知人者智

盲目的学习使人疲惫，要学习一个东西，首先要找到学习的动力～

要了解一个架构，首先要了解架构的优势，再了解其设计，最后通过源码学习优秀设计的实现。

不积跬步无以至千里。

Flink优点

1. 同时支持高吞吐，低延迟，高性能

   flink是目前开源社区中唯一一套高吞吐，低延迟，高性能于一身的流式处理框架。

   Apache Spark只能兼顾高吞吐和高性能，无法做到低延迟(SparkStreaming本质上还是微批处理)。

   Apache Storm只能支持低延时和高性能特性，无法满足高吞吐需求。

2. 支持事件时间（Event Time）概念

   Flink能够基于事件时间（Event Time）语义进行窗口计算。这种基于事件驱动的机制使得事件即使乱序到达，流系统也能计算出精确的结果，保持事件原本的时序性，尽可能的避免网络传输或者硬件故障的影响。

3. 支持有状态计算

   Flink支持在流计算过程中将算子的中间结果存储在内存或者文件系统中，当下一个事件到达时可以拿到前一个事件计算的中间结果，从而无需依赖外部存储系统即可完成事件上下文的交互，极大的提升了系统性能。

4. 支持高度灵活的窗口计算

   Flink将窗口划分为基于Time，Count，Session，以及Data-Driver等类型的窗口操作，窗口可以灵活的触发条件定制化来达到对复杂的流传输模式的支持，用户可以定义不同的窗口触发机制来满足不同的需求。

5. 基于轻量级分布式快照的实现

   Flink能够分布运行在上千个节点上，通过基于分布式快照技术的Checkpoint，将执行过程中的状态信息进行持久化存储，一旦任务出现异常停止，Flink能够通过CheckPoint快速的进行自动恢复，以确保数据在处理过程中的一致性。

6. 基于JVM实现的独立内存管理

   Flink实现了自身管理内存的机制，尽可能减少JVM GC对系统的影响。

   通过序列化/反序列化机制将所有的数据对象转化成二进制在内存中存储，降低数据存储大小的同时，更加有效的利用空间，降低GC带来的性能开销与异常风险。

7. SavePoint 保存点

   Flink支持通过SavePoint将检查点外化并持久化到磁盘，当任务再次重启的时候，可以从事先保存的SavePoint恢复原有的计算状态，使得任务从SavePoint的未知开始执行。