1.1 初识 Flink

Flink 起源于 Stratosphere 项目，Stratosphere 是在 2010~2014 年由 3 所地处柏林 的大学和欧洲的一些其他的大学共同进行的研究项目， 2014 年 4 月 Stratosphere 的 代 码 被 复 制 并 捐 赠 给 了 Apache 软 件 基 金 会 ， 参 加 这 个 孵 化 项 目 的 初 始 成 员 是 Stratosphere 系统的核心开发人员， 2014 年 12 月， Flink 一跃成为 Apache 软件基金会的顶级项目。

在德语中，Flink 一词表示快速和灵巧，项目采用 一只松鼠的彩色图案作为 logo ， 这不仅是因为松鼠具有快速和灵巧的特点，还因为柏林的松鼠有一种迷人的红棕色， 而 Flink 的松鼠 logo 拥有可爱的尾巴， 尾巴的颜色与 Apache 软件基金会的 logo 颜 色相呼应， 也就是说， 这是一只 Apache 风格的松鼠。

image.png

Flink 项目的理念是 ：“ Apache Flink 是为分布式、高性能、随时可用以及准确的流处理应用程序打造的开源流处理框架 ”。

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有状态计算。Flink 被设计在所有常见的集群环境中运行，以内存执行速度和任意规模来执行计算。

image.png

1.2 Flink 的重要特点

1.2.1 事件驱动型(Event-driven)

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

与之不同的就是 SparkStreaming 微批次， 如图：

image.png

事件驱动型：

image.png

1.2.2 流与批的世界观

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 成的计 算工作 ， 一般用于离线统计 。

流处理的特点是无界、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。

在 spark 的世界观中 ， 一切都是由批次组成的，离线数据是一个大批次，而实时数据是由一个一个无限的小批次组成的。

而在 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。

无界数据流： 无界数据流有一个开始但是没有结束 ， 它们不会在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。

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。

image.png

这种以流为世界观的架构， 获得的最大好处就是具有极低的延迟。

1.2.3 分层 API

image.png

最底层级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抽象， 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（ joins ），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 程序声明式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 可以通过多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。

你可以在表与 DataStream/DataSet 之间无缝切换，以允许程序将 Table API 与 DataStream 以及 DataSet 混合使用 。

Flink 提供的最高层级的抽象是 SQL 。 这一 层抽象在语法与表达能力上与 Table API 类似，但是是以 SQL 查询表达式的形式表现程序。SQL 抽象与 Table API 交互密切， 同时 SQL 查询可以直接在 Table API 定义的表上执行。

目前 Flink 作为批处理还不是主流， 不如 Spark 成熟， 所以 DataSet 使用的并不是很多。Flink Table API 和 Flink SQL 也并不完善，大多都由各大厂商自己定制。所以我们主要学习 DataStream API 的使用。 实际上 Flink 作为最接近 Google DataFlow 模型的实现， 是流批统一的观点， 所以基本上使用 DataStream 就可以了。

Flink 几大模块：

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