Flink是什么

Apache Flink is a framework and distributed processing engine for stateful computations over unbounded and bounded data streams.

Apache Flink是一个框架和分布式处理引擎，用于对无界和有界数据流进行状态计算。

image.png

Flink的重要特点

事件驱动型(Event-driven)

事件驱动型应用是一类具有状态的应用，他从一个或者多个事件流提取数据，并根据到来的事件触发计算、状态更新或者其他外部动作。最为典型的就是kafka为代表的消息队列，几乎都是事件驱动型应用。

基于流的世界观

Flink的世界观，一切都是由流组成的，离线数据是有界的流；实时数据是一个没有界限的流：这就是所谓的有界流和无界流。

  1. 批处理的特点是有界、持久、大量，非常适合需要访问全套记录才能完成计算，一般用于离线计算。
  2. 批处理的特点是无界、实时，无需针对整个数据集执行操作，而是对通过系统传输的每个数据项执行操作，一般用于实时统计。
  3. 在Spark的世界观中，一切都是由批次组成，离线数据是一个大批次，而实时数据是由一个一个无限小的小批次组成的。
  4. 在flink的世界观中，一切都是由流组成的，离线数据是有界限的流，实时数据是一个没有界限的流，这就是所谓的有界流和无界流。
  5. 无界数据流：无界数据流有一个开始但是没有结束，他们不会再生成时终止并提供数据，必须连续处理无界流，也就是说必须在获取后立即处理event。对于无界数据流我们无法等待所有数据都到达，因为输入是无界的，并且在任何时间点都不会完成。处理无界数据通常要求以特定顺序（例如事件发生的顺序）获取event，以便能够推断结果完整性。
  6. 有界数据流：有界数据流有明确定义的开始和结束，可以在执行任何计算之前通过获取所有数据来处理有界流，处理有界流不需要有序获取，因为可以始终对有界数据集进行排序，有界流的处理也称为批处理。

分层API

  • 越顶层越抽象，表达含义越简明，使用越方便。
  • 越底层越具体，表达含义越丰富，使用越灵活。

image.png
最底层的抽象仅仅提供了有状态流，它将通过过程函数（Process Function）被嵌入到DataStream API中。底层过程函数（Process Function）与DataStream API相集成，使其可以对某些特定的操作进行底层的操作，它允许用户可以自由地处理来自一个或多个数据流的事件，并使用一致的容错的状态。除此之外，用户可以注册事件时间并处理时间回调，从而使程序可以处理复杂的计算。
实际上，大多数应用并不需要上述的底层抽象，而是针对核心API（Core APIs）进行编程，比如DataStream API（有界或无界流数据）以及DataSet API（有界数据集）。这些API为数据处理提供了通用的构建模块，比如由用户定义的多种形式的转换（transformations），连接（join），聚合（aggregations），窗口操作（windows）等等。DataSet API为有界数据集提供了额外的支持，例如循环与迭代。这些API处理的数据类型以类（classes）的形式由各自的编程语言所表示。
Table API 是以表为中心的声明式编程，其中表可能会动态变化（在表达流数据时）。Table API遵循（扩展的）关系模型：表有二维数据结构（schema）（类似于关系数据库中的表），同时API提供可比较的操作，例如select、project、join、group-by、aggregate等。Table API程序式声明地定义了什么逻辑操作应该执行，而不是准确地确定这些操作代码的看上去如何。
尽管Table API可以通过各种类型的用户自定义函数（UDF）进行扩展，其仍不如核心API更具表达能力，但是使用起来却更加简洁（代码量更少）。除此之外Table API程序在执行之前会经过内置优化器进行优化。

Flink的其他特点

  • 支持事件时间（Event-Time）和处理时间（Processing-Time）语义。
  • 精确一次（Exactly-Once）的状态一致性保证。
  • 低延迟，每秒处理数百万个事件，毫秒级延迟。
  • 与众多常用存储系统的连接（kafka、mysql、redis等等）。
  • 高可用，动态扩展，实现7*24运行

Flink的几大模块

  • Flink Table & SQL（还没开发完）
  • Flink Gelly（图计算）
  • Flink CEP（复杂事件处理）

Flink vs Spark Streaming

  • 数据模型
    • spark采用RDD模型，spark streaming的DStream实际上是一组组小批数据RDD的集合
    • flink基本数据模型是数据流，以及事件（Event）序列
  • 运行时架构
    • spark是批处理，将DAG划分为不同的stage，一个完成后才可以计算下一个
    • flink是标准的流执行模式，一个事件在一个节点处理完之后可以直接发往下一个接地那进行处理