第二章.Flink 基本架构

2.1 JobManager 与 TaskManager

Flink 运行时包含了两种类型的处理器：
JobManager 处理器：也称之为 Master，用于协调分布式执行，它们用来调度 task，
协调检查点，协调失败时恢复等。Flink 运行时至少存在一个 master 处理器，如果配
置高可用模式则会存在多个 master 处理器，它们其中有一个是 leader，而其他的都
是 standby。
TaskManager 处理器：也称之为 Worker，用于执行一个 dataflow 的 task(或者
特殊的 subtask)、数据缓冲和 data stream 的交换，Flink 运行时至少会存在一个 worker
处理器。

微信截图_20190523110858.png

Master 和 Worker 处理器可以直接在物理机上启动，或者通过像 YARN 这样的
资源调度框架。
Worker 连接到 Master，告知自身的可用性进而获得任务分配。

2.2 无界数据流与有界数据流

Flink 用于处理有界和无界数据：
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，无界流的处理称为流处理。
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。

微信截图_20190523111102.png

在无界数据流和有界数据流中我们提到了批处理和流处理，这是大数据处理系
统中常见的两种数据处理方式。
批处理的特点是有界、持久、大量，批处理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。流处理的特点是无界、实时，流处理方式无需 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 生态体系中，对于批处理和流处理采用了不同的技术框架，批处理由
SparkSQL 实现，流处理由 Spark Streaming 实现，这也是大部分框架采用的策略，
使用独立的处理器实现批处理和流处理，而 Flink 可以同时实现批处理和流处理。
Flink 是如何同时实现批处理与流处理的呢？答案是，Flink 将批处理（即处理 有限的静态数据）视作一种特殊的流处理。
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， 它能够基于同一个 Flink 运行时(Flink Runtime)，提供支持流处理和批处理两种类 型应用的功能。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，因为它们要实现的目标 是完全不相同的： 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，所以在实现的时候通常
是分别给出两套实现方法，或者通过一个独立的开源框架来实现其中每一种处理方
案。例如，实现批处理的开源方案有 MapReduce、Tez、Crunch、Spark，实现流处
理的开源方案有 Samza、Storm。
Flink 在实现流处理和批处理时，与传统的一些方案完全不同，它从另一个视角
看待流处理和批处理，将二者统一起来：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是无界的；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。基于同一个 Flink 运行时(Flink Runtime)，分别提供了流处
理和批处理 API，而这两种 API 也是实现上层面向流处理、批处理类型应用框架的
基础。

2.3 数据流编程模型

Flink 提供了不同级别的抽象，以开发流或批处理作业，如下图所示：

微信截图_20190523112120.png

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 以表为中心，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。