Flink概述

计算引擎

大数据计算引擎分为离线计算和实时计算，离线计算就是我们通常说的批计算，代表是Hadoop MapReduce、Hive等大数据技术。实时计算也被称作流计算，代表是Storm、Spark Streaming、Flink等大数据技术。

计算引擎也在不断更新迭代，下图展示的是每一代计算引擎的代表，从第一代的Hadoop MapReduce，到第二代的Spark，再到第三代的Flink技术，从批处理到微批，再到真正的流式计算。

 

实时计算

实时计算是相对离线计算的概念，重要是时效性。举个例子，我们知道离线计算通常是天级别的计算任务，比如统计一天的新增用户，商品销量，销售收入等。但是实时计算是只要有事件发生，统计结果就会发生变化，比如有一个新用户注册登录了，那么我们的新增用户数就发生了变化，商品只要新增一个销售，销量就会发生变化，销售收入也会变化。所以实时计算让我们能更及时了解我们的现状，以及根据实时的统计结果做出决策，决策也更加具有时效性。

Flink介绍

Apache Flink是一个开源的流处理框架，应用于分布式、高性能、高可用的数据流应用程序。可以处理有限数据流和无限数据，即能够处理有边界和无边界的数据流。无边界的数据流就是真正意义上的流数据，所以Flink是支持流计算的。有边界的数据流就是批数据，所以也支持批处理的。不过Flink在流处理上的应用比在批处理上的应用更加广泛，统一批处理和流处理也是Flink目标之一。Flink可以部署在各种集群环境，可以对各种大小规模的数据进行快速计算。

随着大数据技术在各行各业的广泛应用，要求能对海量数据进行实时处理的需求越来越多，同时数据处理的业务逻辑也越来越复杂，传统的批处理方式和早期的流式处理框架也越来越难以在延迟性、吞吐量、容错能力以及使用便捷性等方面满足业务日益苛刻的要求。其中流式计算的典型代表是Storm和Flink技术。它们数据处理的延迟都是亚秒级低延迟，但是Flink相比Storm还有其他的一些优势，比如支持exactly once语义，确保数据不会重复。 Storm支持at least once语义，保证数据不会丢失。保证数据不会重复的代价很高，比如数据下游操作属于幂等操作。另外从测试结果来看，Flink在低延迟的基础上还能保证高吞吐，优势明显。

在这种形势下，新型流式处理框架Flink通过创造性地把现代大规模并行处理技术应用到流式处理中来，极大地改善了以前的流式处理框架所存在的问题。

前世今生

诞生于2009年，原来叫StratoSphere，是柏林工业大学的一个研究性项目，早期专注于批计算。2014年孵化出Flink并捐给Apache，2015年Flink开始崭露头角，引起大家注意。它不仅是一个高吞吐，低延迟的计算引擎，同时还提供有状态的计算，支持状态管理，支持强一致性的语义，以及支持EventTime和waterMark 对消息乱序的处理。这也是阿里看上Flink的原因，并决心投入重金研究基于Flink的blink。2016年Flink在阿里得到大规模应用。

Flink特征

1.一切皆为流

事件驱动应用(Event-driven Applications)

2.正确性保证

唯一状态一致性(Exactly-once state consistency)

事件-事件处理(Event-time processing)

高超的最近数据处理(Sophisticated late data handling)

3.多层api

基于流式和批量数据处理的SQL(SQL on Stream & Batch Data)

流水数据API & 数据集API(DataStream API & DataSet API)

处理函数 (时间 & 状态)(ProcessFunction (Time & State))

4.易用性

部署灵活(Flexible deployment)

高可用安装(High-availability setup）

保存点(Savepoints)

5.可扩展性

可扩展架构(Scale-out architecture)

大量状态的支持(Support for very large state)

增量检查点(Incremental checkpointing)

6.高性能

低延迟(Low latency)

高吞吐量(High throughput)

内存计算(In-Memory computing)

Flink优点

支持批处理和流处理。

优雅流畅的支持java和scala。

高吞吐量和低延迟。

支持事件处理和无序处理通过SataStream API，基于DataFlow数据流模型。

在不同的时间语义(事件时间，摄取时间、处理时间)下支持灵活的窗口(时间，滑动、 翻滚，会话，自定义触发器)。

仅处理一次的容错担保，通过event time & watermarker。

自动背压机制，下游对上游的反压。

图处理(批) 机器学习(批) 复杂事件处理(流)。

在dataSet(批处理)API中内置支持迭代程序(BSP)。

高效的自定义内存管理，和健壮的切换能力在in-memory和out-of-core中。

兼容hadoop的mapreduce和storm。

集成YARN,HDFS,Hbase 和其它hadoop生态系统的组件，丰富的connector。

Flink模型

Flink提供不同级别的抽象来开发流/批处理应用程序。

 

最低级的抽象接口是状态化的数据流接口（stateful streaming）。这个接口是通过 ProcessFunction 集成到 DataStream API 中的。该接口允许用户自由的处理来自一个或多个流中的事件，并使用一致的容错状态。另外，用户也可以通过注册 event time 和 processing time 处理回调函数的方法来实现复杂的计算。

大部分程序通常会使用以 DataStream API（有界/无界数据流）、DataSet API（有界数据集）为代表的 Core APIs，并不会使用低级抽象接口。这些API为数据处理提供了大量的通用模块（common building block），包括用户定义的各种各样的变换（transformations）、连接（joins）、聚合（aggregations）、窗口（windows）、状态（state）等等。DataStream API 集成了 low level 处理函数，使得对一些特定的操作提供更低层次的抽象。此外，DataSet API 也为有界数据集提供了一些补充的编程原语，例如循环（loops）、迭代（iterations）等。

Table API 是一种以数据表为核心地声明式 DSL，能够动态地修改表（表示流时）。Table API 的是一种（扩展的）关系型模型：每个都有一个 schema（类似于关系型数据库中的表结构），API也提供以下操作： select，project，join，group by，aggregate等。Table API 程序定义的是应该执行什么样的逻辑操作，而不是直接准确地指定程序代码运行的具体步骤。尽管 Table API 可以通过各式各样的自定义函数进行扩展，但是它在表达能力上仍然比不上 Core APIs，不过在使用上更简练（可以减少很多代码）。此外，Table API 程序在运行之前也会使用一个优化器对程序进行优化。用户可以在 tables 与 DataStream/DataSet 之间进行无缝切换，程序也可以混合使用 Table API 和 DataStream/DataSet APIs。

Flink 提供的最高级接口是 SQL。这个层次的抽象接口和 Table API 非常相似，包括语法和接口的表现能力，唯一的区别是通过 SQL 查询语言实现程序。SQL 抽象接口和 Table API 的交互非常紧密，而且 SQL 查询也可以在 Table API 中定义的表上执行。

应用类型

 

1.实时BI

对于淘宝和考拉这种电商场景，有着海量的在线交易和用户数据，实时计算不同维度的数据统计数据对于指导运营有很大的帮助。

实时BI系统的流程：在线服务系统和数据库会产生大量的日志数据，通过日志收集工具采集到消息队列比如Kafka，FlinkJob实时读取处理这些数据，然后将各种统计结果实时写到Mysql或者Hbase中，通过可视化技术，运营用户可从DashBoard中实时看到各个维度的统计分析结果。

最直观的例子就是双十一的实时GMV成交额，大屏实时显示最新的销售总额，看似一个简单的数据，背后需要Flink平稳、精准的计算。

2.实时数仓

离线计算阶段，数据仓库都是非实时的，通常是天级别或者小时级别的ETL作业，通过MapReduce，将数据进行批处理，将数据load到hive分区表。但是离线建立的数据，时间上具有延迟性，按天级别任务的ETL，只能到第二天才能对前一天的数据进行查询和计算。如果希望可以查询到实时数据，实时的ETL就显的尤为必要。

通过Flink，可以实时将数据进行处理，load到Hive表，从而实现实时数仓的搭建，数据实时可查询。

3.在线模型

传统的离线机器学习需要T+1的分析用户的历史行为，训练模型，第二天上线，但是用户的需求和预期可能已经发生了改变，因此模型的实时性就显得尤为重要。我们知道，机器学习的特征一般都是通过复杂计算得到的，所以提取特征需要大量的计算任务。FlinkJob通过实时的日志，根据需求提取需要的特征，并在线上使用最新的特征和结果数据，增量训练模型，从而达到在线机器学习的目的。

在线模型的计算更加密集和复杂，而这些正是Flink的优势所在。通过在线学习，模型也会更加实时，可以给用户带来更好的使用体验。

4.实时监控

监控系统一般采集的数据量都是巨大的，通过参数的一些阈值设定，实时报警，Flink在这类场景中也有应用。通过用户的实时行为数据，可以做到实时监控。比如广告系统的实时反作弊，美团、招商等运营活动的实时反薅羊毛都是实时计算的案例，Flink在其中也能发挥巨大的价值。

Flink未来

Flink会进行批计算的突破、流处理和批处理无缝切换、界限越来越模糊、甚至混合。

Flink会开发更多语言支持。

Flink会逐步完善Machine Learning 算法库，同时 Flink 也会向更成熟的机器学习、深度学习去集成(比如Tensorflow On Flink)。