这是我参与「第四届青训营 」笔记创作活动的第3天
1.数据流和动态表
1.1 随处可见的流式数
生活中各式各样的流数据不断的存在于计算机世界中，可见流数据是非常重要的一个技术；
1.2 数据流和动态表转换
- Stream -> Dynamic Table -> Continuous Query -> Dynamic Table -> Stream
- 动态表：与表示批处理数据的静态表不同，动态表是随时间变化的。可以像查询静态批处理表一样查询它们。
- 数据流和动态表之间的转换；
- 在数据流的查询不会终止；
- 查询可能会有状态，用来不断更新查询的结果。
1.3 连续查询
- 连续查询：
- 查询从不终止
- 查询结果会不断更新，产生一个新的动态表\
- 在任何时候，连续查询的结果在语义上与以批处理模式在输入表快照上执行的相同查询的结果相同。
1.4 查询产生仅追加数据的动态表
查询只附加到结果表，即结果表的changelog 流只包含INSERT操作
1.5 两个连续查询对比
虽然这两个示例查询看起来非常相似（都计算分组计数聚合），但它们在一个重要方面不同：
1.第一个查询更新先前输出的结果，即定义结果表的changelog 流包含INSERT和UPDATE操作；
2.第二个查询只附加到结果表，即结果表的changelog 流只包含INSERT操作。
1.6 Retract 消息的产生
1.7 状态
需要存储每个用户的 URL 计数，以便能够增加该计数并在输入表接收新行时发送新结果。
1.8 不同数据处理保证的语义
- At-most-once：出现故障的时候，啥也不做。数据处理不保证任何语义，处理时延低；
- At-least-once：保证每条数据均至少被处理一次，一条数据可能存在重复消费。
- Exactly-once：最严格的处理语义，从输出结果来看，每条数据均被消费且仅消费一次，仿佛故障从未发生。
2.Exacty-once 和 Checkpoint
2.1 状态快照与恢复
2.2 制作快照的时间点
- 状态恢复的时间点：需要等待所有处理逻辑消费完成source 保留状态及之前的数据。
- 一个简单的快照制作算法：
- 暂停处理输入的数据；
- 等待后续所有处理算子消费当前已经输入的数据；
- 待2处理完后，作业所有算子复制自己的状态并保存到远端可靠存储；
- 恢复对输入数据的处理。
2.3 Chandy-Lamport 算法
2.3.1 快照制作的开始
每一个 source 算子都接收到 JM 发送的 Checkpoint Barrier 标识状态快照制作的开始。
2.3.2 Source 算子的处理
各个 source 保存自己状态后，向所有连接的下游继续发送 Checkpoint Barier，同时告知 JM 自己状态已经制作完成。
2.3.3 Barrier Alignment
- 算子会等待所有上游的barrier到达后才开始快照的制作；
- 已经制作完成的上游算子会继续处理数据，并不会被下游算子制作快照的过程阻塞。
2.3.4 快照制作和处理数据的解耦
2.3.5 checkpoint 的结束
所有算子都告知 JM 状态制作完成后，整个 Checkpoint 就结束了。
- Checkpoint 对作业性能的影响
- 解耦了快照制作和数据处理过程，各个算子制作完成状态快照后就可以正常处理数据，不用等下游算子制作制作完成快照；
- 在快照制作和Barrier Alignment 过程中需要处现数据，仍然会增加数据处理延迟；
- 快照保存到远端也有可能极为耗时。
3.Flink 端到端的 Exacty-Once 语义
3.1 端到端 Exactly-once 语义
￥1. Checkpoint 能保证每条数据都对各个有状态的算子更新一次，sink输出算子仍然可能下发重复的数据；
- 严格意义的端到端的Exactly-once语义需要特殊的sink 算子实现。
