Flink知识点概述

flink是什么

      是一个框架和分布式处理引擎，在无边界和有边界数据流上纪念性有状态的计算 

主要特性

1.批流统一

          批处理：数据 

全部访问完成后进行操作

                       有界、持久、大量，适合访问全套记录才能完成的工作，一般用于 

离线统计

          流处理： 

来一条数据处理一条数据

                       无界、实时，不需要操作整个系统 

          无界流(Datastream)：只有开始，没有结束，要以特定的顺序获取，并且获取后立即处理 

          有界流(DataSet)：开始结束都有，数据全部获取后执行， 

可以被排序

2.性能卓越

          高吞吐：同时处理大量数据 

            低延时：快速返回结果 

3.规模计算

          支持超大状态与增量检查点机制 

            状态：计算过程中需要存储的数据 

            检查机制：备份 

4.生态兼容

              支持与yarn集成 

              支持与kubernetes集成 

              支持单机模式运行 

5.高容错

              故障自动重试 

                      一致性检查点 

                      保证故障场景下精确一次的状态一致性 

并行度

              一个算子的子任务的个数被称为其并行度 

              包含并行任务的数据流，就是并行数据流 

              一个流程序的并行度，可以认为就是其所有算子中最大的并行度 

设置并行度

   stream.map(word -> Tuple2.of(word, 1L)). 

setParallelism(2)

   或 

    

env.setParallelism(2)

窗口分类

1）按照驱动分类

                  （1）时间窗口：时间定义起始 

                  （2）计数窗口：达到指定个数 

2）按照窗口分配数据的规则分类

                  （1）滚动窗口 

                                          窗口内大小相同，不会有重叠，首尾相连 如：123，456，789 

                  （2）滑动窗口 

                                          窗口内大小相同，有重叠，首尾不相连 如：123，234，345 

                  （3）会话窗口：基于时间定义 

                                          会话超时时间，两个会话窗口之间的最小距离，窗口长度、起始时间不确定，窗口之间无关联，不重叠 

                  （4）全局窗口：窗口没结束时，不会做触发计算 

窗口API

1）按键分区(Keyed Windows)

                      stream.keyBy(...).window(...) 

2)非按键分区（Non-Keyed Windows）

stream.windowAll(...)

代码中窗口API的调用

          窗口操作主要有两个部分：窗口分配器（Window Assigners）和窗口函数（Window Functions）。 

            stream.keyBy(<key selector>)
                            .window(<window assigner>)
                            .aggregate(<window function>)

时间窗口

              时间窗口的计算频次 

              时间窗口的大小 

              时间窗口内的数据的处理逻辑 

时间窗口计算模型的处理机制

输入数据流----------->时间窗口计算----------->输出数据流

时间语义

      事件时间(Event Time)：数据产生的时间 

      处理时间(Processing Time)：数据真正被处理的时间 

      进入Flink的时间：(Ingestion Time):每个事件将进入Flink时的时间作为时间戳 

      时间语义： 

是以事件时间还是处理时间进行计算

// TODO 1.指定窗口分配器： 指定 用 哪一种窗口 --- 时间 or 计数？ 滚动、滑动、会话？

// 1.1 没有keyby的窗口： 窗口内的 所有数据 进入同一个 子任务，并行度值只能为1

//sensorDS.windowAll();

// 1.2 有keyby的窗口()

//sensorKS.window();每个key上都定义了一组窗口，各自独立地进行统计计算

//sensorKS.window();

基于时间

滚动窗口，窗口长度10秒

sensorKS.window(TumblingProcessingTimeWindows.of(Time.seconds(10)));

滑动窗口，长度10秒，步长2秒

sensorKS.window(SlidingProcessingTimeWindows.of(Time.seconds(10),Time.seconds(2)));

会话窗口，超过五秒没数据，自动生成新的窗口

sensorKS.window(ProcessingTimeSessionWindows.withGap(Time.seconds(5)));

基于计数 数据条数

窗口长度为5

sensorKS.countWindow(5);

窗口长度为5 步长2

sensorKS.countWindow(5,2);

全局窗口 计数窗口底层用这个 需自定义触发器使用

                    sensorKS.window(GlobalWindows.create())

水位线(Watermark)(水印)

      衡量事件时间进展的标记 

水位线特性

              是插入到数据流中的一个 

标记，可以认为是一个
特殊的数据

              主要内容是一个时间戳， 

表示当前事件时间的进展

基于数据的时间戳生成的

              必须 

单调递增

              设置 

延迟，保证正确
处理乱序数据

一个水位线watermark(t) ,表示当前流中事件时间已达到时间戳，表示t之前的所有数据已到齐，不会有t1<=t

        有序流中的水位线：按生成的先后顺序进入流中，每条数据产生一个水位线 

                                      数据量大时，每隔一段时间生成一个水位线 

        乱序流中的水位线：因网络传输延迟，使顺序改变 

                                      判断是否比前面的小，小则进入，否则进入新的