客户端提交 flink run命令 入口类org.apache.flink.client.cli.CliFrontend 根据mainclass和classpath构造PackagedProgram 在yarn模式下这个CustomCommandLine是FlinkYarnSessionCli 客户端的核心是在在runProgram()方法，首先获取ClusterDescriptor，在yarn模式下，它就是YarnClusterDescriptor，用于部署集群 构建JobGraph 用户代码最终执行的execute方法就是设置StreamGraph 客户端再根据StreamGraph构建JobGraph 调用clusterDescriptor.deployJobCluster()开始部署集群 过程中会校验用户指定的资源和集群的资源是否足够 最终会调用startAppMaster()是启动AM的核心 构建的JobGraph序列化到文件并上传 通过yarnClient进行提交 AM正是通过这个文件反序列化生成JobGraph JobManager启动 yarn的ResourceManager接收到yarnClient请求后，会分配一个container用于启动AM进程，AM的进程启动入口类org.apache.flink.yarn.entrypoint.YarnJobClusterEntrypoint 最终会调用runCluster() runCluster()方法会初始化并启动JobManager内部的各种服务，包括RpcService、HAService、BlobServer、HeartbeatServices、MetricRegistry、ExecutionGraphStore 创建并启动cluster的重要两个组件Dispatcher（负责接收用户提供的作业，并且负责为这个新提交的作业拉起一个新的 JobMaster及相关服务）和ResourceManager（负责外部资源管理，与YARN RM建立通信并保持心跳，申请或释放TaskManager资源，注销应用等。） Dispatcher会调用recoverJobs()方法获取JobGraph(此时这个JobGraph其实已经从JobGraph文件中反序列化读出) startJobMaster()会调用jobMasterService.start() TaskManager启动 TaskManager的启动由JobManager的YarnResourceManager负责，发生的时机是JobMaster为job分配slot，发现没有可用的slot，最后会向ResourceManager发出slot请求，此时YarnResourceManager会调用startNewWorker()作为启动入口，startNewWorker()会创建一个ContainerRequest 提交这个ContainerRequest，向yarn发起一个container请求 TaskManager启动的入口类就是YarnTaskExecutorRunner YarnResourceManager同yarn的nodemanager通信启动container，taskmanager进程便启动起来了 最关键的就是调用startTaskManager()来创建TaskExecutor 创建完TaskExecutor之后会启动TaskExecutor，它所做的包括连接ResourceManager，向ResourceManager发起注册、启动taskSlotTable，SlotActionsImpl的操作包括freeSlot、timeoutSlot、启动jobLeader服务，用来响应JobMaster的一些动作，比如removeJob、addJob，以及监听JobMaster的变化
