带你走入 Flink 的世界

1. 学习 flink 的原因

早在 18 年时，我便听说了

这个流式计算引擎，当时阿里选择它作为新一代大数据计算框架，这一消息给我留下了深刻印象。

由于我平时主要从事业务开发，尚未系统学习

，但今年随着数据量的快速增长，我们的架构师提出了通过数据加工和分析，获取更多指标性结果，为用户提供更有价值的业务。

因此，我们规划了如下的系统架构：

可以看出，业务数据库与数据分析系统已被分离，这样可以避免对核心业务的影响。数据分析的结果存储在线下备份库中，这样即使查询大量分析结果，也不会影响到核心业务。

在数据处理方面，我们选择了

作为分布式处理引擎。经过深入调研和学习，从它的描述、性能、接口编程和容错恢复等方面来看，它非常适合我们的场景。接下来，我将分享我的调研结果。

2. 官网介绍

官网虽然有中文版的文档，但翻译并不完全，经常需要跳转到英文博文。这里推荐一个国内网站 https://www.php.cn/link/7da66e82dc1f8024527341be2df86b9f。

基础语义

基础语义非常重要，高层语法都是基于基础语义构建的，所以需要对它们有所了解。我推荐

中的介绍：

1. 流 Stream

从上图可以看出，数据流分为有界（bounded）和无界（unbounded）两种。有界数据流大小固定，计算最终会完成并结束；无界数据流的数据会随着时间推移持续增加，计算会持续进行且没有结束的状态。

数据流还具有实时和历史记录的属性。实时处理是数据一生成就立即处理；如果时效性要求不高，可以在凌晨统计前一天的完整数据，将数据流持久化到存储系统中，然后进行批处理。

2. 状态 State

状态是计算过程中保存的数据信息，在容错恢复和

中起到重要作用。流计算本质上是增量处理，因此需要不断查询和维护状态。为了保证 语义，还需要将数据写入到状态中，以确保在故障发生时，通过保存在状态中的数据进行恢复，保证一致性。持久化存储则可以在整个分布式系统运行失败或崩溃的情况下，实现 语义，这是状态的另一个重要价值。

3. 时间 Time

时间分为事件时间（Event Time）、摄入时间（Ingestion Time）和处理时间（Processing Time）。对于无界数据流，时间是判断业务状态是否滞后的重要依据。

：指事件被处理的时间，由机器的系统时间决定。

：指事件发生的时间，通常由数据源携带的字段指明。

：指数据进入 的时间，在数据源处以操作时间作为时间戳。

三个时间的具体位置如上图所示，后续会详细讲解。

4. 接口 API

从上到下分为三层：

、 和 。 的表达能力和业务抽象能力都很强，但越接近 层，表达能力会逐步减弱，抽象能力会增强（由于这是基础了解，所以没有深入学习 层，感兴趣的同学可以进一步探索）。

反之，

层的 表达能力非常强，可以进行多种灵活操作，但抽象能力相对较低。

通常，我们最常用的是中间层的

，后续的学习也将围绕它展开。

架构介绍来源于 https://www.php.cn/link/45402d4ff8981a182dcfc4813600961f

1. 有界和无界数据流

具备统一处理有界和无界数据流的能力（流处理是无界的，批处理是有界的，给无界的流处理加上窗口 相当于有界的批处理，由于 一致，算子可以复用）。

2. 部署灵活

底层支持多种资源调度器，包括 、 等。 自带的 调度器在部署上也非常灵活（ 也是本地开发常用的模式）。

3. 极高的可伸缩性

对于分布式系统来说，可伸缩性非常重要。资源不足时可以动态添加节点，分担压力；资源充足时可以撤下服务器，减少资源浪费。阿里巴巴双 11 大屏使用

处理海量数据，测得峰值可达 17 亿/秒。

4. 极致的流式处理性能

相较于 的最大特点是将状态语义完全抽象到框架中，支持本地状态读取，避免了大量网络 ，大大提升了状态存储的性能。

3. 特性和优点

以上是对

的定义和架构介绍，下面是更具体的信息。官网从【架构】、【应用】和【运维】三个方面进行了介绍。

这里不会深入分析，主要简单介绍它的特性和优点，提供一个大致的了解，逐步深入，在后续文章中进一步学习。

处理流程

程序的基本构建块是流和转换。（请注意， 的 中使用的 也是内部流）从概念上讲，流是数据记录流（可能永无止境），而转换是将一个或多个流作为一个操作的操作。一个输入可以产生一个（例如 ）或多个输出流（例如 ）。

上图是数据处理流程，可以看到几个核心组件：

1. 数据源 Source

自带的

中，可以读取以下数据：集合数据（fromCollection）、文件数据（readFile）、网络套接字（socket）以及更多扩展来源（addSource）。更多扩展中可以通过自定义 实现读取更多来源的数据。

图中获取的数据源是

，与其他中间件整合中，也封装了许多方便的方法，调用它们可以更方便地获取数据源的数据。

2. 转换 Transaction

进行数据的转化，对应于文档中的算子

。常见的数据操作有以下：、、、、、（在 1.9 中被标注为 ）、、 等常用操作。

从上图也可以看出，转换的操作可以不止一次，多个算子可以形成

链式调用，然后发挥作用。

3. 存储 Sink

进行数据的存储或发送，对应于文档中的

（既可以连接数据源，也能发送到某个地方存储起来）。

常用的存储

有 、、、、 等。与前面一样，可以通过扩展 进行自定义存储的逻辑。

性能比较

例如与

、 或 进行比较，对比性能的高低。如果选择使用 ，必须比以前的开发更方便且性能更好。

由于之前没有使用过这些大数据框架，所以测评数据可以参考以下两篇文章：

Flink实时计算性能分析 https://www.php.cn/link/9ce60c64ac4510df68537de96631261f Flink 与 Storm 的性能对比 https://www.php.cn/link/87e942236933558e0ea7cd7dee76e9db：

上图的数据源是

，蓝色是 ，橙色是 。在一个分区 情况下， 的吞吐量约为 的 3.2 倍；而在 8 个分区情况下，性能提高到 4.6 倍。

上图采用

作为延迟，可以看出， 的延迟还是比 的要低。

管理方式 JobManager、TaskWorker

上面是官方示意图，阐述了

提交作业的流程，应用程序 、 和 之间的关系。

上面是我对它的理解，我个人认为

大佬写的更加详细，可以参考这篇文章：https://www.php.cn/link/c3a05fe072d3d4f009eccce97c41ca71

高可用 HA、状态恢复

是个老生常谈的话题了，服务难免会遇到无法预测的意外，如何在出现异常情况下快速恢复，继续处理之前的数据，保证一致性，这是个考量服务稳定性的标准。

提供了丰富的状态访问（例如有 、、 等数据类型），以及高效的容错机制，通过存储状态 ，然后通过存储了状态的 和 来帮助应用进行快速恢复。

详细请参考这两篇：

Apache Flink 零基础入门（七）：状态管理及容错机制 https://www.php.cn/link/a1280bb57e980da66d54eb0f20cbb95e Flink状态管理和容错机制介绍 https://www.php.cn/link/c72741e550f08085fefee77a99d9ccb3

真的是非常敬仰发明优秀框架的团队，也非常敬佩每一个为技术做贡献的参与者，所以每次找到相关的资料都跟发现宝藏一样。

下面罗列一下目前找到的资料：

官网：https://www.php.cn/link/c323092e3dc96ec44049c28c7dd27089Github 项目BlinkzhishengwuchongFlinkFlinkFlink` 的社区慢慢从小众走向大众，越来越多人参与。

基础知识点

运行环境如下：

上图是我在学习过程中整理的一些知识点，之后将会根据罗列的知识点慢慢进行梳理和记录。

4. 总结：未来的计算方式

从调研的结果中可以看出，无论从性能、接口编程和容错上，

都是一个不错的计算引擎。 上拥有 1 万多个 ，这么多人支持以及阿里巴巴的大力推广，还有在 2019.09 参加的云栖大会，演讲嘉宾对 的展望：

Apache Flink 已经是非常优秀和成熟的流计算引擎

Apache Flink 已经成为优秀的批处理引擎的挑战者

继续挖掘 Apache Flink 在 OLAP 数据分析领域的潜力，使其成为优秀的数据分析引擎

直觉相信，

的发展前景不错，希望接下来与大家分享和更好的去学习它。

参考资料

Flink 从 0 到 1 学习 —— Apache Flink 介绍

Apache Flink 是什么？

Apache Flink 零基础入门（一&二）：基础概念解析

为什么说流处理即未来？

Apache Flink 零基础入门（七）：状态管理及容错机制

Apache Flink状态管理和容错机制介绍

以上就是带你走入 Flink 的世界的详细内容，更多请关注php中文网其它相关文章！