Flink综合61问

1.什么是flink？

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 能够提供毫秒级别的延迟，同时保证了数据处理的低延迟、高吞吐和结果的正确性，还提供 了丰富的时间类型和窗口计算、Exactly-once 语义支持，另外还可以进行状态管理，并提供 了 CEP（复杂事件处理）的支持。

2.Flink 的重要特点？

1. 事件驱动
   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：
   
2. 基于流的世界观
   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。

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。
3. 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。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（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。

3.什么是有界流和无界流？

• 流处理：无界，实时性有要求，只需对经过程序的每条数据进行处理
• 批处理：有界，持久，需要对全部数据进行访问处理；

4.flink的其他特点？

精确一次，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，高可用 动态扩展，实现24小时全天候运行，支持事件事件和处理时间语义

5.flink和sparkStreaming 对比？

• 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
• 运行架构
• • spark是批计算，将DAG划分为不用的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

6.spark DAG 如何划分stage？

根据宽依赖进行划分stage

7.flink 运行的组件？

JobManager,TaskManeger,ResourceManager,Dispacher

8.jobmanager 的什么作用？

jobManager的作用：类似spark中的master，负责申请资源，任务分发，任务调度执行，checkpoint的协调执行；可以搭建HA，双master。

9.jobmanager接收到的应用程序包含？

• 作业图(jobGraph)
• 逻辑数据流图(logical dataFlow Graph)
• 打包了所有的类和库
• 其他资源的Jar包

10.taskManager 的什么作用？

类似spark中的worker，负责任务的执行，基于dataflow（spark中的DAG）划分出的task；与jobmanager保持心跳，汇报任务状态。

11.resourceManager的作用？

负责管理任务管理器（taskmanager）的插槽（slot）

12.flink的资源管理器有哪些？

• 自己的resourcemanager
• hdfs的resourcemanager

13.Dispatcher的作用？

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，分发器就会启动并且将应用移交给一个jobmanager

14.任务提交流程

15.taskManager 通过什么控制task数量？

通过配置文件中设置的核数来控制task的数量

16.flink 是否允许任务共享slot？

允许，
默认情况下，flink允许子任务共享slot，即使他们是不同任务的子任务。这样的结果是，一个slot可以保存作业的整个通道
task slot是静态的概念，是指taskmanager具有的并发执行能力

17.flink程序包含那几部分？

== Source,Transformation,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

18.flink 的执行图包含那四部分？

1. StreamGraph
2. JobGraph
3. ExecutionGraph
4. 物理执行图

19.什么是streamgraph？

是根据用户通过Stream API编写的代码生成的最初的图。（用来表示表的拓扑结构）

20.什么是jobgraph？

StreamGraph经过优化后生成，主要的优化为将多个符合条件的节点Chain合在一起作为一个节点。

21.什么是executiongraph？

是jobManager根据JobGraph生成的，是JobGraph的并行化版本，是调度层最核心的数据结构。

22.什么是物理执行图？

是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。

23.什么是并行度？

一个特定算子的子任务（subtask）的个数被称之为其并行度。

24.什么是stream最大并行度？

一般情况下，一个stream的并行度，可以认为就是其所有算子中最大的并行度。

25.算子的数据传输 2种形式？

1. One-to-one:
   传输模式，相当于soark中不产生shuffle的算子。
2. Redistributing：
   相当于spark中的产生shuffle的算子。

26.flink 的任务链？

Flink采用了一种称为任务链的优化技术，可以再特定条件下减少本地通信的开销。为了满足任务链的要求，必须将两个或者多个算子设为相同的并行度，并且通过本地转发（local forward）的方式进行连接。

27.满足任务链的要求？

并行度相同，并且是one-to-one操作，两个条件缺一不可。

28.flink 流split ，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。Select 就是获取分流后对应的数据

需求：传感器数据按照温度高低（以 30 度为界），拆分成两个流。

29.流的connect 和 union 的区别？

• Connect与Union的区别：

• • 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。

• connect

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。

• 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。

30.flink的数据类型？

• 基础数据类型：
  Flink支持所有的Java和Scala基础数据类型，Int,Double,Long,String…
• 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)
  Flink对java和scala中的一些特殊目的的类型也都是支持的，比如java的ArrayList,HashMap,Enum等等

31.什么是富函数？ 富函数有什么作用？

“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

32.flink window的类型?

1.TimeWindow

• Tumbling Window(滚动窗口)
• Sliding Window(滑动窗口)
• Session Window(会话窗口)
• Global Window(全局窗口)

2.Count Window(计数窗口)

• 滑动计数窗口
• 滚动计数窗口

33.window function有哪些?

window function 定义了要对窗口中收集的数据做到计算操作
可分为两类：
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
• 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

34.flink的时间语义?

Event Time:事件创建的时间
Ingestion Time:数据进入Flink的时间
Processing Time:执行操作算子的本地系统时间，与机器相关

35.乱序数据有什么影响?

• 当Flink以Event Time模式处理数据流时，它会根据数据里的时间戳来处理基于时间的算子
• 由于网络，分布式等原因，会导致乱序数据的产生
• 乱序数据会让窗口计算不准确

36.什么是watermark?

• watermark是一条特殊的数据记录
• watermark必须单调递增，以确保任务的事件时间时钟在先前推进，而不是在后退
• watermark与数据的时间戳相关

38.flink状态管理包含哪些?

状态一致性，故障处理以及高效存储和访问，以便开发人员可以专注于应用程序的逻辑。

39.flink状态的类型?

• 算子状态(Operator State)

• • 算子状态的作用范围限定为算子任务

• 键控状态(Keyed State)

• • 根据输入数据流中定义的键(key)来维护和访问

40.算子状态的特点?

• 算子状态的作用范围限定为算子任务，又同一并行任务所处理的所有数据都可以访问到相同的状态
• 状态对于同一任务而言是共享
• 算子状态不能由相同或不同算子的另一个任务访问

41.算子状态的数据结构?

1.列表状态(List state)

• 将状态表示为一组数据的列表

2.联合列表状态(Union list state)

• 也将状态表示为数据的列表。它与常规列表状态的区别在于，在发生故障时，或者从保存点(savepoint) 启动应用程序时如何恢复

3.广播状态(Broadcast state)

• 如果一个算子有多项任务，而它的每项任务状态又都相同，那么这种特殊情况最适合应用广播状态。

42.键控状态特点？

• 键控状态是根据输入数据流中定义的键(key)来维护和访问
• Flink为每个key维护-一个状态实例，并将具有相同键的所有数据，都分区到同一个算子任务中，这个任务会维护和处理这个key对应的状态
• 当任务处理一条数据时，它会自动将状态的访问范围限定为当前数据的key

43.键控状态的数据结构？

• 值状态(Value state)
  将状态表示为单个的值

• 列表状态(List state)
  将状态表示为一组数据的列表

• 映射状态(Map state)
  将状态表示为一组Key-Value对

• 聚合状态(Reducing state & Aggregating state)
  将状态表示为一个用于聚合操作的列表

44.什么是状态后端？

• 每传入一条数据，有状态的算子任务都会读取和更新状态
• 由于有效的状态访问对于处理数据的低延迟至关重要，因此每个并行任务都会在本地维护其状态，以确保快速的状态访问
• 状态的存储，访问以及维护，由一个可插入的组件决定，这个组件就叫做状态后端(state backend)

45.状态后端的职责？

状态后端主要负责两件事：

1. 本地的状态管理；
2. 将检查点(checkpoint)状态写入远程存储。

46.状态后端的类型？

1.MemoryStateBackend

• 内存级的状态后端，会将键控状态作为内存中的对象进行管理，将它们存储在TaskManager的VM堆上，而将checkpoint存储在jobmanager的内存中
• 特点：快速，低延迟，但不稳定

2.FsStateBackend

• 将checkpoint存到远程的持久化文件系统(FileSystem)上，而对于本地状态，跟MemoryStateBackend一样，也会存在TaskManager的VM堆上
• 同时拥有内存级的本地访问速度，和更好的容错保证

3.RocksDBStateBackend

• 将所有状态序列化后，存入本地的RocksDB中存储。

47.什么是processfunction 函数？

1.ProcessFunction是一个低阶的流处理操作，它可以访问流处理程序的基础构建模块:

• 事件(event)(流元素)
• 状态(state)(容错性，一致性， 仅在keyed stream中)
• 定时器(timers)(event time和processing time，仅在keyed stream中)

2.ProcessFunction可以看作是一个具有keyed state和timers访问权的FlatMapFunction

• 通过RuntimeContext访问keyed state
• 计时器允许应用程序对处理时间和事件时间中的更改作出响应。对processElemet…)函 数的每次调用都获得一个Context对象，该对象可以访问元素的event time timestamp和TimerService
• TimerService’可用于为将来的event/process time瞬 间注册回调。当到达计时器的特定时间时，将调用onT1imer…)方法。在该调用期间，所有状态都再次限定在创建计时器时使用的键的范围内，从而允许计时器操作键控状态

48.processfunction 函数有哪些？

Flink 提供了 8 个 Process Function：
​ ProcessFunction
​ KeyedProcessFunction
​ CoProcessFunction
​ ProcessJoinFunction
​ BroadcastProcessFunction
​ KeyedBroadcastProcessFunction
​ ProcessWindowFunction
​ ProcessAllWindowFunction

49.什么是侧输出流？

Flink 处理数据流时，我们经常会遇到这种情况：在处理一个数据源时，往往需要将该数据源中的不同类型的数据做分割处理，如果使用filter算子对数据源进行筛选分割的话，势必会造成数据流的多次复制，造成不必要的性能浪费；

Flink中的侧输出就是将数据流进行分割，而不对流进行复制的一种分流机制，flink的侧输出的另一个作用就是对延时迟到的数据进行处理，这样就可以不必丢弃迟到的数据。

案例：假设我们的需求是实时的从kafka接收生产数据，我们需要对迟到超过一定时长的数据进行另行处理。

50.flink 故障恢复机制的核心？

flink故障恢复机制的核心，就是应用状态的一致性检查点。

51.什么是有状态的一致性检查点？

有状态流应用的一致检查点，其实就是所有任务的状态，在某个时间点的一份拷贝(一 份快照) ；这个时间点，应该是所有任务都恰好处理完一个相同的输入数据的时候

52.如何从检查点恢复状态？

• 在执行流应用程序期间，Flink 会定期保存状态的一致检查点
• 如果发生故障，Flink 将会使用最近的检查点来一致恢复应用程序的状态，并重新启动处理流程
• 遇到故障之后，第一步就是重启应用
• 第二步是从checkpoint中读取状态，将状态重置
• • 从检查点重新启动应用程序后，其内部状态与检查点完成时的状态完全相同
• 第三步:开始消费并处理检查点到发生故障之间的所有数据
• • 这种检查点的保存和恢复机制可以为应用程序状态提供"精确一次"(exactly-once)的一致性，因为所有算子都会保存检查点并恢复其所有状态，这样一来所有的输入流就都会被重置到检查点完成时的位置

53.什么是保存点？

• Flink还提供了可以自定义的镜像保存功能，就是保存点(savepoints)
• 原则上，创建保存点使用的算法与检查点完全相同，因此保存点可以认为就是具有一些额外元数据的检查点
• Flink不会自动创建保存点，因此用户(或者外部调度程序)必须明确地触发创建操作
• 保存点是一一个强大的功能。除了故障恢复外，保存点可以用于:有计划的手动备份，更新应用程序，版本迁移，暂停和重启应用，等等

54.检查点（checkpoint）和保存点（savepoint）的区别？

• checkpoint的侧重点是“容错”，即Flink作业意外失败并重启之后，能够直接从早先打下的checkpoint恢复运行，且不影响作业逻辑的准确性。而savepoint的侧重点是“维护”，即Flink作业需要在人工干预下手动重启、升级、迁移或A/B测试时，先将状态整体写入可靠存储，维护完毕之后再从savepoint恢复现场。
• savepoint是“通过checkpoint机制”创建的，所以savepoint本质上是特殊的checkpoint。
• checkpoint面向Flink Runtime本身，由Flink的各个TaskManager定时触发快照并自动清理，一般不需要用户干预；savepoint面向用户，完全根据用户的需要触发与清理。
• checkpoint的频率往往比较高（因为需要尽可能保证作业恢复的准确度），所以checkpoint的存储格式非常轻量级，但作为trade-off牺牲了一切可移植（portable）的东西，比如不保证改变并行度和升级的兼容性。savepoint则以二进制形式存储所有状态数据和元数据，执行起来比较慢而且“贵”，但是能够保证portability，如并行度改变或代码升级之后，仍然能正常恢复。
• checkpoint是支持增量的（通过RocksDB），特别是对于超大状态的作业而言可以降低写入成本。savepoint并不会连续自动触发，所以savepoint没有必要支持增量。

55.什么是状态一致性？

• 有状态的流处理，内部每个算子任务都可以有自己的状态
• 对于流处理器内部来说，所谓的状态一致性， 其实就是我们所说的计算结果要保证准确。
• 一条数据不应该丢失，也不应该重复计算
• 在遇到故障时可以恢复状态，恢复以后的重新计算，结果应该也是完全正确的。

56.状态一致性的分类？

• AT-MOST-ONCE (最多一次)
• • 当任务故障时，最简单的做法是什么都不干，既不恢复丢失的状态，也不重 播丢失的数据。At-most-once 语义的含义是最多处理一次事件。
• AT-LEAST-ONCE (至少一次)
• • 在大多数的真实应用场景，我们希望不丢失事件。这种类型的保障称为at- least-once,意思是所有的事件都得到了处理，而一些事件还可能被处理多次。
• EXACTLY-ONCE (精确一次)
• • 恰好处理一次是最严格的保证，也是最难实现的。恰好处理一次语义不仅仅意味着没有事件丢失，还意味着针对每一个数据， 内部状态仅仅更新一次。

57.端到端的精确性？

• 目前我们看到的一致性保证都是由流处理器实现的，也就是说都是在Flink流处理器内部保证的;而在真实应用中，流处理应用除了流处理器以外还包含了数据源(例如Kafka)和输出到持久化系统
• 端到端的一致性保证，意味着结果的正确性贯穿了整个流处理应用的始终;每一个组件都保证了它自己的一-致性
• 整个端到端的一致性级别取决于所有组件中-一致性最弱的组件

58.什么是幂等写入？

所谓幂等操作，是说一个操作，可以重复执行很多次，但只导致一次结果更改，也就是说，后面再重复执行就不起作用了

59.什么是2PC？

就是两阶段提交（Two-Phase-Commit）

• 对于每个checkpoint, sink 任务会启动一个事务，并将接下来所有接收的数据添加到事务里
• 然后将这些数据写入外部sink系统，但不提交它们–这时只是"预提交")
• 当它收到checkpoint完成的通知时，它才正式提交事务，实现结果的真正写入
• • 这种方式真正实现了exactly-once,它需要一个提供事 务支持的外部sink系统。Flink 提供了TwoPhaseCommitSinkFunction接口

60.flink和kafka端到端状态一致性的保证？

• 内部 – 利用checkpoint机制，把状态存盘，发生故障的时候可以恢复，保证内部的状态一致性
• source – kafka consumer作为source,可以将偏移量保存下来，如果后续任务出现了故障，恢复的时候可以由连接器重置偏移量，重新消费数据，保证一致性
• sink-- kafka producer作为sink,采用两阶段提交sink,需要实现一个TwoPhaseCommitSinkFunction

61.kafka精确一致性（Exactly-once ) 两阶段提交的步骤？

• 第一条数据来了之后，开启一个kafka的事务(transaction) ，正常写入kafka分区日志但标记为未提交，这就是“预提交”
• jobmanager触发checkpoint操作，barrier 从source开始向下传递，遇到barrier的算子将状态存入状态后端，并通知jobmanager
• sink连接器收到barrier,保存当前状态，存入checkpoint,通知jobmanager,并开启下一阶段的事务，用于提交下个检查点的数据
• jobmanager收到所有任务的通知，发出确认信息，表示checkpoint完成
• sink任务收到jobmanager的确认信息，正式提交这段时间的数据
• 外部kafka关闭事务，提交的数据可以正常消费了。