【Flink】面试题精简版（持续更新）

作为大数据领域炙手可热的大数据组件，Flink作为大数据行业跳槽必问的组件，整理一些Flink相关的面试题供大家参考，有些题言简意赅即可，大多数的博客冗余一堆的知识点，看完要好久，我想帮大家提炼总结出核心的点，以帮助大家临阵磨枪，短时间掌握，当你把知识提炼出来，你会发现你的知识进步了，当你把简单提炼的知识再用自己的语言详细的说出来，那你就成为很厉害的人了，希望帮助大家收获到自己满意的offer。

1、Flink和Spark Streaming有什么区别

1、Flink 是实时处理引擎，基于事件驱动。而 Spark Streaming 是微批（Micro-Batch）的模型。（根本区别，一定要说出来）

2、时间机制:Spark Streaming只支持处理时间。 Flink支持处理时间、事件时间、注入时间。同时也支持watermark来处理滞后数据。

3、容错机制:Spark Streaming 通过checkpoint实现数据不丢失，但无法做到恰好一次处理语义。Flink 则使用两阶段提交协议和checkpoint实现精准一次处理，容错性好

2、Flink的编程模型

Source 数据输入
Transformation 中间转换
sink 数据输出

3、Flink如何设置并行度（括号里说出来就是真正用过的而不是光背答案）

详细知识在：

1、系统层面（flink客户端的配置yml文件中设置）

2、客户端层面（提交flink run -p的时候设置）

3、执行环境层面（构建Flink环境时getExecutionEnvironment.setParallelism(2)设置）

4、算子层面（算子.setParallelism(3),实际算子时设置）

优先级算子设置>执行环境>客户端>系统

（实际业务中通常设置和kafka分区数一样或者kafka分区倍数的并行度）

4、Flink的Slot和parallelism区别

slot是指单个taskmanager并发执行能力，parallelism指的是所有taskmanager的并发能力

5、Flink重启策略有哪些（括号里说出来就是真正用过的而不是光背答案）

详细知识在：Flink故障恢复和重启策略_一杯咖啡半杯糖的博客-CSDN博客_flink故障恢复

固定延迟重启策略
故障率重启策略
没有重启策略
Fallback重启策略（默认是这个Fallback重启策略）

6、Flink分区策略(9种)

详细知识在：Flink 分区策略_一杯咖啡半杯糖的博客-CSDN博客_flink的分区策略

GlobalPartitioner （数据发到下游算子的第一个实例）

ShufflePartitioner（ 数据随机分发到下游算子）

RebalancePartitioner （数据循环发送到下游的实例）

RescalePartitioner （根据上下游算子的并行度，循环输出到下游算子）

BroadcastPartitioner （输出到下游算子的每个实例中）

ForwardPartitioner （上下游算子并行度一样）

KeyGroupStreamPartitioner (按 Key 的 Hash 值输出到下游算子)

CustomPartitionerWrapper (用户自定义分区器)

BinaryHashPartitioner (对BinaryRowData这种数据进行hash分区)

（实际使用在算子后加分区器）

7、Flink状态存储在哪里？

详细的看​​​​​​Flink状态后端（1.13版本之前适用）_一杯咖啡半杯糖的博客-CSDN博客

Flink状态后端（1.13版本及大于1.13版本适用）_一杯咖啡半杯糖的博客-CSDN博客

存在状态后端

1.13版本之前

MemoryStateBackend 开发时使用
FsStateBackend 生产时使用，常用
RocksDBStateBackend 生产时使用，非常大的状态时用

1.13版本之后

HashMapStateBackend 相当于MemoryStateBackend和FsStateBackend，根据api不同
EmbeddedRocksDBStateBackend 生产时使用，非常大的状态时用

8、Flink中的时间有哪几类？（括号里说出来就是真正用过的而不是光背答案）

事件时间(event time)：数据本身真正产生时间，（生产环境中用这个）
摄取时间(ingestion time)： Flink 读取数据时的时间
处理时间(processing time)： Flink中算子处理数据的时间

9、你们公司怎么提交的实时任务？（括号里说出来就是真正用过的而不是光背答案）

flink提交有几种模式

yarn-session模式

Application模式

Per-Job模式（生产中一般用这个，因为不论是监控还是提交都很方便，一个任务yarn分配一次）

关于内存分配的内容详见Flink的jobmanager到底设置多少内存为好_一杯咖啡半杯糖的博客-CSDN博客

Flink的taskmanager到底设置多少内存为好_一杯咖啡半杯糖的博客-CSDN博客

10、Flink的watermark？（括号里说出来就是真正用过的而不是光背答案）

Watermark 是Flink处理乱序事件的机制，基于事件时间，通常用来触发窗口计算
watermark 可以理解一个特殊的数据，插入到流里面
watermark也可以表示为 当前时间戳-设置的延迟时间，
（假如窗口是12点到12点05，最大延迟时间1min，
假如来了条数据是12点07，，那水印就是12点07-1min为12点06 > 12点05，就可以出发上面的窗口进行计算了）

11、Flink集群有的角色及其作用？

TaskManager：实际执行计算，与TaskManager状态的传递
JobManager：任务和资源管理，管理TaskManager，协调Checkpoints，故障恢复
Client客户端：与jobmanager交互并把任务提交到集群

12、Flink如何容错（重要，面试很频繁）

更多细节及理解请看Flink如何实现容错_一杯咖啡半杯糖的博客-CSDN博客

通过Checkpoint（基于ABS算法）实现容错
具体过程如下
1、JobManager定期向source发送Checkpoint的请求（由代码中的Checkpoint配置决定），向下游发送CheckpointBarrier
2、每个计算算子收到CheckpointBarrier，进行Barrier对齐，对齐后存储Checkpoint到状态后端，
3、sink节点Barrier对齐后，多个sink确认下Checkpoint是否正常，如果正常JobManager确定本次Checkpoint结束
4、中途失败只需要拿取前面的Checkpoint重新计算，进行恢复

13、Flink 的运行中必须依靠 Hadoop组件吗？

Flink可以不依赖Hadoop组件执行，例如可以跑单机版（但是实际生产环境使用通常是提交flink到yarn上运行，生产是需要hadoop组件的）

14、Flink 资源管理中 Task Slot 的概念

更多细节及理解请看Flink的Slot概念_一杯咖啡半杯糖的博客-CSDN博客

Slot决定了单个TaskManager并发执行能力（TaskManager 中的不同slot不会CPU隔离，也不会在运行时相互竞争Flink托管内存 ，而是一开始就瓜分了Flink托管内存）

15、Flink 的状态

Flink状态分为两个

1、Keyed State（键控状态）

2、Operator State （算子状态）

（实际生产中通常使用Keyed State中的ValueState、MapState）