1、基础知识
（1）、数据流上的有状态计算
（2）、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。
（3）、事件驱动型应用，有数据流就进行处理，无数据流就不进行处理，就像挤牙膏一样。
（4）、无界数据流&&有界数据流：
其中，无界数据流就相当于水龙头，流的开始就是打开水龙头，但原则上，只要不关闭水龙头，水就会一直流下去，所以没有定义流的结束。
有界数据流，相当于给一个水桶中装满水，水桶底部存在一个小孔，流的开始就是水桶滴下第一滴水，流的结束就是滴下最后一滴水。
2、有状态流处理
举例：在一条马路上，每过一辆车，就会记录一次，在经过一段时间后，对记录的结果进行统计处理。
3、Flink特点
4、Spark和Flink的区别
两者最为本质的区别就是，Spark是批处理模式，Flink是流处理模式，
Spark Streaming：
（1）比如设计批次为3s，那么Spark将会积攒3s内的数据，最后统一对其进行处理。
（2）计算模型：微批次处理
（3）时间语义：处理时间
（4）窗口：少，不灵活
（5）状态：没有，需要跟外部系统进行交互。
（6）流式SQL：没有
Flink：
（1）与Spark不同的是，Flink是流处理模式，来一条数据，就处理一条数据。
（2）计算模型：流计算
（3）时间语义：事件时间、处理时间
处理时间：在处理数据时的现实时间
事件事件：数据本身产生的时间
举例：
例如，在23:59:59产生了一条数据，但因为网络延迟问题，导致计算引擎读取出现延迟，读取时间为0:00:01，综上所述，事件时间就是23:59:59，处理时间就是0:00:01
（4）窗口：多、灵活
（5）状态：有，可以自己维护管理数据。
（6）流式SQL：有
5、Flink分层API
