Flink面试题

0. 思维导图

1. 简单介绍一下Flink♥♥

Flink是一个分布式的计算框架，主要用于对有界和无界数据流进行有状态计算，其中有界数据流就是值离线数据，有明确的开始和结束时间，无界数据流就是指实时数据，源源不断没有界限，有状态计算指的是在在进行当前数据计算的时候，我们可以使用之前数据计算的结果。Flink还有一个优点就是提供了很多高级的API，比如DataSet API、DataStream API、Table API和FlinkSQL。Flink的主要特点大概就是这些！

2. Flink和SparkStreaming区别♥

我觉得他们区别还是挺大的，其中最大的三点如下：

1. 计算速度的不同，Flink是真正的实时计算框架，而sparkStreaming是一个准实时微批次的计算框架，也就是说，sparkSteaming的实时性比起Flink差一些。
2. 架构模型不同，SparkStreaming在运行时的主要角色包括：Driver、Executor，而Flink在运行时主要包含：JobManager、TaskManager。
3. 时间机制不同，sparkStreaming只支持处理时间，而Flink支持的时间语义包括处理时间、事件事件、注入时间，并且还提供了watermark机制来处理迟到数据。

3. Flink的重启策略你了解吗

重启策略就是说job失败之后如何重启，Flink支持不同的重启策略，包括固定延迟重启策略、失败率重启策略、无重启策略。

我是在使用检查点的时候，遇到过Flink重启的问题，我设置了检查点，但是实际上有一个地方会抛出异常，但是程序始终不抛出异常，并且一直输出异常之前的输出语句，这个时候就是因为Flink在开启checkpoint的情况下，重启策略会自动进行重启。

4. Flink的运行依赖于hadoop组件吗

Flink可以完全独立于Hadoop，在不依赖Hadoop组件下运行。但是在实际的大数据应该场景下，Hadoop体系是任何大数据框架都绕不过去的。Flink可以和Yarn集成做资源调度，也可以读写HDFS，或者利用HDFS做检查点。

&emsp' 总结一句话：可以但是没必要。

5. Flink集群中有哪些角色？各自有什么作用♥

slot:每一个taskmanager都包含一定数量的slot，指taskmanager具有的并行执行能力（静态概念）

并行度：taskmanager运行程序的时候实际使用的并行能力（动态概念）

• jobmanager:相当于一个集群的Master，是整个为集群的协调者，负责接收job。
• taskmanager:负责实际执行计算的Worker
• client：它是Flink程序提交的客户端，当用户提交一个Flink程序时，会首先创建一个Client。

6. 简述Flink运行流程（基于Yarn）♥♥

首先Flink的客户端将作业提交给Yarn的RM，然后RM会分配container，并且选择合适的NM启动ApplicationMaster，然后AM启动jobmanager向RM申请资源启动taskManager，然后jobManager就可以分配任务给taskManager。

7. max算子和 maxBy算子的区别♥

这两个算子都是基于KeyedStream求最大值。不同点如下：

• max: 将原来的数据的该字段替换为最大值，然后返回该记录，返回的数据不是原来的数据。
• maxBy:会把该字段最大的整条记录全部返回，返回的数据还是原来的数据。

8. Connect算子和Union算子的区别♥

他们之间的主要区别如下：

1. union算子的两个流类型必须是一样的，而connect算子的两个流类型可以不一样。
2. union算子可以连接多个流，而connect算子只能连接两个流。

9. Flink的时间语义有哪几种♥♥♥

1. event time: 表示事件创建的时间，通常由事件中的时间戳描述。
2. ingestion time: 表示数据进入Flink的时间。
3. processing time: 表示执行算子的本地系统时间。
4. 总结一句话：在Flink的流式处理中，绝大部分的业务都会使用eventTime。

10. 谈一谈你对watermark的理解♥♥♥

只有考虑事件时间语义，才会发生乱序（到达窗口的事件先后顺序和事件的事件先后顺序不一致）

我先说一下watermark是什么，它就是一种特殊的时间戳，作用就是为了让事件事件慢一点，等迟到的数据都到了，才触发窗口计算。我举个例子说一下为什么会出现watermark?

比如现在开了一个5s的窗口，但是2s的数据在5s数据之后到来，那么5s的数据来了，是否要关闭窗口呢？可想而知，关了的话，2s的数据就丢失了，如果不关的话，我们应该等多久呢？所以需要有一个机制来保证一个特定的时间后，关闭窗口，这个机制就是watermark

什么是watermark呢？

• 我的理解是，watermark是一种特殊的时间戳，等于直到当前事件发现的最大事件事件减去设定延迟的时间assignTimestampsWithWatermarks
• 它的作用说简单点，就是让事件时间慢一点，等到迟到的数据都到了，才去触发窗口计算。
• 当watermark等于窗口时间的时候，就会触发计算。

11. Flink对于迟到或者乱序数据是怎么处理的♥♥♥

• watermark设置延迟时间
• window的allowedLateness方法，可以设置窗口允许处理迟到数据的时间
• window的sideOutputLateData方法，可以将迟到的数据写入侧输出流

12. Flink中，有哪几种类型的状态，你知道状态后端吗♥♥

主要有两种类型的状态，包括operator state 和keyed state，operator state 和 key无关，而keyed state和key有关。

• operator state【算子状态】：该类型的状态，对于同一个任务而言，是共享的
• keyed state【键控状态】：每一个key都会保存一个状态

状态后端就是用来保存状态的东西，状态可以理解为一个本地变量。Flink的状态在底层是如何保存的呢？因此需要一个人东西来进行状态的存储、访问和维护，这个东西就是状态后端。分为以下三种：

1. MemoryStateBackend:内存级的状态后端，会将状态作为内存中的对象进行管理，将他们存储在TaskManager的JVM堆上。而将checkpoint存储在JobManager的内存中。
2. FsStateBackend:将checkpoint存到远程的持久化文件系统上。而对于本地状态，跟MemoryStateBackend一样，也会存在TaskManager的JVM堆上。
3. RocksDBStateBackend:将所有状态序列化后，存入本地的RocksDB中存储。

13. Flink是如何做容错的？

Flink实现容错主要靠强大的checkpoint机制和State机制。Checkpoint负责定时制作分布式快照、对程序中的状态进行备份；State用来存储计算过程中的中间状态。

state 和 checkpoint之间的区别如下:

• state存储的是某一个操作的运行状态或者历史值，维护在内存中。
• checkpoint存储的是某一时刻所有操作的当前状态的快照，存在于磁盘中。

14. Flink是如何保证Exactly-once语义的♥♥♥

• at-most-once: 什么都不干，既不恢复丢失的状态，也不重播丢失的数据。
• at-least-once:一些事件可能被处理多次
• exactly-once:没有事件丢失，并且对于每一个事件，有且仅有处理一次。

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

端到端的一致性包括如下：

• 内部保证：依赖checkpoint
• source端：需要外部源可重置偏移量
• sink端：需要保存从故障恢复时，数据不会重复写入外部系统
  • 幂等性写入：同一份数据无论写入多少次，只保证一份结果
  • 事务性写入：
    • 两种实现方式：WAL和2PC
    • WAL(预写日志)：把结果数据先写入log文件中，然后在收到checkpoint完成的通知时，一次性写入sink系统。
    • 2PC(两阶段提交)：对于每个checkpoint，sink任务会启动一个事务，并将接下来所有接收的数据添加到事务里；然后将这些数据写入外部sink系统，但不提交他们（这时只是预提交）；当收到checkpoint完成的通知时，它才正式提交事务，实现结果的真正写入。

如何确保精准一次性呢？

• 使用checkpoint检查点，其实就是所有任务的状态，在某个时间点的一份快照；这个时间点，应该时所有任务都恰好处理完一个相同的输入数据的时候。

• checkpoint的步骤：

  1. Flink应用在启动的时候，Flink的jobManager创建CheckPointCoordinator
  2. CheckpointCoodinator(检查点协调器)周期性的向该流应用的所有source算子发送barrier（屏障）
  3. 当某个source算子收到一个barrier时，便暂停数据处理过程，然后将自己的当前状态制作成快照，并保存到指定的持久化存储（hdfs）中，最后向CheckpointCoordinator报告自己快照制作情况，同时向自身所有下游算子广播该barrier，恢复数据处理。
  4. 下游算子收到barrier之后，会暂停自己的数据处理过程，然后将自己的相关状态制作成快照，并保存到指定的持久化存储中，最后向CheckpointCoordinator报告自身快照情况，同时向自身所有下游算子广播该barrier，恢复数据处理。
  5. 每个算子按照上面这个操作不断制作快照并向下游广播，直到最后barrier传递到sink算子，快照制作完成。
  6. 当CheckpointCoordinator收到所有算子的报告之后，认为该周期的快照制作成功；否则，如果在规定的时间内没有收到所有算子的报告，则认为本周期快照制作失败。

• 检查点的保存

  1. 在Flink中，检查点的保存时周期性触发的，间隔时间可以进行设置
  2. 当所有任务都恰好处理完一个相同的输入数据的时候，将它们的状态保存下来

• checkpoint 和 savepoint的区别：

  1. 目的： checkpoint重点时在于自动容错，savepoint重点在于手动备份、恢复暂停作用
  2. 触发者：checkpoint是Flink自动触发，而savepoint是用户主动触发
  3. 状态文件保存：checkpoint一般会自动删除；savepoint一般都会保留下来，除非用户去做相应的删除操作。

15. Flink是如何处理反压的

Flink内部是基于producer-consumer模型来进行消息传递的，Flink的反压设计也是基于这个模型。Flink使用了高效有界的分布式阻塞队列，就像java通用的阻塞队列（BlockingQuequ）一样。下游消费者消费变慢，上游就会收到阻塞。

16. Flink是如何支持批流一体的♥

Flink使用一个引擎就支持了DataSetAPI和DataStream API。其中DataSet API 用来处理有界流，DataStream API 既可以处理有界流又可以处理无界流，这样就实现了流批一体。

17. 你用过Flink CEP吗，简单介绍一下♥

• 说一下我的理解，CEP就是用来从无界流中得到满足一定规则的复杂事件。
• 我之前在做用户行为分析的时候，做过一个需求：如果有用户5s内连续登录3次，就报警输出该用户：
  • 使用CEP编程特别简单，首先定义一个匹配模式（begin where next where within），调用Pattern中的方法，然后将匹配模式应用到数据流上，调用CEP.pattern方法，最后检测出符合匹配条件的复杂事件，进行转换处理，输出报警信息。