Apache Flink：逐步执行

Question

由于性能测量，我想逐步执行为 Flink 编写的 Scala 程序，即

execute first operator; materialize result;
execute second operator; materialize result;
...

等等。原代码：

var filename = new String("<filename>")
var text = env.readTextFile(filename)
var counts = text.flatMap { _.toLowerCase.split("\\W+") }.map { (_, 1) }.groupBy(0).sum(1)
counts.writeAsText("file://result.txt", WriteMode.OVERWRITE)
env.execute()

所以我希望var counts = text.flatMap { _.toLowerCase.split("\\W+") }.map { (_, 1) }.groupBy(0).sum(1) 的执行是逐步的。

在每个操作员之后调用env.execute() 是正确的方法吗？

或者是在每次操作后写信给/dev/null，即调用counts.writeAsText("file:///home/username/dev/null", WriteMode.OVERWRITE)，然后调用env.execute()，这是一个更好的选择？ Flink 是否真的有类似 NullSink 的东西来实现这个目的？

编辑：我在集群上使用 Flink Scala Shell，并将应用程序设置为 parallelism=1 以执行上述代码。

Answer 1

Flink 默认使用流水线数据传输来提高作业执行的性能。但是，您也可以通过调用强制批量数据传输

ExecutionEnvironment env = ...
env.getConfig().setExecutionMode(ExecutionMode.BATCH_FORCED);

这将分离两个运算符的执行（除非它们是链式的）。您可以从日志文件中获取每个任务的执行时间或查看 Web 仪表板。请注意，这不适用于链式运算符，即具有相同并行性且不需要网络洗牌的运算符。此外，您应该知道使用批量传输会增加程序的整体执行时间。我认为不可能真正分离流水线数据处理器中运算符的执行时间。

在每个操作符不起作用后调用execute()，因为 Flink 还不支持将结果缓存到内存中。所以如果你执行operator 2，你要么需要将operator 1的结果写入某个持久化存储并再次读取它，要么再次执行operator 1。