在构建 Pipeline 的过程中，每一步的转换操作，Flink 都将其抽象为 Transformation，最终放在 StreamExecutionEnvironment 中的一个 Transformation 数组当中。

在调用 submit 之后，StreamExecutionEnvironment 会将 Transformation 数组构建为一个 Stream Graph （ DAG ）。

Stream Graph 根据中间每个 operator 的并行度，以及 operator 与 operator 之间是否是 forward 关系（ 即数据分区之间是一对一 ）再转换为 JobGraph。

最终 JobGraph 被提交到 JobManager 之后，会转化为具体执行的 ExecutionGraph，最终转化为物理执行图

类型推导

在 DataStream 的构建图过程中，将伴随着数据的类型推导，推导出 Transformation 的输出格式，以供 Flink 系统使用，如下图所示

基于TypeInformation可以由如下优势：

• Flink对数据类型了解得越多，序列化和数据Schema布局就越好，数据处理也更方便；
• 在大多数情况下，可以使用户不必担心序列化框架和以及类型注册；
• 基于Flink自身的数据序列化能力，可以直接将数据序列化成二进制数据格式存储在内存中；

基本数据类型

除了 Java、Scala 中的基础数据类型，flink 也内置提供了 Values 类型（ 是对普通数据类型的封装，包括ByteValue,ShortValue,IntValue,LongValue,FloatValue,DoubleValue,StringValue,CharValue,BooleanValue ），和普通数据类型相比，它有如下几点作用：

• 和普通数据类型基本功能一样，就是做了一些性能上的升级；
• 内部实现org.apache.flinktypes.Value接口，实现了更高效的序列化和反序列化能力；
• 可以支持修改，对象复用，以及基于二进制数据密集型存储，减轻GC压力以及内存消耗等；

复合数据类型