Apache Flink 的 ExecutionGraph（执行图） 是 Flink 作业调度和执行的核心数据结构。它是 Flink 作业生命周期中从逻辑视图向物理执行视图转换的关键一步。

简单来说，ExecutionGraph 是 JobGraph 的并行化版本。它包含了所有并行执行的任务实例（Subtasks）以及它们之间的数据传输通道。

以下是关于 Flink ExecutionGraph 的详细解析：

---

1. Flink 的图转换流程（上下文）

为了理解 ExecutionGraph，首先需要知道它在 Flink 图转换流程中的位置。Flink 作业提交后，会经历以下四个阶段的图转换：

1. StreamGraph (流图): 根据用户代码（API 调用）生成的最初始的拓扑图。节点是 Operator（算子）。
2. JobGraph (作业图): （在 Client 端或 JobManager 端生成） 对 StreamGraph 进行优化，将多个符合条件的 Operator 融合（Chain）成一个 Operator Chain。这是提交给 JobManager 的最终逻辑视图。
3. ExecutionGraph (执行图): （在 JobManager 端生成） 根据 JobGraph 和用户设置的并行度（Parallelism）生成的图。它是调度的核心依据。
4. Physical Graph (物理执行图): 具体的 Task 在 TaskManager 上部署并运行的物理视图。

---

2. 什么是 ExecutionGraph？

ExecutionGraph 存在于 JobManager 中。当 JobManager 接收到 JobGraph 后，会根据配置的并行度，将 JobGraph 中的每一个逻辑节点（JobVertex）拆分成多个物理执行节点（ExecutionVertex）。

核心特点：

• 并行化： 它是 JobGraph 的并行化展开。如果一个算子的并行度是 10，那么在 ExecutionGraph 中就会有 10 个对应的执行顶点。
• 调度依据： Scheduler（调度器）根据 ExecutionGraph 来决定将哪些 Task 部署到哪些 TaskManager 的 Slot 上。
• 状态追踪： 它负责追踪每个并行子任务（Subtask）的运行状态（Created, Scheduled, Deploying, Running, Finished, Failed 等）。

---

3. ExecutionGraph 的内部结构

ExecutionGraph 是一个复杂的对象，主要由以下核心组件构成：

A. ExecutionJobVertex (逻辑节点容器)

• 对应 JobGraph 中的一个 JobVertex。
• 它是一个逻辑容器，汇总了该算子所有并行子任务的信息。
• 例如：一个并行度为 4 的 Map 算子，对应一个 ExecutionJobVertex。

B. ExecutionVertex (物理执行节点)

• 这是 ExecutionJobVertex 内部的具体实例。
• 数量 = 并行度。如果并行度是 4，那么 ExecutionJobVertex 内部包含 4 个 ExecutionVertex 数组 (task[0] 到 task[3])。
• 每个 ExecutionVertex 代表一个具体的 Subtask（子任务），最终会被调度到一个 TaskManager 的 Slot 中运行。

C. IntermediateResult (中间结果集)

• 对应 JobGraph 中的 IntermediateDataSet。
• 表示一个算子产生的逻辑输出数据集。

D. IntermediateResultPartition (中间结果分区)

• 对应 IntermediateResult 的物理分区。
• 数量 = 并行度。
• 每个 ExecutionVertex 都会生产一个或多个 IntermediateResultPartition。下游的 ExecutionVertex 通过读取这些分区来获取数据。

E. ExecutionEdge (执行边)

• 连接上游的 IntermediateResultPartition 和下游的 ExecutionVertex。
• 它定义了数据如何流转（例如：Hash Shuffle, Rebalance, Forward 等）。

---

4. 举例说明：从 JobGraph 到 ExecutionGraph

假设我们有一个简单的 Flink 任务：
Source (并行度=2) -> map (并行度=2) -> keyBy -> sink (并行度=2)

JobGraph 视角：

• 节点 A: Source + Map (Operator Chain)
• 节点 B: Sink
• 连接: A -> B (通过 Hash 方式)

ExecutionGraph 视角：
JobManager 会根据并行度将其展开：

1. ExecutionJobVertex A (Source+Map)

   • 包含 ExecutionVertex A_0 (Subtask 1)
   • 包含 ExecutionVertex A_1 (Subtask 2)
   • 产出 Partition A_0 和 Partition A_1

2. ExecutionJobVertex B (Sink)

   • 包含 ExecutionVertex B_0 (Subtask 1)
   • 包含 ExecutionVertex B_1 (Subtask 2)

3. 连接 (Edges)

   • 由于是 keyBy (Hash Shuffle)，数据会发生交换。
   • Partition A_0 会连接到 ExecutionVertex B_0 和 B_1。
   • Partition A_1 也会连接到 ExecutionVertex B_0 和 B_1。
   • 这形成了一个全连接（All-to-All）的网络结构。

---

5. ExecutionGraph 的作用

ExecutionGraph 在 Flink 运行时扮演着指挥官的角色：

1. 作业调度 (Scheduling):
   调度器（如 DefaultScheduler）遍历 ExecutionGraph 的顶点，根据依赖关系（上游是否产出数据）决定何时调度下游任务，并向 ResourceManager 申请 Slot。

2. 故障恢复 (Failover):
   当某个 Task 失败时，ExecutionGraph 会感知到。根据配置的重启策略（Restart Strategy），它决定是重启单个受影响的 Region，还是重启整个作业。

3. Checkpoint 协调:
   Checkpoint Coordinator 通过 ExecutionGraph 找到所有的 Source 节点，触发 Checkpoint Barrier 的注入，并跟踪所有 Subtask 的 Checkpoint 确认状态。

4. 背压与数据流监控:
   虽然实际数据流经 TaskManager，但 ExecutionGraph 维护了分区的元数据，用于监控数据流转的拓扑结构。

总结

ExecutionGraph 是 Flink 物理执行层的蓝图。

• 输入： JobGraph + 并行度。
• 输出： 具体的 Task 部署动作。
• 本质： 将逻辑的算子链（Operator Chains）拆解为实际可运行的并行子任务（Subtasks）及其互联网络。