第一章 Flink简介

第一章 Flink简介

前言

大家好, 我是上白书妖!

知识源于积累,登峰造极源于自律

今天我根据以前所以学的一些文献,笔记等资料整理出一些小知识点,有不当之处,欢迎各位斧正

Flink简介

Flink 是一种流式计算框架,Flink其中一半是java语言开发的,另一半是scala语言开发的;spark的源码是scala语言开发的.

推荐一些博客

Apache Flink 官网 https://flink.apache.org/

Apache Flink GitHub 开源地址 https://github.com/apache/flink

https://blog.csdn.net/liguohuabigdata/category_7279020.html

http://www.54tianzhisheng.cn/2020/08/09/flink-zsxq/

一. 初识Flink

ZhiSheng的Flink简介,讲的一目了然
      Flink起源于Stratosphere项目，Stratosphere是在2010~2014年由3所地处柏林的大学和欧洲的一些其他的大学共同进行的研究项目，2014年4月Stratosphere的代码被复制并捐赠给了Apache软件基金会，参加这个孵化项目的初始成员是Stratosphere系统的核心开发人员，2014年12月，Flink一跃成为Apache软件基金会的顶级项目。
在德语中，Flink一词表示快速和灵巧，项目采用一只松鼠的彩色图案作为logo，这不仅是因为松鼠具有快速和灵巧的特点，还因为柏林的松鼠有一种迷人的红棕色，而Flink的松鼠logo拥有可爱的尾巴，尾巴的颜色与Apache软件基金会的logo颜色相呼应，也就是说，这是一只Apache风格的松鼠。
 
 

 

 

上面三张图转自 云邪 成都站 《Flink 技术介绍与未来展望》，侵删。

 
       Flink项目的理念是：“Apache Flink是为分布式、高性能、随时可用以及准确的流处理应用程序打造的开源流处理框架”。
       Apache Flink是一个框架和分布式处理引擎，用于对无界和有界数据流进行有状态计算。Flink被设计在所有常见的集群环境中运行，以内存执行速度和任意规模来执行计算。
 

 

上白书妖补充图示理解:

二. Flink的重要特点

 

   ① 事件驱动型(Event-driven)

              事件驱动型就是来一条数据立马计算不等待的.

上白书妖补充图示理解:

 
      事件驱动型应用是一类具有状态的应用，它从一个或多个事件流(数据源)提取数据(其实就是他可以从多个源中读取数据)，并根据到来的事件触发计算(就是来一条数据立马计算不等待(计算是根据业务来的,可以做聚合计算等))、状态更新或其他外部动作。比较典型的就是以kafka为代表的消息队列几乎都是事件驱动型应用。
与之不同的就是SparkStreaming微批次，如图：

      事件驱动型：

 

   ② 事件驱动型应用的优势？

        事件驱动型应用无须查询远程数据库，本地数据访问使得它具有更高的吞吐和更低的延迟。而由于定期向远程持久化存储的 checkpoint(检查点)(状态) 工作可以异步、增量式完成，因此对于正常事件处理的影响甚微。事件驱动型应用的优势不仅限于本地数据访问。传统分层架构下，通常多个应用会共享同一个数据库，因而任何对数据库自身的更改（例如：由应用更新或服务扩容导致数据布局发生改变）都需要谨慎协调。反观事件驱动型应用，由于只需考虑自身数据，因此在更改数据表示或服务扩容时所需的协调工作将大大减少.

 

三.流与批的世界观

     有界和无界分别对应的就是批处理和流处理
批处理(就是所谓的有界数据)的特点是有界、持久、大量，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(就是所谓的无界数据)的特点是无界、实时, 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。
      在spark的世界观中，一切都是由批次组成的，离线数据是一个大批次，而实时数据是由一个一个无限的小批次组成的。
而在flink的世界观中，一切都是由流组成的，离线数据是有界限的流，实时数据是一个没有界限的流，这就是所谓的有界流和无界流。
     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，可以在执行任何计算之前通过获取所有数据来处理有界流，处理有界流不需要有序获取，因为可以始终对有界数据集进行排序，有界流的处理也称为批处理。
 

 
上白书妖补充图示理解:

 

四.Flink 整体结构

五.Flink 数据流编程模型分层API

对于我们学flink来说,我们三层都必须得会,经常用到的是中间那层DataStream API

        Flink他本质上把批量的数据和流数据都看成是流了,所以他本质上是流处理,所以他也可以做批处理,他和spark相反,spark把所有的数据都看成是批处理了,但是spark也是可以做流处理的
 
       记住: DataStream API做流处理,流处理是无界的 DataSetAPI是做批处理是有界的
 

 

 
上白书妖补充图示理解:

	分层API是Flink根据抽象程度,提供的三种不同的API,所谓抽象程度就是看你封装的程度,如果你不怎么封装,那就是底层的API,稍微封装一下就叫中间的API,封装的很厉害就叫高级API.

 
        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。
 
        目前Flink作为批处理还不是主流，不如Spark成熟，所以DataSet使用的并不是很多。Flink Table API和Flink SQL也并不完善，大多都由各大厂商自己定制。所以我们主要学习DataStream API的使用。实际上Flink作为最接近Google DataFlow模型的实现，是流批统一的观点，所以基本上使用DataStream就可以了。
 
        Flink几大模块
              1. Flink Table & SQL
              2. Flink Gelly(图计算)
              3. Flink CEP(复杂事件处理)

 

结束寄语： 知识源于积累,登峰造极源于自律