摘要：擴展庫還包括用于復雜事件處理，機器學習，圖形處理和兼容性的專用代碼庫。事件時間機制使得那些事件無序到達甚至延遲到達的數據流能夠計算出精確的結果。負責接受用戶的程序代碼，然后創建數據流，將數據流提交給以便進一步執行。

Flink 是一種流式計算框架，為什么我會接觸到 Flink 呢？因為我目前在負責的是監控平臺的告警部分，負責采集到的監控數據會直接往 kafka 里塞，然后告警這邊需要從 kafka topic 里面實時讀取到監控數據，并將讀取到的監控數據做一些 聚合/轉換/計算 等操作，然后將計算后的結果與告警規則的閾值進行比較，然后做出相應的告警措施（釘釘群、郵件、短信、電話等）。畫了個簡單的圖如下：

目前告警這塊的架構是這樣的結構，剛進公司那會的時候，架構是所有的監控數據直接存在 ElasticSearch 中，然后我們告警是去 ElasticSearch 中搜索我們監控指標需要的數據，幸好 ElasticSearch 的搜索能力夠強大。但是你有沒有發現一個問題，就是所有的監控數據從采集、采集后的數據做一些 計算/轉換/聚合、再通過 Kafka 消息隊列、再存進 ElasticSearch 中，再而去 ElasticSearch 中查找我們的監控數據，然后做出告警策略。整個流程對監控來說看起來很按照常理，但是對于告警來說，如果中間某個環節出了問題，比如 Kafka 消息隊列延遲、監控數據存到 ElasticSearch 中寫入時間較長、你的查詢姿勢寫的不對等原因，這都將導致告警從 ElasticSearch 查到的數據是有延遲的。也許是 30 秒、一分鐘、或者更長，這樣對于告警來說這無疑將導致告警的消息沒有任何的意義。

為什么這么說呢？為什么需要監控告警平臺呢？無非就是希望我們能夠盡早的發現問題，把問題給告警出來，這樣開發和運維人員才能夠及時的處理解決好線上的問題，以免給公司造成巨大的損失。

更何況現在還有更多的公司在做那種提前預警呢！這種又該如何做呢？需要用大數據和機器學習的技術去分析周期性的歷史數據，然后根據這些數據可以整理出來某些監控指標的一些周期性（一天/七天/一月/一季度/一年）走勢圖，這樣就大概可以繪圖出來。然后根據這個走勢圖，可以將當前時間點的監控指標的數據使用量和走勢圖進行對比，在快要達到我們告警規則的閾值時，這時就可以提前告一個預警出來，讓運維提前知道預警，然后提前查找問題，這樣就能夠提早發現問題所在，避免損失，將損失降到最小！當然，這種也是我打算做的，應該可以學到不少東西的。

于是乎，我現在就在接觸流式計算框架 Flink，類似的還有常用的 Spark 等。

自己也接觸了 Flink 一段時間了，這塊中文資料目前書籍是只有一本很薄的，英文書籍也是三本不超過。

我自己整理了些 Flink 的學習資料，目前已經全部放到微信公眾號了。你可以關注我的公眾號：zhisheng，然后回復關鍵字：Flink 即可無條件獲取到。

另外這里也推薦一些博客可以看看：

1、官網：[https://flink.apache.org/]()

2、GitHub: [https://github.com/apache/flink]()

3、[https://blog.csdn.net/column/...]()

4、[https://blog.csdn.net/lmalds/...]()

5、[http://wuchong.me/]()

6、[https://blog.csdn.net/liguohu...]()

下面的介紹可能也有不少參考以上所有的資料，感謝他們！在介紹 Flink 前，我們先看看 數據集類型 和 數據運算模型 的種類。

無窮數據集：無窮的持續集成的數據集合

有界數據集：有限不會改變的數據集合

那么那些常見的無窮數據集有哪些呢？

用戶與客戶端的實時交互數據

應用實時產生的日志

金融市場的實時交易記錄

...

數據運算模型有哪些呢：

流式：只要數據一直在產生，計算就持續地進行

批處理：在預先定義的時間內運行計算，當完成時釋放計算機資源

Flink 它可以處理有界的數據集、也可以處理無界的數據集、它可以流式的處理數據、也可以批量的處理數據。

上面三張圖轉自 云邪 成都站 《Flink 技術介紹與未來展望》，侵刪。

從下至上：

1、部署：Flink 支持本地運行、能在獨立集群或者在被 YARN 或 Mesos 管理的集群上運行， 也能部署在云上。

2、運行：Flink 的核心是分布式流式數據引擎，意味著數據以一次一個事件的形式被處理。

3、API：DataStream、DataSet、Table、SQL API。

4、擴展庫：Flink 還包括用于復雜事件處理，機器學習，圖形處理和 Apache Storm 兼容性的專用代碼庫。

Flink 提供了不同的抽象級別以開發流式或批處理應用。

最底層提供了有狀態流。它將通過 過程函數（Process Function）嵌入到 DataStream API 中。它允許用戶可以自由地處理來自一個或多個流數據的事件，并使用一致、容錯的狀態。除此之外，用戶可以注冊事件時間和處理事件回調，從而使程序可以實現復雜的計算。

DataStream / DataSet API 是 Flink 提供的核心 API ，DataSet 處理有界的數據集，DataStream 處理有界或者無界的數據流。用戶可以通過各種方法（map / flatmap / window / keyby / sum / max / min / avg / join 等）將數據進行轉換 / 計算。

Table API 是以 表 為中心的聲明式 DSL，其中表可能會動態變化（在表達流數據時）。Table API 提供了例如 select、project、join、group-by、aggregate 等操作，使用起來卻更加簡潔（代碼量更少）。

你可以在表與 DataStream/DataSet 之間無縫切換，也允許程序將 Table API 與 DataStream 以及 DataSet 混合使用。

Flink 提供的最高層級的抽象是 SQL 。這一層抽象在語法與表達能力上與 Table API 類似，但是是以 SQL查詢表達式的形式表現程序。SQL 抽象與 Table API 交互密切，同時 SQL 查詢可以直接在 Table API 定義的表上執行。

Flink 應用程序結構就是如上圖所示：

1、Source: 數據源，Flink 在流處理和批處理上的 source 大概有 4 類：基于本地集合的 source、基于文件的 source、基于網絡套接字的 source、自定義的 source。自定義的 source 常見的有 Apache kafka、Amazon Kinesis Streams、RabbitMQ、Twitter Streaming API、Apache NiFi 等，當然你也可以定義自己的 source。

2、Transformation：數據轉換的各種操作，有 Map / FlatMap / Filter / KeyBy / Reduce / Fold / Aggregations / Window / WindowAll / Union / Window join / Split / Select / Project 等，操作很多，可以將數據轉換計算成你想要的數據。

3、Sink：接收器，Flink 將轉換計算后的數據發送的地點 ，你可能需要存儲下來，Flink 常見的 Sink 大概有如下幾類：寫入文件、打印出來、寫入 socket 、自定義的 sink 。自定義的 sink 常見的有 Apache kafka、RabbitMQ、MySQL、ElasticSearch、Apache Cassandra、Hadoop FileSystem 等，同理你也可以定義自己的 sink。

Flink 是一個開源的分布式流式處理框架：

①提供準確的結果，甚至在出現無序或者延遲加載的數據的情況下。

②它是狀態化的容錯的，同時在維護一次完整的的應用狀態時，能無縫修復錯誤。

③大規模運行，在上千個節點運行時有很好的吞吐量和低延遲。

更早的時候，我們討論了數據集類型（有界 vs 無窮）和運算模型（批處理 vs 流式）的匹配。Flink 的流式計算模型啟用了很多功能特性，如狀態管理，處理無序數據，靈活的視窗，這些功能對于得出無窮數據集的精確結果是很重要的。

Flink 保證狀態化計算強一致性。”狀態化“意味著應用可以維護隨著時間推移已經產生的數據聚合或者，并且 Filnk 的檢查點機制在一次失敗的事件中一個應用狀態的強一致性。

Flink 支持流式計算和帶有事件時間語義的視窗。事件時間機制使得那些事件無序到達甚至延遲到達的數據流能夠計算出精確的結果。

除了提供數據驅動的視窗外，Flink 還支持基于時間，計數，session 等的靈活視窗。視窗能夠用靈活的觸發條件定制化從而達到對復雜的流傳輸模式的支持。Flink 的視窗使得模擬真實的創建數據的環境成為可能。

Flink 的容錯能力是輕量級的，允許系統保持高并發，同時在相同時間內提供強一致性保證。Flink 以零數據丟失的方式從故障中恢復，但沒有考慮可靠性和延遲之間的折衷。

Flink 能滿足高并發和低延遲（計算大量數據很快）。下圖顯示了 Apache Flink 與 Apache Storm 在完成流數據清洗的分布式任務的性能對比。

Flink 保存點提供了一個狀態化的版本機制，使得能以無丟失狀態和最短停機時間的方式更新應用或者回退歷史數據。

Flink 被設計成能用上千個點在大規模集群上運行。除了支持獨立集群部署外，Flink 還支持 YARN 和Mesos 方式部署。

Flink 的程序內在是并行和分布式的，數據流可以被分區成 stream partitions，operators 被劃分為operator subtasks; 這些 subtasks 在不同的機器或容器中分不同的線程獨立運行；operator subtasks 的數量在具體的 operator 就是并行計算數，程序不同的 operator 階段可能有不同的并行數；如下圖所示，source operator 的并行數為 2，但最后的 sink operator 為1；

自己的內存管理

Flink 在 JVM 中提供了自己的內存管理，使其獨立于 Java 的默認垃圾收集器。 它通過使用散列，索引，緩存和排序有效地進行內存管理。

豐富的庫

Flink 擁有豐富的庫來進行機器學習，圖形處理，關系數據處理等。 由于其架構，很容易執行復雜的事件處理和警報。

flink 作業提交架構流程可見下圖：

1、Program Code：我們編寫的 Flink 應用程序代碼

2、Job Client：Job Client 不是 Flink 程序執行的內部部分，但它是任務執行的起點。 Job Client 負責接受用戶的程序代碼，然后創建數據流，將數據流提交給 Job Manager 以便進一步執行。 執行完成后，Job Client 將結果返回給用戶

3、Job Manager：主進程（也稱為作業管理器）協調和管理程序的執行。 它的主要職責包括安排任務，管理checkpoint ，故障恢復等。機器集群中至少要有一個 master，master 負責調度 task，協調 checkpoints 和容災，高可用設置的話可以有多個 master，但要保證一個是 leader, 其他是 standby; Job Manager 包含 Actor system、Scheduler、Check pointing 三個重要的組件

4、Task Manager：從 Job Manager 處接收需要部署的 Task。Task Manager 是在 JVM 中的一個或多個線程中執行任務的工作節點。 任務執行的并行性由每個 Task Manager 上可用的任務槽決定。 每個任務代表分配給任務槽的一組資源。 例如，如果 Task Manager 有四個插槽，那么它將為每個插槽分配 25％ 的內存。 可以在任務槽中運行一個或多個線程。 同一插槽中的線程共享相同的 JVM。 同一 JVM 中的任務共享 TCP 連接和心跳消息。Task Manager 的一個 Slot 代表一個可用線程，該線程具有固定的內存，注意 Slot 只對內存隔離，沒有對 CPU 隔離。默認情況下，Flink 允許子任務共享 Slot，即使它們是不同 task 的 subtask，只要它們來自相同的 job。這種共享可以有更好的資源利用率。

本文主要講了我接觸到 Flink 的緣由，然后從數據集類型和數據運算模型開始講起，接著介紹了下 Flink 是什么、Flink 的整體架構、提供的 API、Flink 的優點所在以及 Flink 的分布式作業運行的方式。水文一篇，希望你能夠對 Flink 稍微有一點概念了。

轉載請務必注明原創地址為：http://www.54tianzhisheng.cn/2018/10/13/flink-introduction/

另外我自己整理了些 Flink 的學習資料，目前已經全部放到微信公眾號了。你可以加我的微信：zhisheng_tian，然后回復關鍵字：Flink 即可無條件獲取到。

1、《從0到1學習Flink》—— Apache Flink 介紹

2、《從0到1學習Flink》—— Mac 上搭建 Flink 1.6.0 環境并構建運行簡單程序入門

3、《從0到1學習Flink》—— Flink 配置文件詳解

4、《從0到1學習Flink》—— Data Source 介紹

5、《從0到1學習Flink》—— 如何自定義 Data Source ？

6、《從0到1學習Flink》—— Data Sink 介紹

7、《從0到1學習Flink》—— 如何自定義 Data Sink ？