Flink简介（一）

一、Architecture 架构

Apache Flink® — Stateful Computations over Data Streams – Apache Flink-基于数据流的有状态计算。

Flink 是一个框架和分布式处理引擎，用于在无边界和有边界数据流上进行有状态的计算。Flink 能在所有常见集群环境中运行，并能以内存速度和任意规模进行计算。

从上图中可以看出：
（1）Flink不仅可以处理实时的数据，也可以处理数据库、文件系统以及键值存储系统中的数据。Flink可以处理的数据类型是非常丰富的。

（2）Flink处理完数据之后，会将数据存储到HDFS、S3、NFS等存储系统中。同时，Flink也可以部署在k8s、Yarn、Mesos等多种资源管理器中运行。

（3）此外，Flink处理完数据之后，可以将数据传给下一个应用进行处理，也可以将数据写入日志中。还可以存储到数据库、文件系统以及键值存储系统中。

接下来，我们来介绍一下 Flink 架构中的重要方面。

1、处理无界数据和有界数据

任何类型的数据都可以形成一种事件流。信用卡交易、传感器测量、机器日志、网站或移动应用程序上的用户交互记录，所有这些数据都形成一种流。

数据可以被作为有边界或者无边界的流来处理。

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。

有界数据流：有界数据流有明确定义的开始和结束，有界流可以在摄取所有数据后再进行计算。处理有界流不需要有序获取，因为可以对有界数据集进行排序。有界流的处理也称为批处理。

无界数据流和有界数据流都可以使用Flink进行处理，对应的就是流处理和批处理。 这种以流为世界观的架构，获得的最大好处就是具有极低的延迟。

Flink擅长处理无边界和有边界的数据集。对时间和状态的精确控制使得Flink运行时能够在无界数据流上运行任何类型的应用程序。有界流由专门为固定大小的数据集设计的算法和数据结构在内部处理，从而产生优异的性能。

可以通过在Flink上构建用例加深理解。

2、部署应用到任意地方

Flink是一个分布式系统，它需要计算资源来只从应用程序。Flink集成了所有常见的集群资源管理器，例如Hadoop YARN, Apache Mesos, and Kubernetes，但是同样可以作为独立集群运行。

Flink被设计为能够很好地工作于前面列出的每个资源管理器上，这是通过资源管理器特定的部署模式实现的。该部署模式允许Flink 可以采用与当前资源管理器相适应的方式进行交互。

在部署Flink应用程序时，Flink会根据应用程序配置的并行性自动识别所需的资源，并向资源管理器请求这些资源。在发生故障的情况下，Flink通过请求新的资源来替换发生故障的容器。所有提交或控制应用程序的所有通信都是通过 REST 调用进行的。这可以简化 Flink 与各种环境中的集成。

3、运行任意规模的程序

Flink 旨在任意规模上运行有状态流式应用程序。因此，应用程序被并行化为可能数千个任务，这些任务分布在集群中并发执行。所以应用程序能够充分利用无尽的 CPU、内存、磁盘和网络 IO。此外， Flink 很容易维护非常大的应用程序状态。其异步和增量的检查点算法确保对处理延迟产生最小的影响，同时保证精确一次状态的一致性。

Flink用户分享了他们生产环境中一些令人印象深刻的扩展性数字：

• 应用处理，每天处理数万亿的事件
• 应用维护，几TB大小的状态
• 应用在数千个内核上运行

4、利用内存性能

有状态Flink应用程序针对本地状态访问进行了优化。任务状态始终保存在内存中，如果状态大小超过可用内存，则保存在访问效率高的磁盘数据结构中。因此，任务通过访问本地(通常在内存中)状态来执行所有计算，从而产生非常低的处理延迟。Flink 通过定期和异步地对本地状态进行持久化存储来保证故障场景下精确一次的状态一致性。

二、Application 应用

Flink是一个框架，用于对无界和有界数据流进行有状态计算。Flink在不同的抽象级别上提供多个api，并为常见用例提供专用库。

接下来，我们将介绍 Flink 所提供的简单易用、易于表达的API和库。

1、Building Blocks for Streaming Applications

可以被流处理框架构建并执行的应用程序类型是由框架对 流、状态、时间的支持程度来决定的。接下来，我们将对上述这些流处理应用的基本组件逐一进行描述，并对 Flink 处理它们的方法进行细致描述。

（1）Streams 流

显而易见，流是流处理的基本组成要素。但是，流具有不同的特征。这些特征决定流如何以及何时被处理。Flin是一个通用的处理框架，能够处理任意类型的数据流。

• 有界流和无界流：流可以是无界的或者有界的，例如，古典给大小的数据集。Flink 在无界的数据流处理上拥有诸多功能强大的特性，同时，也针对有界的数据流开发了专用的高效算子。

• 实时流和历史记录流：所有的数据都是以流的形式产生。有两种方式处理这些数据。一是，在数据生成的时候进行实时处理；二是，将流持久化到存储系统中（例如，文件系统或者对象存储），之后再进行处理。Flink 应用能够同时支持处理实时以及历史记录数据流。

（2）State 状态

只有在每一个单独的事件上进行转换操作的应用才不需要状态，换言之，每一个具有一定复杂度的流处理应用都是有状态的。任何运行基本业务逻辑的流处理应用都需要在一定时间内存储所接收的事件或中间结果，以供后续的某个时间点（例如收到下一个事件或者经过一段特定时间）进行访问并进行后续处理。

应用状态在Flink中是一等公民。Flink提供了许多状态管理相关的特性支持，其中包括：

• Multiple State Primitives(多种状态基础类型): Flink为多种不同的数据结构提供了相应的状态基础类型，例如，原子值，列表，map。开发者可以基于处理函数对状态的访问方式，选择最高效、最适合的状态基础类型。
• Pluggable State Backends(插件化的State Backend): State Backend 负责管理应用程序状态，并在需要的时候进行 checkpoint。Flink 支持多种 state backend，可以将状态存在内存或者 RocksDB。RocksDB 是一种高效的嵌入式、持久化键值存储引擎。Flink 也支持插件式的自定义 state backend 进行状态存储。
• Exactly-once state consistency(只有一次状态的一致性): Flink 的 checkpoint 和故障恢复算法保证了故障发生后应用状态的一致性。因此，Flink 能够在应用程序发生故障时，对应用程序透明，不造成正确性的影响。
• Very Large State(超大数据量状态): Flink 能够利用其异步以及增量式的 checkpoint 算法，存储数 TB 级别的应用状态。
• Scalable Applications(可弹性伸缩的应用): Flink 能够通过在更多或更少的工作节点上对状态进行重新分布，支持有状态应用的分布式的横向伸缩。

（3）Time 时间

时间是流应用程序的另外一个重要组成部分。因为每一个时间都发生在特性的时间点，所以大多数的事件流都有事件本身所固有的时间语义。此外，许多常见的流计算是基于时间的，例如窗口聚合、会话计算、模式检测和基于时间的join。流处理一个重要的要素是应用如何衡量时间，即区分事件事件（ event-time）和处理事件（processing-time）。

Flink提供了一组丰富的与时间相关的特性。

• Event-time Mode - 事件事件模式：应用程序基于事件产生的时间戳计算结果。因此，无论处理的是历史记录的事件还是实时的事件，事件时间模式的处理总能保证结果的准确性和一致性。
• Watermark Support：Flink 引入了 watermark 的概念，用以衡量事件时间进展。Watermark 也是一种平衡处理延时和完整性的灵活机制。
• Late Data Handling: 当以带有 watermark 的事件时间模式处理数据流时，在计算完成之后仍会有相关数据到达。这样的事件被称为迟到事件。Flink 提供了多种处理迟到数据的选项，例如将这些数据重定向到旁路输出（side output）或者更新之前完成计算的结果。
• Processing-time Mode - 处理时间模式：除了事件时间模式，Flink 还支持处理时间语义。处理时间模式根据处理引擎的机器时钟触发计算，一般适用于有着严格的低延迟需求，并且能够容忍近似结果的流处理应用。

2、分层API

Flink 根据抽象程度分层，提供了三种不同的 API。每一种 API 在简洁性和表达力上有着不同的侧重，并且针对不同的应用场景。

最底层级的抽象仅仅提供了有状态流，它将通过过程函数（Process Function）被嵌入到DataStream API中。底层过程函数（Process Function） 与 DataStream API 相集成，使其可以对某些特定的操作进行底层的抽象，它允许用户可以自由地处理来自一个或多个数据流的事件，并使用一致的容错的状态。除此之外，用户可以注册事件时间并处理时间回调，从而使程序可以处理复杂的计算。

实际上，大多数应用并不需要上述的底层抽象，而是针对核心API（Core APIs）进行编程，比如DataStream API（有界或无界流数据）以及DataSet API（有界数据集）。这些API为数据处理提供了通用的构建模块，比如由用户定义的多种形式的转换（transformations），连接（joins），聚合（aggregations），窗口操作（windows）等等。DataSet API 为有界数据集提供了额外的支持，例如循环与迭代。这些API处理的数据类型以类（classes）的形式由各自的编程语言所表示。

Table API 是以表为中心的声明式编程，其中表可能会动态变化（在表达流数据时）。Table API遵循（扩展的）关系模型：表有二维数据结构（schema）（类似于关系数据库中的表），同时API提供可比较的操作，例如select、project、join、group-by、aggregate等。Table API程序声明式地定义了什么逻辑操作应该执行，而不是准确地确定这些操作代码的看上去如何 。 尽管Table API可以通过多种类型的用户自定义函数（UDF）进行扩展，其仍不如核心API更具表达能力，但是使用起来却更加简洁（代码量更少）。除此之外，Table API程序在执行之前会经过内置优化器进行优化。

你可以在表与 DataStream/DataSet 之间无缝切换，以允许程序将 Table API 与 DataStream 以及 DataSet 混合使用。

Flink提供的最高层级的抽象是 SQL 。这一层抽象在语法与表达能力上与 Table API 类似，但是是以SQL查询表达式的形式表现程序。SQL抽象与Table API交互密切，同时SQL查询可以直接在Table API定义的表上执行。

三、Operations 运维

Flink是一个框架，用于在有界和无界数据流上进行有状态计算。由于许多流应用程序被设计为以最小停机时间连续运行，因此流处理器必须提供出色的故障恢复，以及在应用程序运行期间进行监控和维护的工具。

Flink 非常注重流数据处理的可运维性。因此在这一小节中，我们将详细介绍 Flink 的故障恢复机制，并介绍其管理和监控应用的功能。

1、7 * 24小时稳定运行

在分布式系统中，机器和处理故障是普遍存在的，为了保证服务能够7*24小时稳定运行，像Flink这样的流处理器故障恢复机制是必须要有的。显然，这不仅意味着要能在服务出现故障的时候能够重启服务，而且还要在发生故障发生时，保证能够持久化服务内部各个组件的当前状态，只有这样才能保证在故障恢复时候，服务能够继续正常运行，好像故障就没有发生过一样。

Flink通过几下多种机制维护应用可持续运行及其一致性:

• Consistent Checkpoints(检查点的一致性): Flink的故障恢复机制是通过建立分布式应用服务状态一致性检查点实现的，当有故障产生时，应用服务会重启后，再重新加载上一次成功备份的状态检查点信息。结合可重放的数据源，该特性可保证*精确一次（exactly-once）*的状态一致性。
• Efficient Checkpoints(高效的检查点): 如果一个应用要维护一个TB级的状态信息，对此应用的状态建立检查点服务的资源开销是很高的，为了减小因检查点服务对应用的延迟性（SLAs服务等级协议）的影响，Flink采用异步及增量的方式构建检查点服务。
• End-to-End Exactly-Once (端到端的精确一次): Flink 为某些特定的存储支持了事务型输出的功能，及时在发生故障的情况下，也能够保证精确一次的输出。
• Integration with Cluster Managers(集成多种集群管理服务): Flink已与多种集群管理服务紧密集成，如 Hadoop YARN, Mesos, 以及 Kubernetes。当集群中某个流程任务失败后，一个新的流程服务会自动启动并替代它继续执行。
• High-Availability Setup(内置高可用服务): Flink内置了为解决单点故障问题的高可用性服务模块，此模块是基于Apache ZooKeeper技术实现的，Apache ZooKeeper是一种可靠的、交互式的、分布式协调服务组件。

2、Flink能够更方便地升级、迁移、暂停、恢复应用服务

支持关键业务服务的流应用程序是需要维护的。bug需要修复和改进，或开发新功能。然而，更新一个有状态流应用程序并不是简单的事。通常不能简单地停止应用程序并重新启动修复或改进的版本，因为不能失去当前流应用程序的状态信息。

Flink的保存点是一个独特而强大的特性，它解决了升级服务过程中记录流应用状态信息及其相关难题。保存点是应用程序状态的一致快照，因此非常类似于检查点。然而，与检查点相比，保存点需要手动触发，并且在应用程序停止时不会自动删除。保存点可用于启动状态兼容的应用程序并初始化其状态。保存点可以实现以下功能:

• Application Evolution(便于升级应用服务版本): Savepoint 常在应用版本升级时使用，当前应用的新版本更新升级时，可以根据上一个版本程序记录的 Savepoint 内的服务状态信息来重启服务。它也可能会使用更早的 Savepoint 还原点来重启服务，以便于修复由于有缺陷的程序版本导致的不正确的程序运行结果。
• Cluster Migration(方便集群服务移植): 通过使用 Savepoint，流服务应用可以自由的在不同集群中迁移部署。
• Flink Version Updates(方便Flink版本升级): 通过使用 Savepoint，可以使应用服务在升级Flink时，更加安全便捷。
• Application Scaling(增加应用并行服务的扩展性): Savepoint 也常在增加或减少应用服务集群的并行度时使用。
• A/B Tests and What-If Scenarios(便于A/B测试及假设分析场景对比结果): 通过把同一应用在使用不同版本的应用程序，基于同一个 Savepoint 还原点启动服务时，可以测试对比2个或多个版本程序的性能及服务质量。
• Pause and Resume(暂停和恢复服务): 一个应用服务可以在新建一个 Savepoint 后再停止服务，以便于后面任何时间点再根据这个实时刷新的 Savepoint 还原点进行恢复服务。
• Archiving(归档服务): Savepoint 还提供还原点的归档服务，以便于用户能够指定时间点的 Savepoint 的服务数据进行重置应用服务的状态，进行恢复服务。

3、监控和控制应用服务

如其它应用服务一样，持续运行的流应用服务也需要监控及集成到一些基础设施资源管理服务中，例如一个组件的监控服务及日志服务等。监控服务有助于预测问题并提前做出反应，日志服务提供日志记录能够帮助追踪、调查、分析故障发生的根本原因。最后，便捷易用的访问控制应用服务运行的接口也是Flink的一个重要的亮点特征。

• Web UI: Flink提供了一个web UI来观察、监视和调试正在运行的应用服务。并且还可以执行或取消组件或任务的执行。
• Logging:Flink实现了流行的slf4j日志接口，并与日志框架log4j或logback集成。
• REST API: Flink提供多种REST API接口，有提交新应用程序、获取正在运行的应用程序的Savepoint服务信息、取消应用服务等接口。REST API还提供元数据信息和已采集的运行中或完成后的应用服务的指标信息。