 ####

代码：算子 > 代码：env > 提交时指定 > 配置文件

[img]: https://img-blog.csdnimg.cn/34cd5232a1b0443f9f10361def994c05.png
[img 1]: https://img-blog.csdnimg.cn/8147c5f6deea4b3780291f85934ef521.png
[img 2]: https://img-blog.csdnimg.cn/dd6e694d5b234905a091954131cf8f12.png
[img 3]: https://img-blog.csdnimg.cn/20656e5fc29244e79f3eaa3a2be8c8a8.png
[img 4]: https://img-blog.csdnimg.cn/0ecead20696741f798b14bbb21db6d4d.png
[img 5]: https://img-blog.csdnimg.cn/4983b0a0b6824f81a0ec9eccc6f54474.png