站长资讯网What Apache Flink
Apache Flink 是一个==分布式大数据处理引擎==，可对==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==，对各种大小的数据规模进行快速计算。
分布式大数据处理引擎
-
是一个分布式的、高可用的用于大数据处理的计算引擎
有限流和无限流
- 有限流：有始有终的数据流。即传统意义上的批数据，进行批处理
-
无限流：有始无终的数据流。即现实生活中的流数据，进行流处理
有状态计算
-
良好的状态机制，进行较好的容错处理和任务恢复。同时实现 Exactly-Once 语义。
各种集群环境
-
可部署standalone、Flink on yarn、Flink on Mesos、Flink on k8s等等
Flink Application
Streams
数据在真实世界中是不停产生不停发出的，所以数据处理也应该还原真实，做到真正的流处理。而批处理则是流处理的特殊情况
- 即上面说的有限流和无限流，贴官网图说明。
State
在流计算场景中，其实所有流计算本质上都是增量计算（Incremental Processing）。
例如，计算前几个小时或者一直以来的某个指标（PV、UV等），计算完一条数据之后需要保存其计算结果即状态，以便和下一条计算结果合并。
另外，保留计算状态，进行 CheckPoint 可以很好地实现流计算的容错和任务恢复，也可以实现Exactly Once处理语义
Time
三类时间：
- Event Time：事件真实产生的时间
- Processing Time：事件被 Flink 程序处理的时间
- Ingestion Time：事件进入到 Flink 程序的时间
API
API分三层，越接近SQL层，越抽象，灵活性越低，但更简单易用。
- SQL/Table层：直接使用SQL进行数据处理
- DataStream/DataSet API：最核心的API，对流数据进行处理，可在其上实现自定义的WaterMark、Windows、State等操作
- ProcessFunction：也叫RunTime层，最底层的API，带状态的事件驱动。
Flink Architecture
Data Pipeline Applications
即 real-time Stream ETL：流式ETL拆分。
通常，ETL都是通过定时任务调度SQL文件或者MR任务来执行的。在实时ETL场景中，将批量ETL逻辑写到流处理中，分散计算压力和提高计算结果的实时性。
多用于实时数仓、实时搜索引擎等
Data Analytics Applications
即数据分析，包括流式数据分析和批量数据分析。例如实时报表、实时大屏。
Event-driven Applications
即事件驱动应用，在一个有状态的计算过程中，通常情况下都是将状态保存在第三方系统（如Hbase Redis等）中。
而在Flink中，状态是保存在内部程序中，减少了状态存取的不必要的I/O开销，更大吞吐量和更低延时。
第一个 Flink 程序
开发环境要求
主要是Java环境和Maven环境。Java要求JDK1.8，Maven要求3.0以上，开发工具推荐使用 ItelliJ IDEA，社区说法：Eclipse在Java和Scala混合编程下有问题，故不推荐。
代码示例：
package source.streamDataSource; import org.apache.flink.api.common.functions.FlatMapFunction; import org.apache.flink.api.java.tuple.Tuple2; import org.apache.flink.streaming.api.TimeCharacteristic; import org.apache.flink.streaming.api.datastream.DataStream; import org.apache.flink.streaming.api.datastream.DataStreamSource; import org.apache.flink.streaming.api.environment.StreamExecutionEnvironment; import org.apache.flink.streaming.api.windowing.time.Time; import org.apache.flink.util.Collector; public class SocketWindowWordCount { public static void main(String[] args) throws Exception{ if(args.length!=2){ System.err.println("Usage:nSocketWindowWordCount hostname port"); } // 获取程序参数 String hostname = args[0]; int port = Integer.parseInt(args[1]); // 入口类，用于设置环境和参数等 StreamExecutionEnvironment see = StreamExecutionEnvironment.getExecutionEnvironment(); // 设置 Time 类型 see.setStreamTimeCharacteristic(TimeCharacteristic.ProcessingTime); // 从指定 IP 端口 读取流数据，返回一个 DataStreamSource DataStreamSource<String> text = see.socketTextStream(hostname, port, "n", 5); // 在 DataStreamSource 上做操作即 transformation DataStream<Tuple2<String, Integer>> windowCount = text // flatMap , FlatMap接口的实现：将获取到的数据分割，并每个元素组合成 (word, count)形式 .flatMap(new FlatMapFunction<String, Tuple2<String, Integer>>() { @Override public void flatMap(String value, Collector<Tuple2<String, Integer>> collector) throws Exception { for (String word : value.split("\s")) { collector.collect(Tuple2.of(word, 1)); } } }) // 按位置指定key，进行聚合操作 .keyBy(0) // 指定窗口大小 .timeWindow(Time.seconds(5)) // 在每个key上做sum // reduce 和 sum 的实现 // .reduce(new ReduceFunction<Tuple2<String, Integer>>() { // @Override // public Tuple2<String, Integer> reduce(Tuple2<String, Integer> stringIntegerTuple2, Tuple2<String, Integer> t1) throws Exception { // return Tuple2.of(stringIntegerTuple2.f0, stringIntegerTuple2.f1+t1.f1); // } // }); .sum(1); // 一个线程执行 windowCount.print().setParallelism(1); see.execute("Socket Window WordCount"); // 其他 transformation 操作示例 // windowCount // .map(new MapFunction<Tuple2<String,Integer>, String>() { // @Override // public String map(Tuple2<String, Integer> stringIntegerTuple2) throws Exception { // return stringIntegerTuple2.f0; // } // }) // .print(); // // text.filter(new FilterFunction<String>() { // @Override // public boolean filter(String s) throws Exception { // return s.contains("h"); // } // }) // .print(); // // SplitStream<String> split = text.split(new OutputSelector<String>() { // @Override // public Iterable<String> select(String value) { // ArrayList<String> strings = new ArrayList<>(); // if (value.contains("h")) // strings.add("Hadoop"); // else // strings.add("noHadoop"); // return strings; // // } // }); // // split.select("hadoop").print(); // split.select("noHadoop").map(new MapFunction<String, String>() { // @Override // public String map(String s) throws Exception { // // return s.toUpperCase(); // } // }).print(); } }