一. Flink的引入

        這幾年大數(shù)據(jù)的飛速發(fā)展，出現(xiàn)了很多熱門的開源社區(qū)，其中著名的有 Hadoop、Storm，以及后來的 Spark，他們都有著各自專注的應(yīng)用場景。Spark 掀開了內(nèi)存計算的先河，也以內(nèi)存為賭注，贏得了內(nèi)存計算的飛速發(fā)展。Spark 的火熱或多或少的掩蓋了其他分布式計算的系統(tǒng)身影。就像 Flink，也就在這個時候默默的發(fā)展著。

在國外一些社區(qū)，有很多人將大數(shù)據(jù)的計算引擎分成了 4 代，當然，也有很多人不會認同。我們先姑且這么認為和討論。

首先第一代的計算引擎，無疑就是 Hadoop 承載的 MapReduce。這里大家應(yīng)該都不會對 MapReduce 陌生，它將計算分為兩個階段，分別為 Map 和 Reduce。對于上層應(yīng)用來說，就不得不想方設(shè)法去拆分算法，甚至于不得不在上層應(yīng)用實現(xiàn)多個 Job 的串聯(lián)，以完成一個完整的算法，例如迭代計算。

由于這樣的弊端，催生了支持 DAG 框架的產(chǎn)生。因此，支持 DAG 的框架被劃分為第二代計算引擎。如 Tez 以及更上層的 Oozie。這里我們不去細究各種 DAG 實現(xiàn)之間的區(qū)別，不過對于當時的 Tez 和 Oozie 來說，大多還是批處理的任務(wù)。

接下來就是以 Spark 為代表的第三代的計算引擎。第三代計算引擎的特點主要是 Job 內(nèi)部的 DAG 支持（不跨越 Job），以及強調(diào)的實時計算。在這里，很多人也會認為第三代計算引擎也能夠很好的運行批處理的 Job。

隨著第三代計算引擎的出現(xiàn)，促進了上層應(yīng)用快速發(fā)展，例如各種迭代計算的性能以及對流計算和 SQL 等的支持。Flink 的誕生就被歸在了第四代。這應(yīng)該主要表現(xiàn)在 Flink 對流計算的支持，以及更一步的實時性上面。當然 Flink 也可以支持 Batch 的任務(wù)，以及 DAG 的運算。

二. Flink簡介

Apache Flink是一個框架和分布式處理引擎，用于對無界和有界數(shù)據(jù)流進行有狀態(tài)計算。Flink設(shè)計為在所有常見的集群環(huán)境中運行，以內(nèi)存速度和任何規(guī)模執(zhí)行計算。

1.無界流和有界流

任何類型的數(shù)據(jù)都是作為事件流產(chǎn)生的。信用卡交易，傳感器測量，機器日志或網(wǎng)站或移動應(yīng)用程序上的用戶交互，所有這些數(shù)據(jù)都作為流生成。

數(shù)據(jù)可以作為無界或有界流處理。

1. 無界流有一個開始但沒有定義的結(jié)束。它們不會在生成時終止并提供數(shù)據(jù)。必須持續(xù)處理無界流，即必須在攝取事件后立即處理事件。無法等待所有輸入數(shù)據(jù)到達，因為輸入是無界的，并且在任何時間點都不會完成。處理無界數(shù)據(jù)通常要求以特定順序（例如事件發(fā)生的順序）攝取事件，以便能夠推斷結(jié)果完整性。

2. 有界流具有定義的開始和結(jié)束。可以在執(zhí)行任何計算之前通過攝取所有數(shù)據(jù)來處理有界流。處理有界流不需要有序攝取，因為可以始終對有界數(shù)據(jù)集進行排序。有界流的處理也稱為批處理。

Apache Flink擅長處理無界和有界數(shù)據(jù)集。精確控制時間和狀態(tài)使Flink的運行時能夠在無界流上運行任何類型的應(yīng)用程序。有界流由算法和數(shù)據(jù)結(jié)構(gòu)內(nèi)部處理，這些算法和數(shù)據(jù)結(jié)構(gòu)專門針對固定大小的數(shù)據(jù)集而設(shè)計，從而產(chǎn)生出色的性能。

2.隨處部署應(yīng)用程序

Apache Flink是一個分布式系統(tǒng)，需要計算資源才能執(zhí)行應(yīng)用程序。Flink與所有常見的集群資源管理器（如Hadoop YARN，Apache Mesos和Kubernetes）集成，但也可以設(shè)置為作為獨立集群運行。

Flink旨在很好地適用于之前列出的每個資源管理器。這是通過特定于資源管理器的部署模式實現(xiàn)的，這些模式允許Flink以其慣用的方式與每個資源管理器進行交互。

部署Flink應(yīng)用程序時，F(xiàn)link會根據(jù)應(yīng)用程序配置的并行性自動識別所需資源，并從資源管理器請求它們。如果發(fā)生故障，F(xiàn)link會通過請求新資源來替換發(fā)生故障的容器。提交或控制應(yīng)用程序的所有通信都通過REST調(diào)用進行。這簡化了Flink在許多環(huán)境中的集成。

3.以任何比例運行應(yīng)用程序

Flink旨在以任何規(guī)模運行有狀態(tài)流應(yīng)用程序。應(yīng)用程序可以并行化為數(shù)千個在集群中分布和同時執(zhí)行的任務(wù)。因此，應(yīng)用程序可以利用幾乎無限量的CPU，主內(nèi)存，磁盤和網(wǎng)絡(luò)IO。而且，F(xiàn)link可以輕松維護非常大的應(yīng)用程序狀態(tài)。其異步和增量檢查點算法確保對處理延遲的影響最小，同時保證一次性狀態(tài)一致性。

用戶報告了在其生產(chǎn)環(huán)境中運行的Flink應(yīng)用程序的可擴展性數(shù)字令人印象深刻，例如

• 應(yīng)用程序每天處理數(shù)萬億個事件，
• 應(yīng)用程序維護多個TB的狀態(tài)，以及
• 應(yīng)用程序在數(shù)千個內(nèi)核的運行。

4.利用內(nèi)存中的性能

有狀態(tài)Flink應(yīng)用程序針對本地狀態(tài)訪問進行了優(yōu)化。任務(wù)狀態(tài)始終保留在內(nèi)存中，或者，如果狀態(tài)大小超過可用內(nèi)存，則保存在訪問高效的磁盤上數(shù)據(jù)結(jié)構(gòu)中。因此，任務(wù)通過訪問本地（通常是內(nèi)存中）狀態(tài)來執(zhí)行所有計算，從而產(chǎn)生非常低的處理延遲。Flink通過定期和異步檢查本地狀態(tài)到持久存儲來保證在出現(xiàn)故障時的一次狀態(tài)一致性。

5.Flink的架構(gòu)

    Flink 可以支持本地的快速迭代，以及一些環(huán)形的迭代任務(wù)。并且 Flink 可以定制化內(nèi)存管理。在這點，如果要對比 Flink 和 Spark 的話，F(xiàn)link 并沒有將內(nèi)存完全交給應(yīng)用層。這也是為什么 Spark 相對于 Flink，更容易出現(xiàn) OOM 的原因（out of memory）。就框架本身與應(yīng)用場景來說，F(xiàn)link 更相似與 Storm。如果之前了解過 Storm 或者 Flume 的讀者，可能會更容易理解 Flink 的架構(gòu)和很多概念。下面讓我們先來看下 Flink 的架構(gòu)圖。

我們可以了解到 Flink 幾個最基礎(chǔ)的概念，Client、JobManager 和 TaskManager。Client 用來提交任務(wù)給 JobManager，JobManager 分發(fā)任務(wù)給 TaskManager 去執(zhí)行，然后 TaskManager 會心跳的匯報任務(wù)狀態(tài)?？吹竭@里，有的人應(yīng)該已經(jīng)有種回到 Hadoop 一代的錯覺。確實，從架構(gòu)圖去看，JobManager 很像當年的 JobTracker，TaskManager 也很像當年的 TaskTracker。然而有一個最重要的區(qū)別就是 TaskManager 之間是是流（Stream）。其次，Hadoop 一代中，只有 Map 和 Reduce 之間的 Shuffle，而對 Flink 而言，可能是很多級，并且在 TaskManager 內(nèi)部和 TaskManager 之間都會有數(shù)據(jù)傳遞，而不像 Hadoop，是固定的 Map 到 Reduce。

三. Flink技術(shù)特點

1. 流處理特性

• 支持高吞吐、低延遲、高性能的流處理
• 支持帶有事件時間的窗口（Window）操作
• 支持有狀態(tài)計算的Exactly-once語義
• 支持高度靈活的窗口（Window）操作，支持基于time、count、session，以及data-driven的窗口操作
• 支持具有Backpressure功能的持續(xù)流模型
• 支持基于輕量級分布式快照（Snapshot）實現(xiàn)的容錯
• 一個運行時同時支持Batch on Streaming處理和Streaming處理
• Flink在JVM內(nèi)部實現(xiàn)了自己的內(nèi)存管理
• 支持迭代計算
• 支持程序自動優(yōu)化：避免特定情況下Shuffle、排序等昂貴操作，中間結(jié)果有必要進行緩存

2. API支持

• 對Streaming數(shù)據(jù)類應(yīng)用，提供DataStream API
• 對批處理類應(yīng)用，提供DataSet API（支持Java/Scala）

3. Libraries支持

• 支持機器學習（FlinkML）
• 支持圖分析（Gelly）
• 支持關(guān)系數(shù)據(jù)處理（Table）
• 支持復雜事件處理（CEP）

4. 整合支持

• 支持Flink on YARN
• 支持HDFS
• 支持來自Kafka的輸入數(shù)據(jù)
• 支持Apache HBase
• 支持Hadoop程序
• 支持Tachyon
• 支持ElasticSearch
• 支持RabbitMQ
• 支持Apache Storm
• 支持S3
• 支持XtreemFS

5. Flink生態(tài)圈

Flink 首先支持了 Scala 和 Java 的 API，Python 也正在測試中。Flink 通過 Gelly 支持了圖操作，還有機器學習的 FlinkML。Table 是一種接口化的 SQL 支持，也就是 API 支持，而不是文本化的 SQL 解析和執(zhí)行。對于完整的 Stack 我們可以參考下圖。

     Flink 為了更廣泛的支持大數(shù)據(jù)的生態(tài)圈，其下也實現(xiàn)了很多 Connector 的子項目。最熟悉的，當然就是與 Hadoop HDFS 集成。其次，F(xiàn)link 也宣布支持了 Tachyon、S3 以及 MapRFS。不過對于 Tachyon 以及 S3 的支持，都是通過 Hadoop HDFS 這層包裝實現(xiàn)的，也就是說要使用 Tachyon 和 S3，就必須有 Hadoop，而且要更改 Hadoop 的配置（core-site.xml）。如果瀏覽 Flink 的代碼目錄，我們就會看到更多 Connector 項目，例如 Flume 和 Kafka。

四. Flink的編程模型

Flink提供不同級別的抽象來開發(fā)流/批處理應(yīng)用程序。