描述了基本 Operators 的 Transformations，应用这些转换后如何进行 physical partitioning（物理分区），以及对Flink算子链的深入了解。

DataStream Transformations

Physical partitioning

Transformation	Description
Custom partitioning DataStream → DataStream CustomPartitionerWrapper<k, T>	使用自定义的 partitioner 为每一条 record 选择下一个 task dataStream.partitionCustom(partitioner, "someKey"); dataStream.partitionCustom(partitioner, 0);
Random partitioning DataStream → DataStream ShufflePartitioner<T>	按随机均匀划分元素 dataStream.shuffle();
Rebalancing (Round-robin partitioning) DataStream → DataStream RebalancePartitioner<T>	分区循环划分元素，为每个下游创建相等的负载。对于存在数据倾斜的性能优化非常有用。 dataStream.rebalance();
Rescaling DataStream → DataStream RescalePartitioner<T>	将元素循环（round robin）分配到下游 operator 的子集。如果你的 pipeline 是一下的情况，那么这种方式会非常有用。例如，将并行数据源的每个实例的数据传输到的下游多个算子（operators）一个子集以分配负载。但不希望 full rebalance，则这非常有用。如果合理配置 TaskManager 的 slot数量，则数据传输只需要本地传输，而不需要通过网络传输数据。上游 operators 向的下游 operators 发送 record 取决于上游 operators 和下游 operators 的并行度。例如，如果上游 operator 的并行度为2，而下游 operator 的并行度为6，则一个上游 operator 将 record 分配给三个下游 operator，而另一个上游 operator 将 record 分配给其他三个下游 operator。相反，如果下游 operator 的并行度为2，而上游 operator 的并行度为6，则三个上游 operator 将分配给一个下游 operator，而其他三个上游 operator 将分配给另一个下游 operator。如果上下游算子的并行度不是彼此的倍数，则一个或多个下游 operator 将具有来自上游 operator 的不同数量的输入。如下图： dataStream.rescale();
Broadcasting DataStream → DataStream BroadcastPartitioner<T>	广播数据到下游的每个partition。 dataStream.broadcast();
Local Forward DataStream → DataStream ForwardPartitioner<T>	数据传输到本地的下游算子。 dataStream.forward();
GlobalPartitioner DataStream → DataStream GlobalPartitioner<T>	数据传输到下游子任务id为0的task中。 dataStream.forward();
Key Groups DataStream → DataStream KeyGroupStreamPartitioner<T, K>	相同key的值会传输到同一个下游。类似于Rescaling，但是不用再api中指定，再使用keyBy时会自动指定此方法。 dataStream.keyBy();