flink 核心概念(个人总结)

flink是一个强大的分布式流处理和批处理框架,具有低延迟、容错性、高吞吐量和灵活的api优势。

在flink里面有七个核心概念。

数据流(datastream)

flink将数据视为流,无论是实时的无界数据流还是有界的数据流。

a.无界数据流:实时生成的数据流,没有结束点,例如实时交易数据

b.有界数据流:有明确开始和结束点的数据流,例如批量处理的历史数据。

转换操作(transformations)

转换操作是对数据流进行处理的计算单元,flink提供了多种内置的转换操作,例如:

  1. map: 对数据流中的每个元素应用一个转换函数
  2. flatmap:将一个元素转换为多个元素
  3. filter:基于一个条件过滤数据流中的元素
  4. KeyBy:根据指定的键将数据流中的元素分组
  5. Aggregate:对数据流中的元素进行聚合操作
  6. Window:在数据流上定义窗口,并在窗口中进行计算

状态(state)

flink支持有状态的流处理,它可以存储和访问数据流处理过程中的状态信息。

状态:在处理数据时,flink可以维护状态,这对于实现复杂逻辑如窗口操作和聚合是有必要的。

时间(state)

flink处理事件时间和摄取时间

事件时间:事件实际发生的时间

摄取时间:事件到达系统的时间

处理时间:事件被处理的时间

窗口(Window)

窗口是处理无界数据流的一种方法,它将数据流切分成有限大小的块进行处理。

1.滚动窗口:固定大小的窗口,当新的事件到达时,窗口会向前滚动。

2.滑动窗口: 窗口在数据流上滑动,可以覆盖多个时间间隔

3.会话窗口:基于事件之间的活跃期定义的窗口

容错(Fault Tolerance)

通过分布式快照机制提供容错性,它可以周期性地对状态进行快照,以便在发生故障时恢复。

1.检查点(checkpoint): flink定期创建状态和流数据的一致性快照

2.端到端容错:从数据源到数据输出的整个处理流程中,flink都能保证数据不丢失。

并行和分布(Parallelism and Distribution)

flink应用的并行度和分布性是设计时的关键考虑因素。

1.并行度:flink应用可以配置并行度,以决定任务被拆分成多少个子任务执行。

2.任务槽:flink在taskmanager中分配任务槽来执行并行任务。

相关推荐
运器1235 分钟前
【一起来学AI大模型】PyTorch DataLoader 实战指南
大数据·人工智能·pytorch·python·深度学习·ai·ai编程
mit6.8242 小时前
[es自动化更新] Updatecli编排配置.yaml | dockerfilePath值文件.yml
大数据·elasticsearch·搜索引擎·自动化
Jinkxs2 小时前
Elasticsearch 简介
大数据·elasticsearch·搜索引擎
亮学长3 小时前
lodash不支持 Tree Shaking 而 lodash-es可以
大数据·前端·elasticsearch
risc1234564 小时前
Elasticsearch 线程池
java·大数据·elasticsearch
树谷-胡老师4 小时前
1965–2022年中国大陆高分辨率分部门用水数据集,包含:灌溉用水、工业制造用水、生活用水和火电冷却
大数据·数据库·arcgis
TDengine (老段)5 小时前
TDengine 集群部署及启动、扩容、缩容常见问题与解决方案
大数据·数据库·物联网·时序数据库·iot·tdengine·涛思数据
青云交8 小时前
Java 大视界 -- Java 大数据机器学习模型在电商用户复购行为预测与客户关系维护中的应用(343)
java·大数据·机器学习·数据安全·电商复购·地域适配·边疆电商
贝塔西塔8 小时前
PySpark中python环境打包和JAR包依赖
大数据·开发语言·python·spark·jar·pyspark
保持学习ing8 小时前
day4--上传图片、视频
java·大数据·数据库·文件上传·minio·分布式文件系统·文件存储