Flink高频面试题（基础篇）

1.看你用了Flink，简单介绍一下Flink？

Flink是一个实时计算框架，他和spark都是流批一体计算框架，flink提供了有界流和无界流的计算，有界流其实就是flink认为数据是流式的为大多数情况，批量的为小部分情况，也就是说数据有边界叫有界流，数据没有边界叫无界流，也就是无限实时生成的数据。

flink主要对外的API有 DataSet API、DataStream API、Table API

图计算、机器学习。对外提供了有java 和scala、python两种语言接口。

2. Flink 和Spark Streaming的区别有哪些呢？

1、设计思想不同，flink认为批是流的一种，spark认为流式批的一种。

2、架构模型上的不同，spark有Driver、Master、Worker、Executor。flink有TaskManager、JobManager、Task、SubTask、Slot的这些概念

3、Flink的流式数据处理比spark要强很多，例如时间支持三种时间

窗口也比spark要多

4、在数据乱序的情况下，Flink比spark要强，因为flink有watermark，其实运行的时候的计算方法就是 最后一次数据的时间-watermaker如果大于窗口结束时间，就执行

5、对于容错来说，flink也会比spark 要强一点，例如flink支持二阶段事务可以保证程序宕机之后的数据不会重复消费问题，spark也有checkpoint但是只是保证数据不丢失，不能保证是不是重复消费。

3. Flink组件栈有哪些

1、部署模式可以有Local、Cluster、Cloud

2、然后基于Runtime组件进行所有的基础服务

3、上层提供了DataStream API 还有DataSet API

4、在高层级有Table API 、CEP复杂世家才能护理、ML机器学习、图计算

4. Flink需要依赖于Hadoop吗？

Flink可以完全独立于Hadoop，在不依赖Hadoop组件下运行，但是作为大数据的基础，可想而知，这是大部分大数据框架都绕不开的。Flink可以支持很多组件，例如Yarn的资源调度、Hbase的实时数据存储和维表存取、HDFS的状态存储和离线计算等等。

5. 你们FLink集群规模有多大？

这个就根据自己公司的情况就可以了，大部分公司都是采用的yarn模式的部署，当然yarn也有多种模式部署，例如按照单job的，或者直接在yarn申请一大块资源，来负责job的提交，大部分的公司的选择，应该都是单job模式。

6. Flink编程模型是什么？

其实就一句话，就是 Source->Transformation->Sink*

7. Flink集群有哪些角色？都有那些作用？

Flink程序在运行时主要有TaskManager、JobManager、Client三种角色。

JobManager 在集群中处于一个管理者Master的角色，它是整个集群的协调者，负责接收Flink Job的执行情况，协调checkpoint，故障恢复，管理Task Manager。

TaskManager 是负责管理器所在节点上的资源信息，如内存、磁盘、网络，在启动的时候会会将资源向JobManager进行汇报。

Client 是Flink程序提交的客户端，当用户提交一个Flink程序的时候，会首先创建一个Client。然后就会对用户提交的程序进行预处理，并且提交到集群进行处理。

8. TaskSolt是什么？

在Flink的架构中，TaskManager是实际用来执行我们的程序的工作节点，TaskManager是一个JVM进程，其实为了起到资源隔离和，并行执行的一个概念，这个时候就提出了TaskSlot的概念，其实就是为了控制TaskManager能接收多少个Task，TaskManager通过tasksolt来进行控制的，也就是假如我们有个source指定三个并行度，那么他就要用三个solt，还有一个需要主要的就是当算子并行度相同的时候，并且没有发生并行度改变，或者没有shuffle，这个时候他们会在一起，这个是一个优化的概念。

9. Flink常用的算子有那些？

• Map算子
• Filter算子
• KeyBy算子
• Window窗口

10. Flink的并行度是什么？Flink的并行度设置是怎么样的？

其实Flink的并行度很好理解，例如kafkaSource，他的并行度默认就是他的分区数量。并行度就是这个算子，需要多少的tasksolt，我们应该知道就是并行计算的优势。一般并行度是根据自己的数据量来进行设置的，source最好和map这些没有shuffle的算子一直，因为source 和map这些算子压力并不是很大，但是对于我们数据表拉宽的时候，最好可以设大一点。

11. Flink的Solt 和并行度有什么关系？

Solt是TaskManager中的概念，并行度是程序中的概念，也就是执行层面的概念，其实就是Solt是规定这个TaskManager有多少个槽，能支持多少并行度，但是程序制定的并行度使用的是槽也就是Solt，也就是说，TaskManager是提供方，程序是使用方

12. Flink假如遇到程序异常重启怎么办？

Flink有一些重启策略，并且只要做了checkpoint那么就可以做到最少一次，当然不一定可以做到精确一次，但是有些组件是可以做到的。一般设置的重启策略就是固定延迟重启策略，重启不删除checkpoint，一般我们公司设置的重启次数为4次，如果停止了，我们会发钉钉告警，启动的时候从checkpoint来进行启动。

13. Flink的分布式缓存

Flink实现的分布式缓存和Hadoop差不多。目的就是在本地读取文件，然后把它放到taskmanager节点里面，防止task重复拉取数据，降低性能。

14. Flink中的广播变量

我们知道Flink是并行的，计算过程可能不在一个 Slot 中进行，那么有一种情况即：当我们需要访问同一份数据。那么Flink中的广播变量就是为了解决这种情况。我们可以把广播变量理解为是一个公共的共享变量，我们可以把一个dataset 数据集广播出去，然后不同的task在节点上都能够获取到，这个数据在每个节点上只会存在一份。

15. Flink中的窗口有哪些你知道吗？

Flink支持两种划分窗口的方式，按照time和count。session也是一种时间

Tumbing Count Window： 当达到一定条数的时候执行计算，无折叠

Sliding Time Window： 当达到一定时间后，进行翻滚，可以有重叠，一般用来计算近期，例如近5分钟这样的需求。

Tumbing time Window： 当达到一定时间后的，进行滑动，可以联想到以前用的诺基亚的滑盖手机，这个其实就是微批

Sliding Count Window： 当达到一定数量后进行滑动

**Session Window：**窗口数据没有固定的大小，根据用户传入的参数进行划分，窗口数据无叠加。类似于当用户退出的时候，计算这个用户之前的动作。

16. Flink的状态存储？

Flink在做计算的过程中经常需要存储中间状态，来避免数据的丢失，以及异常状态恢复。选择状态存储策略不同，会影响JobManager和Subtask中的状态交互，也就是JobManager会和State进行交互，来进行状态的存储。

Flink提供了三种状态存储：

• MemoryStateBackend
• FsSateBackend
• RocksDBStateBackend

17. Flink中的时间有哪几种？

1、事件时间：事件真实发生的时间

2、摄入时间：进入flink的时间

3、处理时间：进入flink算子的时间

18. Flink中的Watermark是什么？

Watermark是Flink用来处理乱序时间的一种操作，其实在flink中，假如我们用的是事件时间，并且采取的是kafka的source，那么这个时候的窗口执行时间就是各个分区中，最小的那个分区来进行触发的，并且每个分区都要进行触发，才会执行计算，这个是为什呢？其实是因为kafka分区间无序。分区内有序。执行时间就是最大的时间减去watermark>窗口结束时间，这个时候才会执行计算。

因为个人能力有限，不当的地方，还请不吝指正！