Apache Flink概述

Apache Flink概述

Apache Flink 是开源的分布式引擎，用于对无界限（流）和有界限（批处理）数据集进行有状态处理。

流处理应用程序旨在连续运行，最大限度地减少停机时间，并在摄取数据期间对其进行处理。

Apache Flink 专为低延迟处理、在内存中执行计算、实现高可用性、消除单点故障以及水平扩展而设计。

Apache Flink 的功能包括具有严格一次一致性保证的高级状态管理，以及具有复杂乱序处理和延迟数据处理的事件时间处理语义。

Apache Flink 专为流式传输优先而开发，为流处理和批处理提供了统一的编程接口。

Apache Filnk 四大核心

Apache Flink 构建在四个核心基石之上，它们分别是流处理、时间、状态和快照。

1. 流处理（Streaming）

• 流处理是 Apache Flink 最基础、最核心的能力之一。它指的是对无限数据流的实时处理和分析能力。

• 与批处理不同，流处理系统能够在数据到达时立即处理它们，而不需要等待整个数据集就绪。

• 这种实时处理能力使得 Flink 特别适合处理需要低延迟和实时反馈的应用场景。

（1） 事件驱动处理：

• Flink 是基于事件驱动的处理模型。它能够按照事件发生的顺序处理数据，而不是依赖于固定的批次大小或固定的时间间隔。

• 这种特性使得 Flink 能够处理高度动态的数据流，并根据实际的数据到达情况进行即时响应。

传统应用程序架构和事件驱动应用程序区别：

事件驱动应用基于事件或消息的传递来触发和处理操作。这种应用架构不依赖于同步的请求-响应模式，而是通过异步处理事件来实现。

• 异步处理： 应用程序不需要等待请求的即时响应，而是在事件发生时立即触发相应的处理逻辑。

• 松耦合： 组件之间的通信通过事件传递，这使得系统更加灵活和可扩展。

• 实时性和响应性： 事件驱动应用常用于需要实时处理和快速响应的场景，如实时数据分析、IoT系统等。

传统事务型应用通常遵循请求-响应模式，客户端发起请求，服务器处理请求并返回响应。

• 同步处理： 操作按照顺序执行，每个操作完成后才会进行下一个操作。

• 事务性操作： 应用使用事务来确保数据的原子性、一致性、隔离性和持久性（ACID属性）。

（2）窗口操作：

• Flink 提供了丰富的窗口操作支持，允许用户根据时间、数量或者其他自定义的条件对数据流进行切分和聚合。

• 常见的窗口类型包括滚动窗口（Tumbling Windows）、滑动窗口（Sliding Windows）、会话窗口（Session Windows）等，每种窗口类型都适用于不同的应用场景和数据处理需求。

• Time Window 是根据时间对数据流进行分组的：
• 翻滚时间窗口（Tumbling Time Window）。翻滚窗口能将数据流切分成不重叠的窗口，每一个事件只能属于一个窗口。eg.统计每一分钟中用户购买的商品的总数，需要将用户的行为事件按每一分钟进行切分。
• 滑动时间窗口（Sliding Time Window）,在滑窗中，一个元素可以对应多个窗口。eg.每30秒计算一次最近一分钟用户购买的商品总数。
• Count Window 是根据元素个数对数据流进行分组的：
• 翻滚计数窗口（Tumbling Count Window）,eg.每当窗口中填满100个元素了，就会对窗口进行计算。

这里就先介绍这几种，后面博主会再详细介绍一下窗口机制~

（3） 事件时间和水印：

• 事件时间是 Flink 中一个重要的概念，它允许根据数据流中的实际事件时间来进行数据处理和窗口计算，而不是基于处理数据的系统时间。
• 水印（Watermark）是一种机制，用于处理乱序事件数据，帮助 Flink 在事件时间处理中实现准确性和完整性。
  这里先了解一下，后面博主会再详细介绍~

（4）状态管理：

• 流处理通常涉及到处理有状态的数据，例如需要跟踪某个时间窗口内的累计值或者连接操作的中间状态。

• Flink 提供了强大的状态管理机制，允许开发者在流处理任务中维护和操作状态。
• 这些状态可以持久化到分布式存储中，以确保在发生故障时能够恢复状态并继续处理数据。

（5） Exactly-Once 语义：

• Flink 支持 Exactly-Once 语义，这意味着每条数据都能够精确地被处理一次，不会丢失也不会重复处理。
  

• 这种保证是通过事务性检查点（Transactional Checkpoints）和状态快照（State Snapshots）来实现的，确保了数据处理的准确性和一致性。

（6）分布式流处理：

2. 时间（Time）

• 在 Apache Flink 中，时间是一个重要的概念，特别是在处理实时数据流时。
• Flink 引入了事件时间（Event Time）、处理时间（Processing Time）和摄取时间（Ingestion Time）的概念，用于管理和处理事件数据的时间属性。

• 事件时间允许基于事件发生的实际时间来进行数据处理，而处理时间则是基于处理数据的机器的系统时间，而摄取时间则是基于接收数据的系统时间。

• Flink 的时间概念使得开发者能够精确控制和处理数据的时间特性，从而确保数据处理的准确性和一致性。

3. 状态（State）

• 状态在流处理中是一种持久化存储数据的能力，用于保存和管理处理过程中的中间结果或者关键信息。
• Apache Flink 提供了强大的状态管理机制，允许用户在流处理任务中维护和操作状态。

• 这些状态可以是简单的计数器，也可以是复杂的数据结构，比如聚合结果、窗口信息等。

• 状态的有效管理使得 Flink 能够处理有状态的数据流应用，例如实时数据的聚合、连接、分析等操作。
  

4. 快照（Snapshots）

• 快照是指 Apache Flink 在流处理过程中周期性地创建的分布式状态的一致性备份。

• 快照捕获了当前流处理任务的所有状态信息，包括中间结果、窗口状态等，并保存在持久化存储中（通常是分布式文件系统或者数据库）。
  

• 这种机制保证了在发生故障时能够快速恢复和重启任务，而无需重新处理所有数据。

• 快照也支持 Flink 的 exactly-once 语义，即保证每条数据都能精确地被处理一次，从而确保数据处理的准确性和完整性。
  

欢迎点赞收藏~后续会更新更多干货。