开启掘金成长之旅！这是我参与「掘金日新计划 · 12 月更文挑战」的第22天，点击查看活动详情
Flink流式计算引擎基础理论
一、Flink流式计算引擎基础理论
1.1 官网解读
官网解释： flink.apache.org/
Apache Flink® — Stateful Computations over Data Streams
| 优势 | 细节 | 官网链接 |
|---|---|---|
| 所有流式场景 | 1、数据驱动的应用 2、批流数据分析 3、数据通道和ETL | flink.apache.org/zh/usecases… |
| 正确性保证 | 1、Exactly-once状态一致性保证 2、事件时间处理 3、复杂的late date处理 | flink.apache.org/zh/flink-ap… |
| 分层 API | SQL on Stream & Batch Data DataStream API & DataSet API ProcessFunction (Time & State) | flink.apache.org/zh/flink-ap… |
| 聚焦运维 | 灵活部署 高可用 保存点 | flink.apache.org/zh/flink-op… |
| 大规模计算 | 水平扩展架构 支持超大状态 增量检查点机制 | flink.apache.org/zh/flink-ar… |
| 性能卓越 | 低延迟 高吞吐 内存计算 | flink.apache.org/zh/flink-ar… |
英文版本：
中文版本：
Flink 各种特性介绍：flink.apache.org/ What is Apache Flink?：flink.apache.org/flink-archi… Flink 应用场景：flink.apache.org/usecases.ht… Flink 应用企业：flink.apache.org/poweredby.h… Flink 版本升级迭代：flink.apache.org/downloads.h… Flink Quick Start：nightlies.apache.org/flink/flink… Flink 架构：nightlies.apache.org/flink/flink… Flink 核心概念：nightlies.apache.org/flink/flink… Flink 流式应用程序开发相关：nightlies.apache.org/flink/flink… Flink Checkpoint：nightlies.apache.org/flink/flink… Flink State 和 StateBackend：nightlies.apache.org/flink/flink… Flink 部署：nightlies.apache.org/flink/flink…
要点01：Flink 处理无界数据流：nightlies.apache.org/flink/flink… 要点02：Flink 关于并行数据流的处理方案：nightlies.apache.org/flink/flink… 要点03：Flink 的有状态计算和状态管理：nightlies.apache.org/flink/flink… 要点04：Flink Operator 和 Task：nightlies.apache.org/flink/flink… 要点05：Flink 资源管理 和 Solot：nightlies.apache.org/flink/flink… 要点06：Flink 应用程序运行模式：nightlies.apache.org/flink/flink…
Flink 设计目的和初衷：
无界数据流：无界数据流有一个开始但是没有结束，它们不会在生成时终止并提供数据，必须连续处理无界流，也就是说必须在获取后立即处理event。对于无界数据流我们无法等待所有数据都到达，因为输入是无界的，并且在任何时间点都不会完成。处理无界数据通常要求以特定顺序（例如事件发生的顺序）获取event，以便能够推断结果完整性，无界流的处理称为流处理。
无界流有一个开始，但没有定义的结束。它们不会在生成数据时终止并提供数据。必须连续处理无边界流，即，事件在被摄入后必须立即处理。等待所有输入数据到达是不可能的，因为输入是无界的，并且不会在任何时间点完成。处理无界数据通常需要以特定的顺序接收事件，例如事件发生的顺序，以便能够推断出结果的完整性。
一种不断增长的，本质上无限的数据集。这些通常被称为“流数据”。然而，当应用于数据集时，术语流或批量是有问题的，这种数据往往意味着使用某种类型的执行引擎来处理这些数据集。两种类型的数据集之间的关键区别在于现实中它们的有限性，因此最好用表示这种区别的术语来表述它们。因此，我将无限的“流”数据集称为无限数据，有限的“批处理”数据集作为有限数据。
有界数据流和无界数据流的区别：
一种持续的数据处理模式，适用于无限数据流。低延迟，近似和/或推测结果通常与流式引擎联系在一起。事实上，批处理系统传统上没有实现低延迟或推测性的结果。
从这里开始，任何时候使用术语“流”，意思都是设计用于无限数据集的执行引擎。当没有附加任何其他术语时，将明确表示无限数据，无限数据处理或低延迟/近似/推测结果。这些是在Google Dataflow中采用的术语。
最终总结：
离线和实时应该指的是：数据处理的延迟；
批量和流式指的是：数据处理的方式。
批处理的特点是有界、持久、大量，批处理非常适合需要访问全套记录才能完成的计算工作，一般用于离线统计。
流处理的特点是无界、实时，流处理方式无需针对整个数据集执行操作，而是对通过系统传输的每个数据项执行操作，一般用于实时统计。
1.2 Flink 架构设计实现和应用模块分工
Flink 整体架构设计实现：nightlies.apache.org/flink/flink…
架构图：
RestClient（ActorSystem RPC 通信 HTTP 的提交 App） +
StreamGraph(一个算子/一个Operator 就是这个 DataFlow 中的一个顶点 流图 原始图) +
JobGraph （提交到服务集群中的数据结构抽象对象，在 StreamGraph 基础之上做了优化：把满足一定条件的相邻 Operator 合并成一个 OperatorChain）
JobManager( ResourceManager 管理和调度资源 + WebMonitorEndpoint 接收 客户端 rest 请求 + Dispatcher 做任务分发 )
- JobGraph（当 Dispatcher 去给这个Job 启动一个 JobMaster 的时候，会让 JobMaster（类似于 YARN 中的 AM 角色） 把这个 JobGraph 转换成 ExecutionGraph
- ExecutionGraph: 并行化（Operator 根据并行度运行成多个 Task）） + ExecutionGraph
TaskManager： Memory、NetWork 、IO Manager ActorSystem， TaskSlotTable
关于 ResourceManager 的解释：
1、YARN 中的 主节点
2、Flink 的 JobManager / Standalone 集群的主节点 的一个内部组件： 资源管理
主节点：逻辑概念： JobManager
Standalone： 主节点：物理概念： StandaloneSessionClusterEntrypoint
YARN Session Cluster: 主节点： YARNSessionClusterEntrypoint
Flink API 设计：nightlies.apache.org/flink/flink…
Flink 整体架构体系：API 和 Libaries 体系
阿里的 Flink 流式平台负责人： 阿里云栖大会的时候，在 Flink-1.13 的完全支持 流批一体的 API
批处理：Spark
流处理：Flink
很多公司，自己实现！搞一个平台，封装这两个东西
Spark =》 SparkSession ：SparkContext + SQLContext + HiveContext
声明：
文章中代码及相关语句为自己根据相应理解编写，文章中出现的相关图片为自己实践中的截图和相关技术对应的图片，若有相关异议，请联系删除。感谢。转载请注明出处，感谢。
落叶飘雪
