概述
这篇文章是但不仅仅是官方文档的中文翻译，还有里面每一个方法对应的Transformation和运行时对Task的影响。
Prerequisites
关于算子想说的有很多，在这篇文章中，把算子理解为包含了一个函数（Flink实现的或自己实现的，比如MapFunction，FilterFunction）的持续获得输入并且将结果输出出去的任务就好。
图中的Task表示一个节点，或者说是一个TaskManager中一个Slot执行的任务
流程图中红色代表这个方法在生成Transformation和实际运行时对Task产生的影响
DataStream
Map
DataStream<Integer> dataStream = //...dataStream.map(new MapFunction<Integer, Integer>() { @Override public Integer map(Integer value) throws Exception { return 2 * value; } });Transformation: 生成一个OneInputTransformation并包含StreamMap算子
StreamMapTransformation
Runtime:
StreamMapTask
消费一个元素并产出一个元素
参数 MapFunction
返回DataStream
例子：
FlatMap
dataStream.flatMap(new FlatMapFunction<String, String>() { @Override public void flatMap(String value, Collector<String> out) throws Exception { for(String word: value.split(" ")){ out.collect(word); } } });Transformation: 生成一个OneInputTransformation并包含StreamFlatMap算子
StreamFlatMapTransformation
Runtime：
StreamFlatMapTask
消费一个元素并产生零到多个元素
参数 FlatMapFunction
返回 DataStream
例子：
Filter
dataStream.filter(new FilterFunction<Integer>() { @Override public boolean filter(Integer value) throws Exception { return value != 0; } });Transformation：生成一个OneInputTransformation并包含StreamFilter算子
StreamFilterTransformation
Runtime：
StreamFilterTask
根据FliterFunction返回的布尔值来判断是否保留元素，true为保留，false则丢弃
参数 FilterFunction
返回DataStream
例子：
KeyBy
dataStream.keyBy("someKey") // Key by field "someKey"dataStream.keyBy(0) // Key by the first element of a TupleTransformation: KeyBy会产生一个PartitionTransformation，并且通过KeySelector创建一个KeyGroupStreamPartitioner，目的是将输出的数据分区。此外还会把KeySelector保存到KeyedStream的属性中，在下一个Transformation创建时时将KeySelector注入进去。
KeyByTransformation
Runtime: 生成StreamGraph时会将PartitionTransformation中的Partitioner 注入到StreamEdge当中，此外还会在下一个StreamNode创建过程中注入KeySelector用于提取元素的Key。之后将Partitioner注入StreamRecordWriter中用于将上一个Task的输出元素指定到某一个ResultSubParition中，此外KeySelector也被注入到下一个Task的算子当中。
KeyBy Runtime
根据指定的Key将元素发送到不同的分区，相同的Key会被分到一个分区（这里分区指的就是下游算子多个并行的节点的其中一个）。keyBy()是通过哈希来分区的。
只能使用KeyedState（Flink做备份和容错的状态）
参数 String，tuple的索引，覆盖了hashCode方法的POJO，不能使数组
返回KeyedStream
例子：
WindowAll
dataStream.windowAll(TumblingEventTimeWindows.of(Time.seconds(5))); // Last 5 seconds of data
Transformation：返回AllWindowedStream，不产生Transformation，详情见AllWindowedStream
Runtime：详情见AllWindowedStream
将元素按照某种特性聚集在一起（如时间：滑动窗口，翻转窗口，会话窗口，又如出现次数：计数窗口）
参数 WindowAssigner
返回 AllWindowedStream
例子：
Union
dataStream.union(otherStream1, otherStream2, ...);
Transformation: 从所有相关的stream中获取Transformation并注入到UnionTransformation的inputs中
UnionTransformation
Runtime：这些Inputs会在下一个Transformation创建时被作为Input来穿件StreamEdge，如果上下游并行度一致则会生成ForwardPartitioner，不一致则是RebalancePartitioner。由于Partitioner是在处理下游Transformation生成的，所以这里没有图。
将两个或多个datastream合并，创造一个新的流包含这些datastream的所有元素
参数DataStream（一个或多个）
返回UnionStream
例子：
Join
dataStream.join(otherStream) .where(<key selector>).equalTo(<key selector>) .window(TumblingEventTimeWindows.of(Time.seconds(3))) .apply (new JoinFunction () {...});Transformation：1. 调用join方法后生成JoinedStream，JoinedStream保存了两个input 2. 调用where方法生成一个内部类Where对象，注入KeySelector1 3. 调用equalTo生成内部类EqualTo对象，注入KeySelector2 4. 调用window升成内部静态类WithWindow，并且注入WindowAssigner（在该对象中还可以注入Trigger和Evictor 5. 最后调用apply方法将（Flat)JoinFunction注入并且用一个(Flat)JoinCoGroupFunction封装起来，而在这一步会将所有注入的对象用在coGroup上。详情见下一个Window CoGroup的解析。
Runtime： 与Window CoGroup相同，详情见下一个WIndow CoGroup解析
将两个DataStream按照key和window join在一起
参数：1. KeySelector1 2. KeySelector2 3. DataStream 4. WindowAssigner 5. JoinFunction/FlatJoinFunction
返回DataStream
例子：
Window CoGroup
dataStream.coGroup(otherStream) .where(0).equalTo(1) .window(TumblingEventTimeWindows.of(Time.seconds(3))) .apply (new CoGroupFunction () {...});Transformation：生成一个TaggedUnion类型和unionKeySelector，里面分别包含了两个流的元素类型和两个流的KeySelector。将两个流通过map分别输出为类型是TaggedUnion的两个流（map详情见StreamMap），再Union在一起（详情见Union），再使用合并过后的流和unionKeySelector生成一个KeyedStream（详情见KeyBy），最后使用KeyedStream的window方法并传入WindowAssigner生成WindowedStream，并apply CoGroupFunction来处理（详情见WindowedStream Apply方法）。总体来说，Flink对这个方法做了很多内部的转换，最后生成了两个StreamMapTransformation，一个PartitionTransformation和一个包含了WindowOperator的OneInputTransformation。
CoGroupTransformation
Runtime：参考每个Transformation对应的Runtime情况
根据Key和window将两个DataStream的元素聚集在两个集合中，根据CoGroupFunction来处理这两个集合，并产出结果
参数 1. DataStream 2. KeySelector1 3. KeySelector2 4. WindowAssigner 5. CoGroupFunction
返回DataStream
例子：
Connect
DataStream<Integer> someStream = //...DataStream<String> otherStream = //...ConnectedStreams<Integer, String> connectedStreams = someStream.connect(otherStream);
Transformation：在这一步会生成一个包含了两个DataStream的ConnectedStreams对象，不会有Transformation产生。详情见后续ConnectedStreams的API详解。
将两个DataStream连接在一起，使得他们之间可以共享状态
参数 DataStream
返回ConnectedStreams
例子：
Split
SplitStream<Integer> split = someDataStream.split(new OutputSelector<Integer>() { @Override public Iterable<String> select(Integer value) { List<String> output = new ArrayList<String>(); if (value % 2 == 0) { output.add("even"); } else { output.add("odd"); } return output; } });Transformation：在这一步会生成一个SplitTransformation，里面包含了OutputSelector。
SplitTransformation
Runtime: 在生成StreamGraph时找到父Transformation，并将OutputSelector注入到父StreamNode中。生成JobGraph的时候在注入到对应的JobNode中，最后在运行时封装到OperatorChain的OutputCollector中并且注入算子。
SplitRuntime
按照一个规则将一个流的元素产出到两个或多个支流（每个元素可以发送到不止一个支流）
参数 OutputSelector
返回 SplitStream
例子：
Iterate
IterativeStream<Long> iteration = initialStream.iterate(); DataStream<Long> iterationBody = iteration.map (/*do something*/); DataStream<Long> feedback = iterationBody.filter(new FilterFunction<Long>(){ @Override public boolean filter(Integer value) throws Exception { return value > 0; } }); iteration.closeWith(feedback); DataStream<Long> output = iterationBody.filter(new FilterFunction<Long>(){ @Override public boolean filter(Integer value) throws Exception { return value <= 0; } });Iterate不展开讲解
通过将一个算子的输出重定向到某个输入Operator上来创个一个循环。非常适合用来持续更新一个模型。
过程 DataStream IterativeStream DataStream
例子：
ExtractTimestamps
stream.assignTimestamps (new TimeStampExtractor() {...});Transformation：assignTimestamps会将TimeStampExtractor注入进刚创建的ExtractTimestampsOperator，再通过ExtractTimestampsOperator生成一个OneInputTransformation
ExtractTimestampsTransformation
Runtime：
ExtractTimestampsTask
从元素中提取timestamp来用作事件时间（EventTime）。
参数 TimeStampExtractor
返回 DataStream
例子：
Project
DataStream<Tuple3<Integer, Double, String>> in = // [...]DataStream<Tuple2<String, Integer>> out = in.project(2,0);
Transformation：生成一个OneInputTransformation并包含StreamProjection算子
StreamProjectionTransformation
Runtime
StreamProjectionTask
如果元素是Tuple，直接通过index提取出Tuple中的字段组成新的Tuple，并产出结果
参数 Tuple中的index（int， 一个或多个）
返回 DataStream
例子：
Custom partitioning
dataStream.partitionCustom(partitioner, "someKey");dataStream.partitionCustom(partitioner, 0);
Transformation：partitionCustom类似于KeyBy，不过partitioner是由自己定制并且输出的不是KeyedStream。首先会通过KeySelector和用户实现的Partitioner生成一个CustomPartitionerWrapper（StreamPartitioner），再讲它注入到PartitionTransformation。
CustomPartitioningTransformation
Runtime：将Partitioner注入StreamRecordWriter中用于将上一个Task的输出元素指定到某一个ResultSubParition中
CustomPartitioningTask
通过用户定义的流分区器（Partitioner）将每个元素传输到指定的subtask
参数 Partitioner， Tuple索引/POJO属性名/KeySelector
返回 DataStream
例子：
Random partitioning
dataStream.shuffle();
Transformation: 将partitioner换成ShufflePartitioner，其余同上
Runtime：同上
将元素按照均匀分布打散到下游
返回 DataStream
例子：
Rebalancing (Round-robin partitioning)
dataStream.rebalance();
Transformation: 将partitioner换成RebalancePartitioner，其余同上
Runtime：同上
通过轮询调度（Round-robin）将元素均匀的分配到下游
返回 DataStream
例子
Rescaling
dataStream.rescale();
Transformation: 将partitioner换成RescalePartitioner，其余同上
Runtime：同上
通过轮询调度将元素从上游的task一个子集发送到下游task的一个子集
返回 DataStream
原理：第一个task并行度为2，第二个task并行度为6，第三个task并行度为2。从第一个task到第二个task，Src的子集Src1 和 Map的子集Map1，2，3对应起来，Src1会以轮询调度的方式分别向Map1，2，3发送记录。从第二个task到第三个task，Map的子集1，2，3对应Sink的子集1，这三个流的元素只会发送到Sink1。
假设我们每个TaskManager有三个Slot，并且我们开了SlotSharingGroup，那么通过rescale，所有的数据传输都在一个TaskManager内，不需要通过网络。
rescale.png
例子
Broadcasting
dataStream.broadcast();
将元素广播到每个分区
返回DataStream
例子：
KeyedStream
Reduce
keyedStream.reduce(new ReduceFunction<Integer>() { @Override public Integer reduce(Integer value1, Integer value2) throws Exception { return value1 + value2; } });Transformation：生成一个OneInputTransformation并包含StreamGroupedReduce算子
KeyedReduceTransformation
Runtime：
KeyedReduceTask
根据ReduceFunction将元素与上一个reduce后的结果合并，产出合并之后的结果。
参数 ReduceFunction
返回 DataStream
例子：
Fold
DataStream<String> result = keyedStream.fold("start", new FoldFunction<Integer, String>() { @Override public String fold(String current, Integer value) { return current + "-" + value; } });Transformation：将StreamGroupedReduce换成StreamGroupedFold，其余同Reduce
Runtime：将StreamGroupedReduce换成StreamGroupedFold，其余同Reduce
根据FoldFunction和初始值，将元素与上一个fold过后的结果合并，产出合并之后的结果。
参数 FoldFunction
返回 DataStream
例子：
Aggregations
keyedStream.sum(0);keyedStream.sum("key");keyedStream.min(0);keyedStream.min("key");keyedStream.max(0);keyedStream.max("key");keyedStream.minBy(0);keyedStream.minBy("key");keyedStream.maxBy(0);keyedStream.maxBy("key");Transformation：StreamGroupedReduce里注入了Flink内置的Aggregation方法实现，同Reduce
Transformation：同Reduce
Flink实现的一系列聚合方法，具体作用由方法名就可以得知
返回 DataStream
例子：
Window
dataStream.window(TumblingEventTimeWindows.of(Time.seconds(5))); // Last 5 seconds of data
Transformation: 生成一个WindowedStream，不产生Transformation，详情见WindowedStream详解
Runtime：详情见WindowedStream
窗口将同一个key的元素按照某种特性聚集在一起（如时间：滑动窗口，翻转窗口，会话窗口，又如出现次数：计数窗口）
返回WindowedStream
参数WindowAssigner
例子：
Interval Join
// this will join the two streams so that// key1 == key2 && leftTs - 2 < rightTs < leftTs + 2keyedStream.intervalJoin(otherKeyedStream) .between(Time.milliseconds(-2), Time.milliseconds(2)) // lower and upper bound .upperBoundExclusive(true) // optional .lowerBoundExclusive(true) // optional .process(new IntervalJoinFunction() {...});给定一个时间间隔，将两个流中的元素按照key来做join
满足条件e1.timestamp + lowerBound <= e2.timestamp <= e1.timestamp + upperBound
参数 1. KeyedStream 2. Time: LowerBound and UpperBound 3. boolean(optional) 4. boolean(optional) 5. IntervalJoinFunction
返回DataStream
例子：
WindowedStream
Apply
windowedStream.apply (new WindowFunction<Tuple2<String,Integer>, Integer, Tuple, Window>() { public void apply (Tuple tuple, Window window, Iterable<Tuple2<String, Integer>> values, Collector<Integer> out) throws Exception { int sum = 0; for (value t: values) { sum += t.f1; } out.collect (new Integer(sum)); } });Transformation：
WindowApplyTransformation
Runtime：
WindowApply Task
使用WindowFunction对window重的元素做处理（例如聚合操作）并产出结果
参数 WindowFunction
返回 DataStream
例子：
Reduce
windowedStream.reduce (new ReduceFunction<Tuple2<String,Integer>>() { public Tuple2<String, Integer> reduce(Tuple2<String, Integer> value1, Tuple2<String, Integer> value2) throws Exception { return new Tuple2<String,Integer>(value1.f0, value1.f1 + value2.f1); } });Transformation：基本同上，将ReduceFunction注入到WindowOperator中（具体注入方式要看有没有evictor，这边不作赘述）。
Runtime：同上
根据ReduceFunction将窗口中的元素按照key和window合并，并产出结果
参数 ReduceFunction
返回DataStream
例子
Aggregations
windowedStream.sum(0);windowedStream.sum("key");windowedStream.min(0);windowedStream.min("key");windowedStream.max(0);windowedStream.max("key");windowedStream.minBy(0);windowedStream.minBy("key");windowedStream.maxBy(0);windowedStream.maxBy("key");Transformation：WindowOperator里注入了Flink内置的Aggregation方法实现，其余同上
Runtime：同上
Flink实现的一系列聚合方法，具体作用由方法名就可以得知，需要注意的是他们被分别作用在按key和window分割过后的元素集合上
返回 DataStream
例子：
AllWindowedStream
Apply
// applying an AllWindowFunction on non-keyed window streamallWindowedStream.apply (new AllWindowFunction<Tuple2<String,Integer>, Integer, Window>() { public void apply (Window window, Iterable<Tuple2<String, Integer>> values, Collector<Integer> out) throws Exception { int sum = 0; for (value t: values) { sum += t.f1; } out.collect (new Integer(sum)); } });Transformation：AllWindowedStream.apply()与WindowedStream.apply()基本是一致的，只是没有KeySelector
Runtime：通WindowedStream.apply()
使用WindowFunction对window重的元素做处理（例如聚合操作）并产出结果
与WindowedStream的区别在于是否有key
参数 WindowFunction
返回 DataStream
例子
ConnectedStreams
CoMap, CoFlatMap
connectedStreams.map(new CoMapFunction<Integer, String, Boolean>() { @Override public Boolean map1(Integer value) { return true; } @Override public Boolean map2(String value) { return false; } }); connectedStreams.flatMap(new CoFlatMapFunction<Integer, String, String>() { @Override public void flatMap1(Integer value, Collector<String> out) { out.collect(value.toString()); } @Override public void flatMap2(String value, Collector<String> out) { for (String word: value.split(" ")) { out.collect(word); } } });Transformation：ConnectedStream并不会产生Transformation，只会保存两个Input DataStream，从inputs中的DataStream获取父Transformation，并生成一个CoStream(Flat)Map算子。KeySelector依赖于父Transformation注入（如果是PartitionTransformation的话）。
Co(Flat)MapTransformation
Runtime: Task会具体负责调用processElement1方法还是processElement2方法。
CoStream(Flat)MapTask
同时对两个流进行Map或FlatMap操作
参数 CoMapFunction, CoFlatMapFunction
返回 DataStream
例子：
SplitStream
Select
SplitStream<Integer> split; DataStream<Integer> even = split.select("even"); DataStream<Integer> odd = split.select("odd"); DataStream<Integer> all = split.select("even","odd");Transformation：生成SelectTransformation，里面包含了OutputSelector
SelectTransformation
Runtime：生成StreamGraph时会将OutputNames注入到新生成的StreamEdge中，然后注入到对应的JobEdge中，最后用它来生成OutputCollector中的outputMap，发送消息时根据相应的selectedName发送到相应的下游Task
Select Runtime
根据SplitStream中OutputSelector设定的规则获取一个或多个DataStream
参数 OutputNames
返回 DataStream
例子：
作者：铛铛铛clark
链接：https://www.jianshu.com/p/a3f43f861a42
随时随地看视频
