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
+## 1.1 TaskManager 内存模型
-
-## 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)：
 
@@ -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。
@@ -66,7 +64,7 @@ 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
 
-### 管理内存
+### 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。
 
@@ -86,19 +84,19 @@ 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。
 
 
-## 并行度设置
+## 2.1 并行度设置
 
-- **flink-conf.yml设置**
+- 2.1.1 **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
 ```
-- **env级别**
+- 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。
 
@@ -106,7 +104,7 @@ env的级别就是`Environment` 级别。也就是通过`ExecutionEnvironment`
 val env = Stream...
 env.setParallelism(5);
 ```
-- **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 
@@ -114,7 +112,7 @@ env.setParallelism(5);
 ```
 -p 即设置WordCount的Job并行度为5。
 
-- **算子级别**
+- 2.1.4 **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