Flink 简单介绍

1.Flink的引入

    这几年大数据的飞速发展，出现了很多热门的开源社区，其中著名的有 Hadoop、Storm，以及后来的 Spark，他们都有着各自专注的应用场景。Spark 掀开了内存计算的先河，也以内存为赌注，赢得了内存计算的飞速发展。Spark 的火热或多或少的掩盖了其他分布式计算的系统身影。就像 Flink，也就在这个时候默默的发展着。

    在国外一些社区，有很多人将大数据的计算引擎分成了 4 代，当然也有很多人不会认同。我们先姑且这么认为和讨论。

    首先第一代的计算引擎，无疑就是 Hadoop 承载的 MapReduce。这里大家应该都不会对 MapReduce 陌生，它将计算分为两个阶段，分别为 Map 和 Reduce。对于上层应用来说，就不得不想方设法去拆分算法，甚至于不得不在上层应用实现多个 Job 的串联，以完成一个完整的算法，例如迭代计算。

    由于这样的弊端，催生了支持 DAG 框架的产生。因此，支持 DAG 的框架被划分为第二代计算引擎。如 Tez 以及更上层的 Oozie。这里我们不去细究各种 DAG 实现之间的区别，不过对于当时的 Tez 和 Oozie 来说，大多还是批处理的任务。

    接下来就是以 Spark 为代表的第三代的计算引擎。第三代计算引擎的特点主要是 Job 内部的 DAG 支持（不跨越 Job），以及强调的实时计算。在这里，很多人也会认为第三代计算引擎也能够很好的运行批处理的 Job。

    随着第三代计算引擎的出现，促进了上层应用快速发展，例如各种迭代计算的性能以及对流计算和 SQL 等的支持。Flink 的诞生就被归在了第四代。这应该主要表现在 Flink 对流计算的支持，以及更一步的实时性上面。当然 Flink 也可以支持 Batch 的任务，以及 DAG 的运算。

 

2.Flink 是什么？

    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。可部署在各种集群环境，对各种大小的数据规模进行快速计算。

• 分布式大数据处理引擎

        是一个分布式的、高可用的用于大数据处理的计算引擎

• 有限流和无限流

        有限流：有始有终的数据流。即传统意义上的批数据，进行批处理

        无限流：有始无终的数据流。即现实生活中的流数据，进行流处理

• 有状态计算

        良好的状态机制，进行较好的容错处理和任务恢复。同时实现 Exactly-Once 语义。

• 各种集群环境

        可部署standalone、Flink on yarn、Flink on Mesos、Flink on k8s等等

 

3.为什么要用 Flink

• 低延迟

• 高吞吐

• 结果的准确性和良好的容错性

 

4.哪些行业需要处理流数据

• 电商和市场营销：数据报表、广告投放、业务流程需要

• 物联网（IOT）：传感器实时数据采集和显示、实时报警，交通运输业

• 电信业：基站流量调配

• 银行和金融业：实时结算和通知推送，实时检测异常行为

 

5.流处理的发展和演变

5.1 传统数据处理架构：事物处

5.2 分析处理：将数据从业务数据库复制到数仓，再进行分析和查询

5.3 有状态的流式处理

5.4 流处理的演变

    lambda 架构：用两套系统，同时保证低延迟和结果准确

5.5 流处理的演变：Flink

 

 

6.Flink 的主要特点

6.1 事件驱动（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：

    事件驱动型：

 

 

6.2 基于流的世界观

    在 Flink 的世界观中，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。

    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。

    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。

 

6.3 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，表达能力越丰富，使用越灵活

    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。

6.4 支持事件时间（event-time）和处理时间（processing-time）语义

6.5 精确一次（exactly-once）的状态一致性保证

6.6 低延迟，每秒处理数百万个事件，毫秒级延迟

6.7 与众多常用存储系统的连接

6.8 高可用，动态扩展，实现7*24小时全天候运行

 

7.Flink vs Spark Streaming

7.1 数据模型

    spark 采用 RDD 模型，spark streaming 的 DStream 实际上也就是一组组小批数据 RDD 的集合

    flink 基本数据模型是数据流，以及事件（Event）序列

7.2 运行时架构

    spark 是批计算，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后可以直接发往下一个节点进行处理