1、Parallelism（并行度）的概念
parallelism 在 Flink 中表示每个算子的并行度。
举两个例子
（1）比如 kafka 某个 topic 数据量太大，设置了10个分区，但 source 端的算子并行度却为1，只有一个 subTask 去同时消费10个分区，明显很慢。此时需要适当的调大并行度。
（2）比如 某个算子执行了比较复杂的操作，导致该算子执行特别慢，那么可以考虑给该算子增加并行度。
如图所示，当前数据流中有 source、map、window、sink 四个算子，除最后 sink，其他算子的并行度都为 2。整个程序包含了 7 个子任务，至少需要 2 个分区来并行执行。我们可以说，这段流处理程序的并行度就是 2。
2、Slot（任务槽）的概念
slot 是 TaskManager 资源的最小单元。比如 TaskManager 有 5 个 slot，那么每个 slot 分配 25% 的内存，所有 slot 共享 TaskManager 的 cpu。
在一个 slot 中可以运行一个或者多个线程。（一个 slot 可以跑同一个job里面，不同算子的不同子任务。）
假如一个 TaskManager 有三个 slot，那么它会将管理的内存平均分成三份，每个 slot 独自占据一份。这样一来，我们在 slot 上执行一个子任务时，相当于划定了一块内存“专款专用”，就不需要跟来自其他作业的任务去竞争内存资源了。所以现在我们只要 2 个 TaskManager，就可以并行处理分配好的 5 个任务了，如图所示。
3、任务槽和并行度的关系
Slot 和并行度确实都跟程序的并行执行有关，但两者是完全不同的概念。简单来说，task slot 是 静 态 的 概 念 ， 是 指 TaskManager 具 有 的 并 发 执 行 能 力 ， 可 以 通 过 参 数taskmanager.numberOfTaskSlots 进行配置；而并行度（parallelism）是动态概念，也就是TaskManager 运行程序时实际使用的并发能力，可以通过参数 parallelism.default 进行配置。换句话说，并行度如果小于等于集群中可用 slot 的总数，程序是可以正常执行的，因为 slot 不一定要全部占用，有十分力气可以只用八分；而如果并行度大于可用 slot 总数，导致超出了并行能力上限，那么心有余力不足，程序就只好等待资源管理器分配更多的资源了。（当slot为2，设置Parallel为3，运行Flink任务报错 NoResourceAvailableException: Could not acquire the minimum required resources. 任务会处于restart状态，等待资源释放）
而我们定义 WordCount 程序的处理操作是四个转换算子：
source→ flatMap→ reduce→ sink
当所有算子并行度相同时，容易看出 source 和 flatMap 可以合并算子链，于是最终有三个任务节点。
如果我们没有任何并行度设置，而配置文件中默认 parallelism.default=1，那么程序运行的默认并行度为 1，总共有 3 个任务。由于不同算子的任务可以共享任务槽，所以最终占用的 slot只有 1 个。9 个 slot 只用了 1 个，有 8 个空闲，如图 中的 示例1 所示
