大数据阶段四(Flink)面试题库

1、什么是Flink？

Flink项目的理念是：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（就一次）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、SparkStreaming和Strom的区别？

	Storm	Flink
状态管理	无状态，需用户自行进行状态管理	有状态
窗口支持	对事件窗口支持较弱，缓存整个窗口的所有数据，窗口结束时一起计算	窗口支持较为完善，自带一些窗口聚合方法，并且会自动管理窗口状态
消息投递	At Most Once／At Least Once	At Most Once／At Least Once／Exactly Once
容错方式	ACK机制：对每个消息进行全链路跟踪，失败或超时进行重发	检查点机制：通过分布式一致性快照机制，对数据流和算子状态进行保存；在发生错误时，使系统能够进行回滚
应用现状	在美团点评实时计算业务中已有较为成熟的运用，有管理平台、常用API和相应的文档，大量实时作业基于Storm构建	在美团点评实时计算业务中已有一定应用，但是管理平台、API及文档等仍需进一步完善

3、Flink和SparkStreaming的区别？

这个问题是一个非常宏观的问题，因为两个框架的不同点非常之多，但是在面试时有非常重要的一点一定要回答出来：Flink是标准的实时处理引擎，基于事件驱动；SparkStreaming是微批（Micro-Batch）的模型。

	SparkStreaming	Flink
架构模型	主要角色包括：Master、Worker、Driver和Executor	主要包括：JobManager、TaskManager和Slot
任务调度	连续不间断的生成微小的数据批次，构建有向无环图DAG，会依次创建DStreamGraph、JobGenerator、JobScheduler	根据用户提交的代码生成StreamGraph，经过优化生成JobGraph，然后提交给JobManager进行处理，JobManager会根据JobGraph生成ExecutionGraph，ExecutionGraph是Flink调度最核心的数据结构，JobManager根据ExecutionGraph对Job进行调度
时间机制	只支持处理时间	支持处理时间、事件时间、注入时间；同时也支持watermark机制来处理滞后数据
容错机制	可以设置checkpoint，假如发生故障并重启，可以从上次checkpoint之处恢复，但是这个行为只能使得数据不丢失，可能会重复处理，不能做到恰好一次处理语义	使用两阶段提交(2PC)协议来解决可能重复处理问题，做到恰好一次处理语义

4、Flink的重要特点？

1. 时间驱动型（Event-driven）

   时间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，并根据到来的时间触发计算、状态更新或其他外部动作

2. 流与批的世界观

   • 批处理：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：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

3. 分层API

   Flink提供的最高层级的抽象是SQL

   越顶层越抽象，表达含义越明显，使用越方便

   越底层越具体，表达能力越丰富，使用越灵活

5、什么是有界流和无界流？

1. 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，也就是说必须再获取后立即处理event；

   对于无界数据流是无法等待所有数据都到达，因为输入是无界的，并且再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。

2. 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、Flink的其他特点？

1. 支持事件事件（event-time）和处理时间（processing time）
2. 精确一次的状态一致性保证
3. 低延迟，每秒处理数百万个事件，毫秒级延迟
4. 与众多常用存储系统连接
5. 高可用，动态扩展，实现7 * 24小时全天侯运行

7、Flink的组件？

作业管理器（JobManager）

任务管理器（TaskManager）

资源管理器（ResourceManager）

分发器（Dispatcher）

8、JobManager的作用？

1. 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
2. JobManager会先接收到要执行的应用程序
3. 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
4. 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，如检查点（checkpoints）的协调

9、JobManager收到的应用程序包含哪些？

1. 作业图（JobGraph）
2. 逻辑数据流图（Logical Dataflow Graph）
3. 打包了所有的类、库和其他资源的JAR包

10、TaskManager的作用？

1. 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）
2. 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
   task的数量由TaskManager内包含的slots的总数量决定，slot的总数量也决定了任务执行的并行度
3. 在执行过程中，一个TaskManager可以跟其他运行同一应用程序的TaskManager交换数据

11、TaskManager执行任务的数量由什么来决定的？

插槽的数量限制了TaskManager能够执行的任务数量

12、ResourceManager的作用？

1. 主要负责管理任务管理器（TaskManager）的插槽（slot）
2. 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
3. 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
4. 另外，ResourceManager还负责终止空闲的TaskManager，释放计算资源

13、Flink的资源单元？

TaskManager插槽是Flink中定义的处理资源单元

14、分发器的作用？

1. 可以跨作业运行，它为应用提交提供了REST接口
2. 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
3. Dispatcher也会启动一个Web UI，用来方便地展示和监控作业执行地信息
4. Dispatcher在架构中可能并不是必需地，这取决于应用提交运行的方式

15、任务提交流程

Flink的各个组件的交互协作

如果部署的集群环境不同（如YARN、Mesos、K8s以及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

Flink集群部署到YARN上

16、Flink的程序由几部分组成？

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

17、Flink的执行图分为几层？

Flink中的执行图可以分成四层：

StreamGraph：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链接在一起，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

18、算子之间数据传输的形式？

1. One-to-one：类似于Spark中的窄依赖

   stream（比如在source和map operator之间）维护着分区以及元素的顺序，那意味着map算子的子任务看到的元素的个数以及顺序跟source算子的子任务生产的元素的个数、顺序相同，map、fliter、flatMap等算子都是one-to-one的对应关系

2. Redistributing：类似于Spark中的宽依赖

   stream（map()跟keyBy／window之间或者keyBy／window跟sink之间）的分区会发生改变；每一个算子的子任务依据所选择的transformation发送数据到不同的目标任务。例如，keyBy()基于hashCode重分区、broadcast和rebalance会随机重新分区，这些算子都会引起redistribute过程，而redistribute过程就类似于Spark中的shuffle过程

19、Flink的任务链？任务链的要求？

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

相同并行度的one-to-one操作，Flink这样相连的算子连接在一起形成一个task，原来的算子成为u里面的subtask

并行度相同、并且是one-to-one操作，两个条件缺一不可

20、Flink中Split和Select？

DataStream → SplitStream：根据某些特征把一个DataStream拆分成两个或者多个DataStream

SplitStream →DataStream：从一个SplitStream中获取一个或者多个DataStream

21、Flink中Union与Connect区别？

1. 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
2. Union可以操作多个流；Connect只能操作两个流

22、Flink中的rich函数？

“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

1. RichMapFunction
2. RichFlatMapFunction
3. RichFilterFunction
4. …

Rich Functions有一个生命周期的概念，典型的生命周期方法有：

1. open()：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
2. close()：生命周期中的最后一个调用的方法，做一些清理工作
3. getRuntimeContext()：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

23、Flink的window分为几种？

1. CountWindow：按照指定的数据条数生成一个Window，与时间无关
2. TimeWindow：按照时间生成Window
3. Global Window：全局窗口

24、TimeWindow分为哪几种？

1. 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）

2. 滑动窗口（Sliding Windows）：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

3. 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

25、WindowFunction对数据的计算分为两类？

1. 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

2. 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

26、Flink提供了8个ProcessFunction？

1. ProcessFunction
2. KeyedProcessFunction
3. CoProcessFunction
4. ProcessJoinFunction
5. BroadcastProcessFunction
6. KeyedBroadcastProcessFunction
7. ProcessWindowFunction
8. ProcessAllWindowFunction

27、Flink的TimerService？

Context和OnTimerContext所持有的TimerService对象拥有以下方法：

1. currentProcessingTime()：Long返回当前处理时间
2. currentWatermark()：Long返回当前watermark的时间戳
3. registerProcessingTimeTimer(timestamp: Long): Unit：会注册当前key的processing time的定时器；当processing time到达定时时间时，触发timer
4. registerEventTimeTimer(timestamp: Long): Unit：会注册当前key的event time定时器；当水位线大于等于定时器注册的时间时，触发定时器执行回调函数
5. deleteProcessingTimeTimer(timestamp: Long): Unit：删除之前注册处理时间定时器；如果没有这个时间戳的定时器，则不执行
6. deleteEventTimeTimer(timestamp: Long): Unit：删除之前注册的事件时间定时器，如果没有此时间戳的定时器，则不执行

当定时器timer触发时，会执行回调函数onTimer()；注意定时器timer只能在keyed streams上面使用

28、Flink中状态的类型？

1. 算子状态（Operator State）
2. 键控状态（Keyed State）

29、Flink为算子状态提供三种基本数据结构？

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

30、Flink状态一致性的级别？

1. at-most-once

   这其实是没有正确性保障的委婉说法，故障发生之后，计数结果可能丢失

2. at-least-once

   这表示计数结果可能大于正确值，但绝对不会小于正确值；也就是说，计数程序在发生故障后可能多算，但是绝不会少算

3. exactly-once
   这指的是系统保证在发生故障后得到的计数结果与正确值一致

31、什么是端到端的一致性？

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

32、端到端的一致性具体可以划分？

1. 内部保证：依赖checkpoint

2. source端：需要外部源可重设数据的读取位置

3. sink端：需要保证从故障恢复时，数据不会重复写入外部系统

33、sink端保证一致性的两种方式？

1. 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

2. 事务写入

   需要构建事务来写入外部系统，构建的事务对应着checkpoint，等到checkpoint真正完成的时候，才把所有对应的结果写入sink系统中

34、事务性写入具体又有两种实现方式？

1. 预写日志（WAL）

2. 两阶段提交（2PC）

35、Flink + Kafka如何实现端到端的exactly-once语义？

1. 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
2. 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
3. sink：kafka producer作为sink，采用两阶段提交sink，需要实现一个TwoPhaseCommitSinkFunction

36、Flink的StateBackend？

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）

37、几种状态后端的区别？

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JVM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JVM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
   • 注意：RocksDB的支持并不直接包含在flink中，需要引入依赖