Flink入门知识点

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。

Flink 项目的理念

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

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， 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
  
  事件驱动型：
  

• 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 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。

• 分层 api
  
  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。

Flink 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 运行时的组件

• 作业管理器（JobManager）
  控制一个应用程序执行的主进程， 也就是说， 每个应用程序都会被一个不同的JobManager 所控制执行。JobManager 会先接收到要执行的应用程序，这个应用程序会包括： 作业图（JobGraph）、逻辑数据流图（logical dataflow graph）和打包了所有的类、库和其它资源的 JAR 包。JobManager 会把 JobGraph 转换成一个物理层面的数据流图，这个图被叫做“执行图”（ExecutionGraph），包含了所有可以并发执行的任务。JobManager 会向资源管理器（ResourceManager）请求执行任务必要的资源，也就是任务管理器（TaskManager）上 的插槽（ slot）。一旦它获取到了足够的资源， 就会将执行图分发到真正运行它们的TaskManager 上。而在运行过程中，JobManager 会负责所有需要中央协调的操作，比如说检查点（checkpoints）的协调。
• 资源管理器（ResourceManager）
  主要负责管理任务管理器（TaskManager）的插槽（slot），TaskManger 插槽是 Flink 中定义的处理资源单元。Flink 为不同的环境和资源管理工具提供了不同资源管理器，比如YARN、Mesos、K8s，以及 standalone 部署。当 JobManager 申请插槽资源时，ResourceManager 会将有空闲插槽的 TaskManager 分配给 JobManager。如果 ResourceManager 没有足够的插槽来满足 JobManager 的请求，它还可以向资源提供平台发起会话，以提供启动 TaskManager 进程的容器。另外，ResourceManager 还负责终止空闲的 TaskManager，释放计算资源。
• 任务管理器（TaskManager）
  Flink 中的工作进程。通常在 Flink 中会有多个 TaskManager 运行，每一个 TaskManager都包含了一定数量的插槽（slots）。插槽的数量限制了 TaskManager 能够执行的任务数量。启动之后， TaskManager 会向资源管理器注册它的插槽； 收到资源管理器的指令后， TaskManager 就会将一个或者多个插槽提供给 JobManager 调用。JobManager 就可以向插槽分配任务（tasks）来执行了。在执行过程中，一个 TaskManager 可以跟其它运行同一应用程序的 TaskManager 交换数据。
• 分发器（Dispatcher）
  可以跨作业运行，它为应用提交提供了 REST 接口。当一个应用被提交执行时，分发器就会启动并将应用移交给一个 JobManager。由于是 REST 接口，所以 Dispatcher 可以作为集群的一个 HTTP 接入点，这样就能够不受防火墙阻挡。Dispatcher 也会启动一个 Web UI，用来方便地展示和监控作业执行的信息。Dispatcher 在架构中可能并不是必需的，这取决于应用提交运行的方式。

任务提交流程

上图是从一个较为高层级的视角，来看应用中各组件的交互协作。如果部署的集群环境 不同（例如 YARN，Mesos，Kubernetes，standalone 等），其中一些步骤可以被省略，或是有些组件会运行在同一个 JVM 进程中。
具体地，如果我们将 Flink 集群部署到 YARN 上，那么就会有如下的提交流程：

Flink 任务提交后， Client 向 HDFS 上传 Flink 的 Jar 包和配置， 之后向 Yarn ResourceManager 提交任务， ResourceManager 分配 Container 资源并通知对应的NodeManager 启动 ApplicationMaster， ApplicationMaster 启动后加载 Flink 的 Jar 包和配置构建环境，然后启动 JobManager，之后 ApplicationMaster 向 ResourceManager 申 请 资 源 启 动 TaskManager ， ResourceManager 分 配 Container 资 源 后 ， 由ApplicationMaster 通 知 资 源 所 在 节 点 的 NodeManager 启 动 TaskManager ， NodeManager 加载 Flink 的 Jar 包和配置构建环境并启动 TaskManager，TaskManager 启动后向 JobManager 发送心跳包， 并等待 JobManager 向其分配任务。
任务调度原理

客 户 端 不 是 运 行 时 和 程 序 执 行 的 一 部 分 ， 但 它 用 于 准 备 并 发 送dataflow(JobGraph)给 Master(JobManager)， 然后， 客户端断开连接或者维持连接以等待接收计算结果。
当 Flink 集 群 启 动 后 ， 首 先 会 启 动 一 个 JobManger 和 一 个 或 多 个 的TaskManager。由 Client 提交任务给 JobManager， JobManager 再调度任务到各个TaskManager 去执行， 然后 TaskManager 将心跳和统计信息汇报给 JobManager。TaskManager 之间以流的形式进行数据的传输。上述三者均为独立的 JVM 进程。
Client 为提交 Job 的客户端，可以是运行在任何机器上（与 JobManager 环境连通即可）。提交 Job 后， Client 可以结束进程（ Streaming 的任务）， 也可以不结束并等待结果返回。
JobManager 主要负责调度 Job 并协调 Task 做 checkpoint， 职责上很像Storm 的 Nimbus。从 Client 处接收到 Job 和 JAR 包等资源后，会生成优化后的执行计划， 并以 Task 的单元调度到各个 TaskManager 去执行。
TaskManager 在启动的时候就设置好了槽位数（ Slot），每个 slot 能启动一个Task， Task 为线程。从 JobManager 处接收需要部署的 Task， 部署启动后， 与自己的上游建立 Netty 连接， 接收数据并处理。
TaskManger 与 Slots
Flink 中每一个 worker(TaskManager)都是一个 JVM 进程， 它可能会在独立的线程上执行一个或多个 subtask。为了控制一个 worker 能接收多少个 task， worker 通过 task slot 来进行控制（ 一个 worker 至少有一个 task slot）。
每个 task slot 表示 TaskManager 拥有资源的一个固定大小的子集。假如一个TaskManager 有三个 slot， 那么它会将其管理的内存分成三份给各个 slot。资源 slot 化意味着一个 subtask 将不需要跟来自其他 job 的 subtask 竞争被管理的内存， 取而代之的是它将拥有一定数量的内存储备。需要注意的是， 这里不会涉及到 CPU 的隔离， slot 目前仅仅用来隔离 task 的受管理的内存。
通过调整 task slot 的数量，允许用户定义 subtask 之间如何互相隔离。如果一个TaskManager 一个 slot， 那将意味着每个 task group 运行在独立的 JVM 中（ 该 JVM 可能是通过一个特定的容器启动的）， 而一个 TaskManager 多个 slot 意味着更多的subtask 可以共享同一个 JVM。而在同一个 JVM 进程中的 task 将共享 TCP 连接（基于多路复用） 和心跳消息。它们也可能共享数据集和数据结构， 因此这减少了每个task 的负载。


默认情况下， Flink 允许子任务共享 slot， 即使它们是不同任务的子任务（ 前提是它们来自同一个 job）。 这样的结果是， 一个 slot 可以保存作业的整个管道。
Task Slot 是静态的概念， 是指 TaskManager 具有的并发执行能力， 可以通过参数 taskmanager.numberOfTaskSlots 进行配置； 而并行度 parallelism 是动态概念， 即 TaskManager 运行程序时实际使用的并发能力， 可以通过参数 parallelism.default 进行配置。
也就是说， 假设一共有 3 个 TaskManager， 每一个 TaskManager 中的分配 3 个TaskSlot， 也就是每个 TaskManager 可以接收 3 个 task， 一共 9 个 TaskSlot， 如果我们设置 parallelism.default=1， 即运行程序默认的并行度为 1，9 个 TaskSlot 只用了 1 个， 有 8 个空闲， 因此， 设置合适的并行度才能提高效率。


程序与数据流（DataFlow）

所有的 Flink 程序都是由三部分组成的： Source 、Transformation 和 Sink。

Source 负责读取数据源， Transformation 利用各种算子进行处理加工， Sink 负责输出。

在运行时， Flink 上运行的程序会被映射成“ 逻辑数据流”（ dataflows），它包含了这三部分。每一个 dataflow 以一个或多个 sources 开始以一个或多个 sinks 结束。dataflow 类似于任意的有向无环图（ DAG）。在大部分情况下， 程序中的转换运算（ transformations） 跟 dataflow 中的算子（ operator） 是一一对应的关系， 但有时候， 一个 transformation 可能对应多个 operator。

执行图（ExecutionGraph）
Flink 中的执行图可以分成四层：

StreamGraph -> JobGraph -> ExecutionGraph -> 物理执行图。

StreamGraph：是根据用户通过 Stream API 编写的代码生成的最初的图。用来表示程序的拓扑结构。
JobGraph：StreamGraph 经过优化后生成了 JobGraph，提交给 JobManager 的数据结构。主要的优化为， 将多个符合条件的节点 chain 在一起作为一个节点， 这样可以减少数据在节点之间流动所需要的序列化/反序列化/传输消耗。
ExecutionGraph ： JobManager 根 据 JobGraph 生 成 ExecutionGraph 。
ExecutionGraph 是 JobGraph 的并行化版本， 是调度层最核心的数据结构。
物理执行图： JobManager 根据 ExecutionGraph 对 Job 进行调度后， 在各个
TaskManager 上部署 Task 后形成的“ 图”， 并不是一个具体的数据结构。

并行度（Parallelism）
Flink 程序的执行具有并行、分布式的特性。
在执行过程中， 一个流（ stream） 包含一个或多个分区（ stream partition）， 而每一个算子（ operator） 可以包含一个或多个子任务（ operator subtask）， 这些子任务在不同的线程、不同的物理机或不同的容器中彼此互不依赖地执行。
一个特定算子的子任务（ subtask） 的个数被称之为其并行度（ parallelism）。一般情况下， 一个流程序的并行度， 可以认为就是其所有算子中最大的并行度。一个程序中， 不同的算子可能具有不同的并行度。

任务链（Operator Chains）

Transform

转换算子
map
flatMap
Filter
KeyBy：DataStream → KeyedStream： 逻辑地将一个流拆分成不相交的分区， 每个分区包含具有相同 key 的元素， 在内部以 hash 的形式实现的。
滚动聚合算子（Rolling Aggregation）
这些算子可以针对 KeyedStream 的每一个支流做聚合。

• sum()
• min()
• max()
• minBy()
• maxBy()

Reduce
KeyedStream → DataStream： 一个分组数据流的聚合操作， 合并当前的元素和上次聚合的结果， 产生一个新的值， 返回的流中包含每一次聚合的结果， 而不是只返回最后一次聚合的最终结果。

val stream2 = env.readTextFile("YOUR_PATH\\sensor.txt")

.map( data => {

val dataArray = data.split(",")

SensorReading(dataArray(0).trim, dataArray(1).trim.toLong, dataArray(2).trim.toDouble)
}).keyBy("id")

Split 和 Select
Split：
DataStream → SplitStream：根据某些特征把一个 DataStream 拆分成两个或者多个 DataStream。
Select：
SplitStream→ DataStream：从一个 SplitStream 中获取一个或者多个 DataStream。需求： 传感器数据按照温度高低（ 以 30 度为界）， 拆分成两个流。

val splitStream = stream2

.split( sensorData => {

if (sensorData.temperature > 30) Seq("high") else Seq("low")
val high = splitStream.select("high")

val low = splitStream.select("low")

val all = splitStream.select("high", "low"

Connect 和 CoMap

DataStream,DataStream → ConnectedStreams：连接两个保持他们类型的数据流， 两个数据流被 Connect 之后， 只是被放在了一个同一个流中， 内部依然保持各自的数据和形式不发生任何变化， 两个流相互独立。
CoMap,CoFlatMap

ConnectedStreams → DataStream： 作用于 ConnectedStreams 上， 功能与 map 和 flatMap 一样， 对 ConnectedStreams 中的每一个 Stream 分别进行 map 和 flatMap 处理。

val warning = high.map( sensorData => (sensorData.id,
sensorData.temperature) )
val connected = warning.connect(low)

val coMap = connected.map(
warningData => (warningData._1, warningData._2, "warning"), lowData => (lowData.id, "healthy")
)

Union

DataStream → DataStream：对两个或者两个以上的 DataStream 进行 union 操作， 产生一个包含所有 DataStream 元素的新 DataStream。

//合并以后打印
val unionStream: DataStream[StartUpLog] = appStoreStream.union(otherStream) unionStream.print("union:::")

Connect 与 Union 区别

• Union 之前两个流的类型必须是一样， Connect 可以不一样，在之后的 coMap 中再去调整成为一样的。
• Connect 只能操作两个流， Union 可以操作多个。

支持的数据类型

Flink 流应用程序处理的是以数据对象表示的事件流。所以在 Flink 内部， 我们需要能够处理这些对象。它们需要被序列化和反序列化， 以便通过网络传送它们； 或者从状态后端、检查点和保存点读取它们。为了有效地做到这一点， Flink 需要明确知道应用程序所处理的数据类型。Flink 使用类型信息的概念来表示数据类型， 并为每个数据类型生成特定的序列化器、反序列化器和比较器。
Flink 还具有一个类型提取系统， 该系统分析函数的输入和返回类型， 以自动获取类型信息， 从而获得序列化器和反序列化器。但是， 在某些情况下， 例如 lambda 函数或泛型类型， 需要显式地提供类型信息， 才能使应用程序正常工作或提高其性能。

• 基础数据类型

• Java 和 Scala 元组（Tuples）

• Scala 样例类（case classes）

• **Java 简单对象（POJOs）

• 其它（Arrays, Lists, Maps, Enums, 等

等）

实现 UDF 函数——更细粒度的控制流

函数类（Function Classes）
Flink 暴露了所有 udf 函数的接口(实现方式为接口或者抽象类)。例如MapFunction, FilterFunction, ProcessFunction 等等，例子实现了 FilterFunction 接口：

class FilterFilter extends FilterFunction[String] {
      override def filter(value: String): Boolean = { value.contains("flink")
}

}

还可以将函数实现成匿名类

val flinkTweets = tweets.filter(

new RichFilterFunction[String] {

override def filter(value: String): Boolean = { value.contains("flink")
}

}

)

匿名函数（Lambda Functions）

val tweets: DataStream[String] = ...

val flinkTweets = tweets.filter(_.contains("flink"))

富函数（Rich Functions）
“ 富函数” 是 DataStream API 提供的一个函数类的接口， 所有 Flink 函数类都
有其 Rich 版本。它与常规函数的不同在于， 可以获取运行环境的上下文， 并拥有一些生命周期方法， 所以可以实现更复杂的功能。

• RichMapFunction
• RichFlatMapFunction
• RichFilterFunction

Rich Function 有一个生命周期的概念。典型的生命周期方法有：

• open()方法是 rich function 的初始化方法， 当一个算子例如 map 或者 filter 被调用之前 open()会被调用。

• close()方法是生命周期中的最后一个调用的方法， 做一些清理工作。

• getRuntimeContext()方法提供了函数的 RuntimeContext 的一些信息，例如函数执行的并行度， 任务的名字，
  以及 state 状态

Flink 中的 Window

streaming 流式计算是一种被设计用于处理无限数据集的数据处理引擎， 而无限数据集是指一种不断增长的本质上无限的数据集， 而 window 是一种切割无限数据为有限块进行处理的手段。
Window 是无限数据流处理的核心， Window 将一个无限的 stream 拆分成有限大小的” buckets” 桶， 我们可以在这些桶上做计算操作。

Window 类型

Window 可以分成两类：

• CountWindow： 按照指定的数据条数生成一个 Window， 与时间无关。
• TimeWindow： 按照时间生成 Window。

对于 TimeWindow，可以根据窗口实现原理的不同分成三类：滚动窗口（Tumbling Window）、滑动窗口（ Sliding Window） 和会话窗口（ Session Window）。

滚动窗口（Tumbling Windows）

将数据依据固定的窗口长度对数据进行切片。
特点： 时间对齐， 窗口长度固定， 没有重叠。
适用场景： 适合做 BI 统计等（ 做每个时间段的聚合计算）

例如： 如果你指定了一个 5 分钟大小的滚动窗口， 窗口的创建如下图所示：

滑动窗口（Sliding Windows）

滑动窗口是固定窗口的更广义的一种形式， 滑动窗口由固定的窗口长度和滑动间隔组成。
特点： 时间对齐， 窗口长度固定， 可以有重叠。
适用场景：对最近一个时间段内的统计（求某接口最近 5min 的失败率来决定是否要报警）。

例如，你有 10 分钟的窗口和 5 分钟的滑动，那么每个窗口中 5 分钟的窗口里包含着上个 10 分钟产生的数据， 如下图所示：

会话窗口（Session Windows）

由一系列事件组合一个指定时间长度的 timeout 间隙组成， 类似于 web 应用的session， 也就是一段时间没有接收到新数据就会生成新的窗口。
特点： 时间无对齐。

session 窗口分配器通过 session 活动来对元素进行分组， session 窗口跟滚动窗口和滑动窗口相比， 不会有重叠和固定的开始时间和结束时间的情况， 相反， 当它在一个固定的时间周期内不再收到元素， 即非活动间隔产生， 那个这个窗口就会关闭。一个 session 窗口通过一个 session 间隔来配置，这个 session 间隔定义了非活跃周期的长度，当这个非活跃周期产生，那么当前的 session 将关闭并且后续的元素将被分配到新的 session 窗口中去。

window function

window function 定义了要对窗口中收集的数据做的计算操作， 主要可以分为两
类：

增量聚合函数（ incremental aggregation functions）
每条数据到来就进行计算， 保持一个简单的状态。典型的增量聚合函数有
ReduceFunction, AggregateFunction。
全窗口函数（ full window functions）
先把窗口所有数据收集起来， 等到计算的时候会遍历所有数据。
ProcessWindowFunction 就是一个全窗口函数。

其它可选 API

trigger() —— 触发器 定义 window 什么时候关闭， 触发计算并输出结果
evitor() —— 移除器定义移除某些数据的逻辑
allowedLateness() —— 允许处理迟到的数据
sideOutputLateData() ——将迟到的数据放入侧输出流
getSideOutput() —— 获取侧输出流

时间语义与Wartermark

Flink 中的时间语义

Event Time： 是事件创建的时间。它通常由事件中的时间戳描述， 例如采集的日志数据中，每一条日志都会记录自己的生成时间， Flink 通过时间戳分配器访问事件时间戳。
Ingestion Time： 是数据进入 Flink 的时间。
Processing Time： 是每一个执行基于时间操作的算子的本地系统时间， 与机器相关， 默认的时间属性就是 Processing Time。

EventTime 的引入
在 Flink 的流式处理中， 绝大部分的业务都会使用 eventTime， 一般只在eventTime 无法使用时， 才会被迫使用 ProcessingTime 或者 IngestionTime。

val env = StreamExecutionEnvironment.getExecutionEnvironment

// 从调用时刻开始给 env创建的每一个 stream追加时间特征

env.setStreamTimeCharacteristic(TimeCharacteristic.EventTime)

Watermark

基本概念

流处理从事件产生，到流经 source，再到 operator， 中间是有一个过程和时间的， 虽然大部分情况下， 流到 operator 的数据都是按照事件产生的时间顺序来的， 但是也不排除由于网络、分布式等原因， 导致乱序的产生， 所谓乱序， 就是指 Flink 接收到的事件的先后顺序不是严格按照事件的 Event Time 顺序排列的。旦出现乱序，如果只根据 eventTime 决定 window 的运行， 我们不能明确数据是否全部到位， 但又不能无限期的等下去， 此时必须要有个机制来保证一个特定的时间后， 必须触发 window 去进行计算了， 这个特别的机制， 就是 Watermark。

• Watermark 是一种衡量 Event Time 进展的机制。
• Watermark 是用于处理乱序事件的， 而正确的处理乱序事件， 通常用Watermark 机制结合 window 来实现。
• 数据流中的 Watermark 用于表示 timestamp 小于 Watermark 的数据，都已经到达了， 因此， window 的执行也是由 Watermark 触发的。
• Watermark 可以理解成一个延迟触发机制， 我们可以设置 Watermark 的延时时长 t，每次系统会校验已经到达的数据中最大的 maxEventTime，然后认定 eventTime 小于 maxEventTime - t 的所有数据都已经到达， 如果有窗口的停止时间等于maxEventTime – t， 那么这个窗口被触发执行。

Watermark 的引入

dataStream.assignTimestampsAndWatermarks( new

BoundedOutOfOrdernessTimestampExtractor[SensorReading](Time.milliseconds(1000)) {

override def extractTimestamp(element: SensorReading): Long = { element.timestamp * 1000
}

MyAssigner 有两种类型：两个接口都继承自 TimestampAssigner

AssignerWithPeriodicWatermarks
AssignerWithPunctuatedWatermarks