今天又有小伙伴在群里問 slot 和 kafka topic 分區(以下topic，默認為 kafka 的 topic )的關系，大概回答了一下，這里整理一份
首先必須明確的是，Flink Task Manager 的 slot 數 和 topic 的分區數是沒有直接關系的，而這個問題其實是問的是： 任務的並發數與 slot 數的關系
最大並發數 = slot 數
這里有兩個原因：每個算子的不同並行不能在同一slot，不同的算子可以共享 slot ，所以最大並行度 就等於 slot 數。
這樣就有了slot數和topic 分區數的間接關系在：我們可能會根據 kafka 的分區數配置我們 source （和后續的其他算子）算子的 並行度，而算子的 最大並行度決定 slot 數據（TM 的數量由 slot 的數量反向計算）
看一張官網的圖：
說明：
第一個圖：3 個 Task Manager，每個 3 個 slot，總共 9 個 slot
第二個圖：Example 1 ，wordcount 案例，1 個並發，算子chain 在一起，只占一個 slot
第三個圖：Examlple 2，wordcount 案例，2 個並發，占2 slot 。三種設置並行度的方式：
flink-conf.yaml 參數 parallelism.default: 2 flink -p 2 # 啟動時加 -p 參數指定 env.setParallelism(2)
第四個圖：Example 3，wordcount 案例，9 個並發，占 9 slot
第五個圖：Example 3，wordcount 案例，source 9 個並發，sink 1 個並發，占 9 個slot（sink 和其中一個 source chain 在一起了）
看一個具體的任務：
我們要讀的 topic 有 2 個 partition，我們設置 source 算子的並行度為 2，那我們最小就需要 4 個 slot，Task Manager 配置的 slot 數為2， 那最少就需要 2 個 TM 任務才能正常運行（不考慮其他算子）。
關鍵代碼：
env.setParallelism(2) env.addSource(source).addSink(sink)
提交到yarn 上
上面說明了算子的並發度與TM 的 slot 數的關系。
下面看下，kafka 分區數與 source 算子的並行度關系。
在不修改 kafka consumer 的分區分配策略的情況下，soure 的並行度與 topic 分區數在不同情況下，會有不同的表現，如下：
1、source 並行度 = topic 分區數，正好的情況，一個 並行度，讀一個分區的數據
2、source 並行讀 < topic 分區數， 會出現部分 並行度讀多個 分區的情況，具體可見：flink 讀取kafka 數據，partition分配
3、source 並行度 > topic 分區數，會出現部分並行度沒有數據的情況
總結下問題：slot 數和 topic 的分區數並沒有直接關系，以kafka 做 source 的情況最多，而 kafka topic 的分區數一般又是 Flink source 的並行度，又是 Flink 任務的最大並發度，一般情況下又是 slot 的數量，所以會有一種 slot 數 和 topic 分區數 有直接關系的假象。
注：Task Manager 的 slot 數在 flink-conf.yaml 中配置 參數：
# The number of task slots that each TaskManager offers. Each slot runs one parallel pipeline.
taskmanager.numberOfTaskSlots: 2 # 默認值為1
官網 slot 配置說明：https://ci.apache.org/projects/flink/flink-docs-release-1.9/ops/config.html#configuring-taskmanager-processing-slots （slot 數量推薦是 standalone 集群每台機只有一個 Task Manager的情況下，具體配置要看實際任務情況）
歡迎關注Flink菜鳥公眾號，會不定期更新Flink（開發技術）相關的推文
