Flink-简介与基础

一、Flink起源

大数据计算引擎由批处理项流处理发展，由处理单一类型数据到批流一体方法发展。由单一功能逐步发展成更通用、更高效、更易用的一站式（混合架构）的计算引擎。计算引擎发展过程中典型架构：

Flink诞生于柏林工业大学的一个大数据研究项目StratoSphere，2014年被捐献给Apache，成为Apache的顶级大数据项目。Flink将计算的主要方向定位为流处理，将批处理作为流处理的一个特殊情况。并提供了一些如数据状态、事件时间、分布式快照、watermark等高级功能。

在大数据领域早期基本都是批处理，后期随着大数据处理应用范围的拓展，逐步发到到流处理。

批处理就是对整个有界数据集进行排序、统计或者汇总计算后输出结果。批处理的数据主要有以下特点：

流处理是无界数据流，更符合实际情况，例如交易数据、传感器数据等都是不断产生而不会结束。流处理是产生一条数据就会处理一条数据，流处理系统需要对进入系统的数据进行实时计算。而且流数据不一定是持久化的，可能是业务系统实时产生的。

Flink即可以进行流处理，也支持对有界数据进行批处理。也就是Flink可以处理消息队列或者日志这类流式数据源的实时数据，也支持从各种数据源消费有界的历史数据。

Flink是一个分布式系统，采用master/slave架构，可以有效的分配和管理计算资源。集成了常见的集群资源管理器、也可以作为单独集群运行。

Flink运行时主要由一个JobManager和多个TaskManager组成。

Flink应用程序不是运行时程序执行的一部分，主要是将用户的Flink作业提交到JobManager，并触发执行Flink程序。

JobManger主要职责是协调Flink应用程序的分布式执行，主要是调度task、监控task执行情况、协调checkpoint、故障恢复等。

TaskManager主要是执行作业流中的task，并且缓存和交换数据流。

Flink应用程序编写主要是指用户对数据需要进行的操作，Flink将对数据的处理分为输入、处理、输出三个步骤。其中Source负责管理数据源输入、Transformation负责数据计算、Sink负责将结果输出。Transformation是根据需求由Flink提供的算子组合而成的一个处理流程。

Flink首先会将应用构建成一个Dataflow graph。当调用env.execute()时，graph会被打包并发送到JobManager上，JobManager会协调并执行应用。

实际应用中有时需要对历史数据进行重新处理和分析。如果时间流只能依靠机器时钟，一些基于时间的统计与运算得出的结果可能会有错误和偏差，因为为了满足以上场景，Flink支持用数据流中的事件时间作为时间依据，而不是处理数据时的机器时间。

流处理过程中，很多操作如何处理都需要依据之前所有数据的累积结果、一些窗口函数也需要缓存之前的数据。Flink中的算子都可以是由状态的，这些状态都是本地访问，这样可以提高吞吐量和减低延迟。

大数据运行过程中无法避免故障的出现，因此需要一定的故障恢复机制。Flink通过定期状态快照和流重放来实现故障恢复和精确的一次计算。

主要介绍了Flink背景和以流处理为主的设计理念，Flink的运行时架构、Flink作业的编程以及Flink的高级特性。