大数据Flink学习系列文章——初识Flink

这是一套完整详细且持续更新的Flink系列教程、文档，旨在帮助开发者快速融入Flink开发，或作为工具文档参阅。

Flink笔记01－－初识Flink

1、前言

这将是一套持续更新的、完整的原创Flink系列学习文档，主要参考Flink官方文档，包含各种实例详解、运行原理的讲解，旨在帮助开发者快速学习Flink，或作为工具文档参阅。学习者需要有基础的大数据知识，熟悉Hadoop、Spark。

2、Flink简介

Apache Flink® — Stateful Computations over Data Streams

这段话是官网对Flink做的概况性描述：Flink是在流式数据上进行有状态的计算。

Apache Flink是一个分布式大数据处理引擎，可以对有限数据流和无限数据流进行有状态计算。可部署在各种集群环境，对各种规模的数据进行快速计算。

3、Flink历史

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。

在国外一些社区，有很多人将大数据的计算引擎分成了 4 代。也有很多人不会认同，这里先姑且这么认为和讨论。

第一代的计算引擎，毫无疑问就是MapReduce。它将计算分为两个阶段，分别为 Map 和 Reduce。对于应用来说，需要想方设法将应用拆分成多个map、reduce的作业，以完成一个完整的算法。由于这样的弊端，催生了支持 DAG 框架的产生。

支持 DAG 的框架被划分为第二代计算引擎，以 Tez为代表。

接下来就是以 Spark 为代表的第三代的计算引擎。第三代计算引擎的出现，促进了上层应用快速发展，例如各种迭代计算的性能以及对流计算和 SQL 等的支持。

Flink 的诞生就被归在了第四代。这应该主要表现在 Flink 对流计算的支持，以及更一步的实时性上面。当然 Flink 也可以支持 Batch 的任务，以及 DAG 的运算。

Flink在2008年就是柏林理工大学的一个研究项目，比Spark还要早一年。但是开源运作和商业上要比spark慢很多，14年才成为Apache孵化项目，可谓起了个大早，赶了个晚集。Flink主要面向流处理，如果说Spark是批处理界的王者，那么Flink就是流处理领域的冉冉升起的新星。在Flink之前，不乏流式处理引擎，比较著名的有Storm、Spark Streaming，但某些特性远不如Flink。

2019年初阿里巴巴集团以9000万欧元的价格收购了总部位于柏林的初创公司Data Artisans。

4、Flink特点

• 支持高吞吐、低延迟、高性能的流式数据处理，而不是用批处理模拟流式处理
• 支持多种时间窗口，如事件时间窗口、处理时间窗口
• 支持exactly-once语义
• 具有轻量级容错机制
• 同时支持批处理和流处理
• 在JVM层实现内存优化与管理
• 支持迭代计算
• 支持程序自动优化
• 不仅提供流式处理API，批处理API，还提供了基于这两层API的高层的数据处理库

5、Flink与其他流式处理框架的对比

目前主流的流数据处理框架有：Storm、Spark Streaming、Flink。

• Storm：支持低延迟，但很难实现高吞吐，不能保证 exactly-once；
• Sparking Streaming ：利用微批处理实现的流处理(将连续事件的流数据分割成一系列微小的批量作业)。能够实现 exactly-once 语义，但不可能做到完全实时(毕竟还是批处理，不过还是能达到几秒甚至几亚秒的延迟)；
• Flink：实时流处理，支持低延迟、高吞吐、exactly-once 语义、有状态的计算、基于事件时间的处理。相对来说，Flink实现了真正的流处理，并且做到了低延迟、高吞吐 和 exactly-once 语义；同时还支持有状态的计算(即使在发生故障时也能准确的处理计算状态) 和 基于事件时间的处理。

 

实时框架的选择：

1. 流数据是否需要进行状态管理
2. At-least-once 或者 Exectly-once消息投递模式是否有特殊要求
3. 需要低延迟的应用场景，建议使用storm
4. 如果批处理中使用了Spark，秒级的处理延迟满足业务需求，建议使用Spark Streaming
5. 要求消息投递语义为 Exactly Once 的场景；数据量大；高吞吐、低延迟的业务场景；需要进行状态管理或窗口统计的场景，建议使用Flink