flink这个框架在逐步变为流处理的主流。本文，我们将针对flink性能调优讲四种不同的方法。加浪尖微信 158570986，拉入大数据微信交流群。
使用flink tuples
当使用groupby，join，后者key这类算子的时候，FLink提供了很多种访问你key的方法。
1. 使用key selector
第三种方法虽然给了最好的性能，但是可读性很差。比如，我们的代码有可能写成下面这样：
重利用flink对象
使用函数注解
另外一个优化Flink任务的方法是提供一些关于你UDF如何处理输入数据的一些信息。由于Flink无法解析和理解代码，因此您可以提供有助于构建更高效执行计划的关键信息。 我们可以使用三种注解：
举个例子，ForwardedFields注解使用如下：
flink还有NotForwardedFieldsFirst,?NotForwardedFieldsSecond,?ReadFieldsFirst, 和?ReadFirldsSecond等注解。
优化join
当Flink处理批量数据的时候，每台机器只是存储了集群的部分数据。为了执行join，Flink需要找到两个数据集的所有满足join条件的数据。为了实现这个目标，Flink需要将两个数据集有相同key的数据发送到同一台机器上。有两种策略：
1. repartition-repartition strategy
在该情况下，两个数据集都会使用key进行重分区并使用通过网络传输。这就意味着假如数据集太大的话，网络传输数据集将耗费大量的时间。
2. broadcast-forward strategy
在该情况下，一个数据集不动，另一个数据集会copy到有第一个数据集部分数据的所有机器上。
如果使用小数据集与大数据集进行join，可以选择broadcast-forward策略，中年服装将小数据集广播，避免代价高的重分区。
也可以使用下面几个提示：
[完 译自https://dzone.com/articles/four-ways-to-optimize-your-flink-applications]
推荐阅读：
从滴滴flinkCEP说起
必读|spark的重分区及排序
基石 | Flink Checkpoint-轻量级分布式快照
更多大数据视频，技术文档，调优，源码解读欢迎扫码加入知识星球
文章来源：https://blog.csdn.net/rlnLo2pNEfx9c/article/details/82455524