【Flink】数据流编程模型

抽象层次

flink提供不同级别的抽象来开发流/批处理应用程序。

• 最低级抽象只提供有状态流。它通过 Process Function嵌入到DataStream中。它允许用户自由处理来自一个或多个流的事件，并使用一致的容错状态。此外，用户可以注册事件时间和处理时间回调，允许程序实现复杂的计算。

• 实际上，大多数应用程序不需要上述低级抽象，而是针对Core API编程，如DataStream API（有界/无界流）和DataSet API（有界数据集）。这些流畅的API提供了用于数据处理的通用构建块，例如各种形式的用户指定的转换，连接，聚合，窗口，状态等。在这些API中处理的数据类型在相应的表示为类。

  低级Process Function和DataStream API集成，因此只能对某些算子操作进行低级抽象，该数据集API提供的有限数据集的其他原语，如循环/迭代。

• 该Table API是为中心的声明性DSL表，其可被动态地改变的表（表示流时）。该Table API遵循（扩展）关系模型：表有一个模式连接（类似于在关系数据库中的表）和API提供可比的算子操作，如选择，项目，连接，分组依据，聚合等Table API程序以声明方式定义应该执行的逻辑算子操作，而不是准确指定算子操作代码的外观。虽然Table API可以通过各种类型的用户定义函数进行扩展，但它的表现力不如Core API，但使用更简洁。此外，Table API程序还会通过优化程序，在执行之前应用优化规则。

  可以在表和DataStream / DataSet 之间无缝转换，允许程序混合Table API以及DataStream 和 DataSet API。

• Flink提供最高级抽象是SQL。这种抽象在语义和表达方面类似于Table API,但是将程序表示为SQL查询表达式。在SQL抽象与Table API紧密地相互作用，和SQL查询可以通过定义表来执行Table API。

程序和数据流

Flink 程序的基本构建块是流和转换。
从概念上将，流是数据记录流，而转换是将一个或多个流作为一个或多个流的算子操作。输入，并产生一个或多个输出流。

执行时，flink程序映射到流数据流，由流和转换算子组成。每个数据流都以一个或多个源开头，并以一个或多个接收器结束。数据流类似于任意有向无环图（DAG）。尽管通过迭代结构允许特殊形式的循环，但为了简单起见，我们将在大多数情况下对此进行掩饰。

通常，程序中的转换与数据流中的算子之间存在一对一的对应关系。但是，有时一个转换可能包含多个转换算子。

并行数据流

Flink中的程序本质上是并行和分布式的。在执行期间，流具有一个或多个流分区，并且每个算子具有一个或多个算子子任务。算子子任务彼此独立，并且可以再不同的线程中执行，并且可能在不同的机器或容器上执行。

算子子任务的数量是该特定算子的并行度。流的并行性始终是其生成算子的并行性。同一程序的不同算子可能具有不同的并行级别。

流可以以一对一（或转发）模式或以重新分发模式在两个算子之间传输数据：

• 一对一流（例如，在上图中的Source 和 map（）算子之间）保存数据元的分区和排序。这意味着map（）算子的subtask[1]将以与Source算子的subtask[1]生成的顺序相同的顺序看到数据元。

• 重新分配流（在上面的map()和keyBy/ window之间，以及keyBy/ window 和 sink之间）重新分配流。每个算子子任务将数据发送到不同的目标子任务，具体取决于所选的转换。实例是keyBy() （其通过三列keys重新分区），广播（），或rebalance（）（其重新分区随机地）。在重新分配交换中，数据元之间的排序仅保存在每对发送和接受子任务中（例如，map（）的subTask[1]和 subTask[2])。因此，在此示例中，保存了每个Keys内的排序，单并行性却是引入了关于不同keys的聚合结果到达接收器的顺序的非确定性。

窗口

聚合时间（计数、总和）在流上的工作方式和批处理的方式不同。例如，不可能计算流中的所有数据元，因为流通常是无限的（无界）。相反，流上的聚合（计算、总和等）由窗口限定，例如“在最后5分钟内计数”或“最后100数据元的总和”。

windows可以是事件驱动的（例如：30s）或数据驱动的（例如：每100个数据元）。一个典型地区分不同类型的窗口，例如翻滚窗口（没有重叠），滑动窗口（具有重叠）和会话窗口（由不活动的间隙打断)。

时间

当在流程序中引用时间（例如定义窗口）时，可以参考不同的时间概念：

• 事件时间是创建事件的时间。它通常由事件中的时间戳描述，例如由生产传感器或生产服务附加。flink通过时间戳分配器访问事件时间戳。
• 摄取时间是时间源算子处输入flink数据流的时间
• 处理时间是执行基于时间的算子操作的每个算子的本地时间。
  

有状态的算子操作
虽然数据流中的许多算子操作知识一次查看一个单独的事件，单某些算子操作会记住多个事件的信息。这些算子操作成为有状态。

状态算子操作的状态保持在可以被认为是嵌入式K/V存储状态中。状态被分区并严格地与有状态算子读取的流一起分发。因此，只有在keyBy（）函数之后才能在被key化的数据流上访问K/V状态，并且限制为与当前事件的建相关联的值。对齐流和状态的Keys可确保所有状态更新都是本地算子操作。从而保证一致性而无需事物开销。此对齐还允许Flink重新分配状态并透明地调整所流分区。

容错检查点

Flink使用流重放和检查点的组合实现容错。检查点与每个输入流中的特定点以及每个算子的对应状态相关。通过恢复算子的状态并从检查点重放事件，可以从检查点恢复流数据流，同时保持一致性。

检查点间隔是在执行期间用恢复时间（需要重放的事件的数量）来折中容错开销的手段。

流处理批处理

Flink执行批处理程序作为流程序的特殊情况，其中流是有界的（有限数量的数据元）。一个数据集在内部视为数据流。因此，上述概念以相同的方式应用于批处理程序，并且它们适用于流程序，除了少数例外；

• 批处理程序的容错不适用检查点。通过完全重放流来恢复。这是可能的，因为输入有限。这会使成本更多地用于恢复，但使常规处理更便宜，因为它避免了检查点。
• DataSet API中的有状态算子操作使用简化的内存/核外数据结构，而不是K/Vs索引。
• DataSet API引入了特殊的同步（超级步骤）迭代，这些迭代只能在有界流上进行。