下面是你提供的文字整理后的结果:
1. Flink是一个针对流数据和批数据的分布式处理引擎,同时支持原生流处理的开源框架。
- 延迟低(毫秒级),且能够保证消息传输不丢失不重复。
- 具有非常高的吞吐(每秒千万级)。
- 支持原生流处理。
- 容错性高,基于checkpoint机制。
- 处理模型:单条事件处理;Spark Streaming是一个事件窗口内的所有事件。
- 部署相对简单,只依赖JRE环境。
- 应用场景:实时监控(用户行为预警);实时报表(双11直播大屏);实时个性化推荐;数据仓库(实时数据清洗、归并)。
2. 流计算与批计算对比:
- 流式计算实时、低延迟,批量计算非实时、高延迟。
- 流式计算一般针对动态、无边界的数据,批量计算一般针对静态数据。
- 流式计算任务是持续运行的,批量计算任务一次性完成。
3. Flink的核心特性:
- 事件时间:Flink应用程序需要从原始数据中解析出事件时间,并设置给Flink,用于时间窗口计算。
- 灵活的窗口操作。
- 可以处理超出主内存大小限制的数据,减少垃圾收集开销。
- 对象序列化二进制存储。
4. Flink的部署:
- Application:每个Application对应一个Runtime,一个Application中可以包含多个Job。
- JobManager:每个集群至少有一个,负责管理整个集群的计算资源。
- JobManager向ResourceManager申请slot资源。
- TaskManager:每个集群有多个TaskManager,TaskManager通过心跳与JobManager通信,每个TaskManager可以有多个Task slot。
- 单个Slot可以用于一个或多个Task执行,但相同的Task不能在一个Slot中运行。
- Client:执行main方法解析JobGraph对象,并提交给JobManager。
5. Flink的API:
- 开源实现的MapReduce模型,包含三个阶段:Map、Shuffle、Reduce。
- 水位线:用于处理实时数据中的乱序问题,保证在一个特定事件后必须触发窗口进行计算。
- 窗口的触发时机是窗口截至时间<=当前的Watermark。
- 其他特性包括:window Evictor(数据清除器),OutputTag(分流标签),AsyncFunction(异步查询补充数据)。
6. 状态管理:
- Flink中的KeyBy算子根据指定的Key将数据流分区。
- 默认的checkpoint interval为500ms。
- savepoint用于手动触发保存状态数据,用于发版等情况,与checkpoint保存的内容相同。
7. Table API:
- 表的数据存储在catalog中,临时表存储在内存中,永久表存储在外部catalog中,比如Hive Catalog。
8. 其他概念和接口:
- RichParallelSourceFunction:并发数据源。
- CheckpointListener:通知checkpoint完成。
- CheckpointedFunction:定义快照实现。
- ResultTypeQueryable接口:通过输入格式和功能明确告知API返回类型。
- 数据源mq会进行数据分区,在多个Flink并发实例的情况下,并发消费以提高效率。
9. 关于消费者和生产者的速度和消息堆积的问题:
- 消费者的平均速度一定是大于生产者的平均速度,否则会造成消息堆积,mq通过offset来控制消费偏移量,但是还会保存一段时间的历史数据用来消息回溯和查询,一般是7天,保存数据的时候starRocks可以通过排序键做幂等 -算子本身不需要实现CheckpointedFunction的snapshotState方法就能实现State的保存,这是由Flink本身的机制实现的,snapshotState方法会在每次正常checkpoint的时候调用 -Flink本身支持starRocks,并且实现了snapshotState,功能是把缓存的待写入数据库的数据刷盘到starRocks,这样会有问题,就是每次checkpoint的时候都会把数据强制刷盘到数据库,这是一个同步处理,可能会造成写库很慢,消息堆积