1 Flink简介

  • Flink 项目的理念是：“Apache Flink 是为分布式、高性能、随时可用以及准确的流处理应用程序打造的开源流处理框架”。
  • Apache Flink 是一个框架和分布式处理引擎，用于对无界和有界数据流进行有状态计算。Flink 被设计在所有常见的集群环境中运行，以内存执行速度和任意规模来执行计算。

2 为什么选择Flink

  1. 流数据更真实地反映生活方式
  2. 传统的数据架构是基于优先数据集

  3. 优点：

    1. 低延迟
    2. 高吞吐
    3. 结果的准确性和良好的容错性

3 数据处理架构

3.1 传统数据处理架构

3.1.1 事务处理

3.1.2 分析处理

  • 先将数据从业务数据库复制到数仓，再进行分析和查询

3.2 流处理

3.2.1 有状态的流式处理

  • 处理过程中在本地设置状态
  • 定时备份存储

3.2.2 事件驱动

  • 事件驱动型应用是一类据由状态的应用，它从一个或多个时间流提取数据，并根据到来的事件触发计算、状态更新或其他外部东顾总。典型是以kafka为代表的休息队列，几乎都是事件驱动型应用。

  • 与事件驱动不同的是SparkStreaming微批次。如图

3.2.3 流vs批

  • 批处理：有界、持久、大量，非常适合需要访问全套记录才能完成的计算工作，一般用于离线计算。
  • 流处理：无界、实时，无需针对整个数据集执行操作，而是通过对系统传输的每个数据执行操作，一般用于实时统计。
  • 在spark的世界观中，一切都是由批次组成的，离线数据是一个大批此，而实时数据是由一个一个五无限的小批次组成的。

  • 在Flink的世界观中，一切都是由流组成的，离线数据是有界限的流，实时数据是一个没有界限的流。

    • 无界数据流：无界数据流有开始但是没有结束，它们不会在生成时终止并提供数据，必须连续处理无界流，必须在获取后立即处理event。对于无界数据流我们无法等待所有数据都到达，因为流入是无界的，并且在任何时间点都不会完成。处理无界数据通常要求以特定顺序获取event，以便能够推断结果的完整性。
    • 有界数据流：游街数据流有明确定义的开始和结束，可以在执行人格计算之前通过获取所有数据来处理有界流，处理有界流不需要有序获取，因为可以始终对有界数据集进行排序，有界流的处理也成为批处理。

3.2.4 Flink vs Spark

3.2.4.1 数据模型

  • spark采用RDD模型，spark streaming的DStream实际上就是一组组小批数据RDD的集合
  • Flink基本数据模型是数据流，以及事件序列（event）

3.2.4.2 运行时架构

  • spark是批计算，将DAG划分为不同的stage，一个完成后才可以计算下一个
  • Flink是标准的流执行模式，一个事件在一个节点处理完后可以直接发往下一个节点进行处理

4 Flink分层API

  • 越顶层越抽象，表达含义越简明，使用越方便
  • 月底层越具体，表达能力越丰富，使用越灵活

4.1 过程函数 ProcessFunction

  • 最底层级的抽象仅仅提供了有状态流，它将通过函数（Process Function）被嵌入到DataStream API中。底层过程函数（Process Function）与DataStream API相集成，使其可以对某些特定的操作进行底层的抽象，它允许用户可以自由地处理来自一个或多个数据流的事件，并使用一致的容错的状态。除此之外，用户可以注册事件事件并处理事件回调，从而使程序可以处理复杂的计算。

4.2 DataStream API

  • 实际上，大多数应用并不需要上述的底层抽象，而是针对核心API进行编程，比如DataStream API(有界或无界流数据)以及DataSet API(有界数据集)。这些API为数据处理提供了通用的构建模块，比如由用户定义的多种形式的转换（transformation）、连接（join）、聚合（aggregations）、窗口操作（windows）等。DataSet API 为有界数据集提供了额外的支持，例如循环与迭代。这些 API处理的数据类型以类（classes）的形式由各自的编程语言所表示。

4.3 SQL/Table API

  • Table API 是以表为中心的声明式编程，其中表可能会动态变化（在表达流数据时）。Table API 遵循（扩展的）关系模型：表有二维数据结构（schema）（类似于关系数据库中的表），同时 API 提供可比较的操作，例如 select、project、join、group-by、aggregate 等。Table API 程序声明式地定义了什么逻辑操作应该执行，而不是准确地确定这些操作代码的看上去如何。
  • 尽管 Table API 可以通过多种类型的用户自定义函数（UDF）进行扩展，其仍不如核心 API 更具表达能力，但是使用起来却更加简洁（代码量更少）。除此之外，Table API 程序在执行之前会经过内置优化器进行优化。你可以在表与 DataStream/DataSet 之间无缝切换，以允许程序将 Table API 与DataStream 以及 DataSet 混合使用。
  • Flink 提供的最高层级的抽象是 SQL 。这一层抽象在语法与表达能力上与Table API 类似，但是是以 SQL 查询表达式的形式表现程序。SQL 抽象与 Table API交互密切，同时 SQL 查询可以直接在 Table API 定义的表上执行。
  • 目前 Flink 作为批处理还不是主流，不如 Spark 成熟，所以 DataSet 使用的并不是很多。Flink Table API 和 Flink SQL 也并不完善，大多都由各大厂商自己定制。所以我们主要学习 DataStream API 的使用。实际上 Flink 作为最接近 Google DataFlow模型的实现，是流批统一的观点，所以基本上使用 DataStream 就可以了。

  • Flink 几大模块

    • Flink Table & SQL(还没开发完)
    • Flink Gelly(图计算)
    • Flink CEP(复杂事件处理)
Last modification：March 31st, 2020 at 07:40 pm
© 允许规范转载