格式调整优化 (#23)

1. 完善目录结构
2. 修改内存模型格式

README.md

@@ -41,7 +41,7 @@ Flink SQL学习笔记提纲。持续更新。Hive SQL 离线Join VS Flink SQL
 
 # 基础知识
 
-## 目录
+## FLink基础知识
 
 - [Flink CEP](./basic/CEP.md)
 - [旁路输出](./basic/旁路输出.md)
@@ -49,6 +49,10 @@ Flink SQL学习笔记提纲。持续更新。Hive SQL 离线Join VS Flink SQL
 - [slot相关](./basic/slot相关.md)
 
 
+## Flink On Hudi
+
+- [Flink On Hudi 简介](./hudi/README.md)
+
 
 # Flink 源码
 

basic/README.md

@@ -1,7 +1,12 @@
 
+## 目录
 
 - [旁路输出](./旁路输出.md)
 - [Flink CEP](./CEP.md)
 - [Flink Operator Chain](./Flink_Operator_chain.md)
 - [slot相关](./slot相关.md)
+- [Flink基本架构](./Flink基本架构.md)
+- [旁路输出](./旁路输出.md)
+
+
 

hudi/README.md

@@ -0,0 +1,4 @@
+
+# Hudi 相关知识学习
+
+

调优/Resource.md

@@ -1,9 +1,7 @@
 
-<a title="Hits" target="_blank" href="https://github.com/zeekling/hits"><img src="https://hits.b3log.org/zeekling/flink_book.svg"></a>
+# 1. 内存设置
 
-# 内存设置
-
-## TaskManager 内存模型
+## 1.1 TaskManager 内存模型
 
 TaskManager的内存模型如下图所示(1.10之后版本内存模型)：
 
@@ -18,7 +16,7 @@ Flink使用了堆上内存和堆外内存。
 框架堆外内存、Task堆外内存、网络缓冲内存都在堆外的直接内存里面。
 
 - 管理内存：Flink堆外内存的管理，用于管理排序，hash表，缓冲中间结果以及RocksDb 状态后端的本地内存。
-- JVM特有内存：JVM本身占用的内存，包括元数据和执行开销，
+- JVM特有内存：JVM本身占用的内存，包括元数据和执行开销。
 
 
 Flink 使用内存 = 框架堆内和堆外内存 + Task堆内和堆外内存 + 网络缓冲内存 + 管理内存。
@@ -26,7 +24,7 @@ Flink 使用内存 = 框架堆内和堆外内存 + Task堆内和堆外内存 +
 进程内存 - Flink 内存 + JVM特有内存
 
 
-### JVM特有内存详解
+### 1.1.1 JVM特有内存详解
 
 JVM特定内存： JVM本身使用的内存，包含JVM的metaspace和over-head
 
@@ -39,7 +37,7 @@ JVM特定内存： JVM本身使用的内存，包含JVM的metaspace和over-head
 ` 总进程内存*fraction `,如果小于配置的min或者大于配置的max大小，则使用min/max 
 
 
-### 框架内存
+### 1.1.2 框架内存
 Flink框架，即TaskManager本身占用的内存，不计入Slot的资源中。
 
 堆内：`taskmanager.memory.framework.heap.size` ，默认128mb。
@@ -47,7 +45,7 @@ Flink框架，即TaskManager本身占用的内存，不计入Slot的资源中。
 堆外：`taskmanager.memory.framework.off-heap.size`，默认128mb。
 
 
-### Task内存
+### 1.1.3 TaskManager内存
 Task执行用户代码所使用的内存。
 
 堆内：`taskmanager.memory,task,heap.size`，默认none，由Flink内存扣除掉其他部分内存得到。
@@ -55,7 +53,7 @@ Task执行用户代码所使用的内存。
 堆外：`taskmanager.memory,task.off-heap.size`，默认为0，表示不适用堆外内存。
 
 
-### 网络内存
+### 1.1.4 网络内存
 网络数据交换所使用的堆外内存大小，如网络数据交换缓冲区。
 
 堆外：`taskmanager.memory.network.fraction`，默认0.1。
@@ -66,11 +64,12 @@ Task执行用户代码所使用的内存。
 
 ` Flink内存*fraction `,如果小于配置的min或者大于配置的max大小，则使用min/max
 
-### 托管内存
+### 1.1.5 管理内存
 
 用于RocksDB 状态后端的本地内存和批的排序、hash、缓冲中间结果。
 
-堆外：
+***堆外***：
+
 `taskmanager.memory.managed.fraction`,默认0.4。
 
 `taskmanager.memory.managed.size` ，默认为none。
@@ -85,34 +84,36 @@ Task执行用户代码所使用的内存。
 - 单个TaskManager内存大小为2-8G之间。
 
 
-# 并行度设置
+# 2. 并行度设置
 并行度的设置和具体的作业强关联。
 
-## 全局并行度
 
+## 2.1 并行度设置
 
-### 并行度设置：
+- 2.1.1 **flink-conf.yml设置**
 
-1. flink-conf.yml 设置
 在我们提交一个Job的时候如果没有考虑并行度的话，那么Flink会使用默认配置文件中的并行度。配置如下：
 ```conf 
 parallelism.default: 5
 ```
-2. env级别
-env的级别就是Environment级别。也就是通过Execution Environment来设置整体的Job并行度。
+- 2.1.2 **env级别**
+
+env的级别就是`Environment` 级别。也就是通过`ExecutionEnvironment` 来设置整体的Job并行度。
 
 ```java
 val env = Stream...
 env.setParallelism(5);
 ```
-3. 客户端级别
+- 2.1.3 **客户端级别**
+
 如果在执行Job时候，发现代码中没有设置并行度而又不修改配置文件的话，可以通过Client来设置Job的并行度。
 ```bash 
 ./bin/flink run -p 5 ../wordCount-java*.jar 
 ```
--p即设置WordCount的Job并行度为5。
+-p 即设置WordCount的Job并行度为5。
+
+- 2.1.4 **算子级别**
 
-4. 算子级别
 我们在编写Flink项目时,可能对于不同的Operator设置不同的并行度，例如为了实现读取Kafka的最高效
 读取需要参考Kafka的partition的数量对并行度进行设置，在Sink时需要对于Sink的介质设置不同的并行
 度。这样就会存在一个Job需要有多个并行度。这样就需要用到算子级别的并行度设置:
@@ -125,7 +126,7 @@ text.keyBy(XXX)
     .addSink(XXXXX).setParallelism(1) //写入数据库时候设置为1
 ```
 
-从优先级上来看:  算子级别 > env级别 > Client级别 > 系统默认级别
+从优先级上来看:  **算子级别 > env级别 > Client级别 > 系统默认级别**
 
 并行度的高级别会覆盖低级别的配置。例如在算子中设置的策略会覆盖配置文件中的parallelism。