m0_72566748的博客

spark默认的，两张大表进行join时使用。

是一个位图，用二进制来记录数据状态，本质就是字节表示法。一个int占4个字节，32bit。用下标表示数值，下标索引由0~31。比如想存1，2，4，6。在字节数组中下标对应1，2，4，6位置的元素记为，其余为0。因为都是在A[0]中，A[0]=1+4+16+64=86。因为一个字节数组只能存32位，比如A[0]存0~31，32就存在A[1]中。比如存32，34，36。后续数字以此类推。那么如何确定给定的一个数M，应该存在哪个位置呢？因为每个数组可以存32个，所以首先M/32得到应该存在数组的下标。

普通机制会将计算结果写入到一个默认的内存结构(默认是5M)，每次写入都会进行一个阈值的判断，是否写满了。合并机制是让多个task共享一个buffer，这样会减少落盘的文件，会产生reduce个数 * core个数的文件。Map端Shuffle会将数据写入到环形缓冲区，默认大小是100M，底层是一个数组，一半存储数据，另一半存储元数据，当达到80%的时候进行反向溢写，溢写之前要根据key的hashcode值对reduce task的个数取模进行分区快排，然后溢写到本地磁盘中。当内存满了之后会写到本地磁盘。

a. 普通索引：一个索引只能包含一个列，一个表中可以有多个普通索引b. 唯一索引：索引列的值必须唯一，但润许有空值，且只允许有一个空值c. 主键索引：一个表只能有一个主键索引，并且不能为空d. 复合索引：一个索引可以包含多个列。

1. 计算速度不同，flink是真正的实时计算框架，Spark Streaming是一个准实时微批次的计算框架2. 架构不同，Spark Streaming的角色是Driver、Executor，Flink是JobManager和TaskManager3. 时间机制不同，Spark Streaming只支持处理时间，而Flink有三种时间：事件时间、注入时间和处理时间，并且还有水位线机制处理迟到数据。

Barrier对齐： 一个task收到 所有上游 同一个编号的barrier之后，才会对自己的本地状态做备份①：精准一次：在对齐过程中，barrier后面的数据 阻塞等待，不会越过barrier②：至少一次：在对齐过程中，先到的barrier，其后面的数据不阻塞，继续计算非Barrier对齐：一个Task收到第一个barrier后，就开始执行备份，能保证精准一次。细节：①：先到的barrier 将本地状态备份，同时后面的数据接着计算输出。

原因：数据本身不均，分组之后导致不均匀或者filter过后分区间数据量不一致，造成某些key的value数据量远大于其他key的，导致绝大多数的任务执行的很快，只有少部分的任务执行的很慢甚至执行失败。

从三方面考虑。

Flink中算子任务可以分为有状态和无状态。无状态的算子任务只需要观察每个独立事件，根据当前输入的数据直接转换输出结果。比如map、flatmap有状态的算子，除了当前数据之外，还需要一些其他的数据来得到计算结果。这些其他数据，就是所谓的状态。比如聚合算子、窗口算子都属于有状态算子。

ProcessFunction底层继承了AbstractRichFunction，有两个泛型表示输入和输出。其中有一个抽象方法processElement必须要实现，另一个非抽象方法onTimer1) 抽象方法processElement对于流中的每个元素都会调用一次，参数包括三个，输入的数据值value、上下文ctx、收集器collector out，这个方法没有返回值，处理之后的输出数据是通过收集器out定义的2) 非抽象方法onTimer类似于闹钟，只有在注册好的定时器触发时才会调用。

根据key进行合流相当于关系数据库中表的join操作。flink中两条流的connect操作，就可以通过keyby指定键进行分组后合并，实现类似sql的join。

在Flink中，用于衡量事件时间进展的标记，被称为水位线。可以看作一条特殊的数据记录，它是插入到数据流中的一个标记点。主要内容就是一个时间戳，用来指示当前的事件时间自身理解：本质上就是一个时间戳，表示比这个时间早的事件已经全部到达。并且在数据乱序的情况下，通过水位线可以判断出迟到的数据。

前一天23：59：59发送过来的数据，但是由于延迟发送到了下一天的分区，这条数据就具有偏差(离线数仓经典问题)。对于flink，具有事件时间，这个时间点是比较重要的，是保证计算结果准确的重要因素。喝牛奶这个时间为处理时间。一般情况下，业务日志数据中都会记录数据生成的时间戳(timestamp)，它就可以作为事件时间判断的基础。"时间" 对于flink来说是非常重要的，大致可以分成两大类：事件时间和处理时间(flink的时间语义)：一个数据产生的事件(比如2.30分下单操作，事件时间就为2.30分)

将要计算的数据限制一个范围，统计一个范围内的数据。将无界的数据切割成有届的数据。