Flink入门

Flink简介

• Apache Flink 是一个面向分布式数据流处理和批量数据处理的开源计算平台，提供支持流处理和批处理两种类型应用的功能。
• Apache Flink的前身是柏林理工大学一个研究性项目，在2014被Apache孵化器所接受，然后迅速地成为了Apache Software Foundation的顶级项目之一。

Flink 特点

• 现有的开源计算方案，会把流处理和批处理作为两种不同的应用类型：流处理一般需要支持低延迟、Exactly-once保证，而批处理需要支持高吞吐、高效处理
• Flink是完全支持流处理，也就是说作为流处理看待时输入数据流时无界的；批处理被作为一种特殊的流处理，只是它的输入数据流被定义为有界的。

Flink 组件栈

Deployment层

主要涉及了Flink的部署模式、Flink支持多种部署模式：本地、集群（Standalone/YARN）、云（GCE/EC2）.

Runtime层

Runtime层提供了支持Flink计算的全部核心实现，比如：支持分布式Stream处理、JobGraph到ExecutionGraph的映射、调度等等，为上层API层提供基础服务

API层

API层主要实现了面向无界Stream的流处理和面向Batch的批处理API，其中面向流处理对应DataStream API，面向批处理对应DataSet API

Libaries层

在API层之上构建的满足特定应用的实现计算框架，也分别对应于面向流处理和面向批处理两类。

Flink优势

• 支持高吞吐、低延迟、高性能的流处理
• 支持高度灵活的窗口（Window）操作
• 支持有状态计算的Exactly-once语义
• 提供DataStream API和DataSet API

Flink数据流和时间窗口

基本概念

• Flink程序的基础构建模块是流（streams）与转换（transformations）。
• 每一个数据流起始于一个或多个source，并终止于一个或多个sink。

时间窗口

• 流上的聚合需要由窗口来划定范围，比如 “计算过去的5分钟” 或者 “最后100个元素的和”
• 窗口通常被区分为不同的类型，比如滚动窗口（没有重叠），滑动窗口（有重叠），以及会话窗口（由布活动的间隙所打断）

Flink分布式运行环境

• Flink是基于Master-Slave风格的架构
• Flink集群启动时，会启动一个JobManager进程、至少一个TaskManager进程

JobManager

• Flink系统的协调者，他负责接受Flink Job ，调度组成Job的多个Task的执行
• 收集Job的状态信息，并管理Flink集群中从节点TaskManager

TaskManager

• 实际负责执行计算的Worder，在其上执行Flink Job的一组Task
• TaskManager负责管理其所在节点上的资源信息，如内存、磁盘、网络，在启动的时候将资源的状态向JobManager汇报

Client

• 用户提交一个Flink程序时，会首先创建一个Client，该Client首先会对用户提交的Flink程序进行预处理，并提交到Flink集群
• Client会将用户提交的Flink程序组装一个JobGraph，并且时以JobGraph的形式提交的

Flink安装

方式一

• git clone https://github.com/apache/fli...
• cd flink
• mav clean package -DskipTests
• cd build-target

方式二

到官网下载编译版：https://flink.apache.org/down...
不同环境下到bin目录，运行start-local.bat
运行正常，访问页面：http://localhost:8081

Flink WordCount入门程序

官方推荐快速搭建一个项目：

curl https://flink.apache.org/q/qu... | bash