1. 为什么要学 Flink

在 18 年时，就听说过 Flink 流式计算引擎，是阿里调研选型选择的新一代大数据框计算架，当时就记住了这个新框架。

由于工作中，常写的还是业务开发，没有系统的去学习它，恰好在今年，我们的数据增长越来越快，架构师提出可以根据数据进行加工，通过数据分析得到更多指标性的计算结果，提供更多有价值的业务给用户。

于是规划了基于以下的系统架构：

可以看到，业务数据库与数据分析进行了剥离，避免了对核心业务的影响，基于数据分析的结果存储到线下备份库，查询大量的分析结果也不会影响核心业务。

同时，在数据处理上，选择了 Flink 这个分布式处理引擎。随着深入的调研和了解，从它的描述、性能、接口编程和容错恢复上进行了学习，觉得它十分适合我们的场景，所以接下来我分享一下调研的结果~

2. 官网介绍

“

Apache Flink 是什么？Apache Flink 是一个框架和分布式处理引擎，用于在无边界和有边界数据流上进行有状态的计算。Flink 能在所有常见集群环境中运行，并能以内存速度和任意规模进行计算。

官网也有中文版的文档，但是翻译的并不是很全面，经常跳转到英文博文，这里推荐一个国内网站 https://ververica.cn/，上面的翻译和技术分享都十分的棒，一开始就看英文文档还是比较吃力的，所以可以先从国内牛人的分享中学习起来~

基础语义

基础语义很重要，高层语法都是基础基础语义加工的，所以需要对它们有个了解，这里推荐的是 ververica 中的介绍：

1. 流 Stream

从上图中看出，分为 有界（bounded） 和 无界（unbounded） 数据流。二者的区别在于无限数据流的数据会随着时间的推演而持续增加，计算持续进行且不存在结束的状态，相对的有限数据流大小固定，计算最终会完成并处于结束的状态。

同样还有 实时 和 历史记录 属性。流中的数据一生成就得到实时处理；另一种可能时效性要求不高，只需要在凌晨统计前一天完整的数据，可以先将数据流持久化到存储系统中，然后再进行批处理。

2. 状态 State

状态是计算过程中的数据信息，在容错恢复和 Checkpoint 中有重要的作用，流计算在本质上是增量处理，因此需要不断查询保持状态；另外，为了保证 Excatly-once 语义，还需要将数据写入到状态中，用来保证在故障发生时，通过保存在状态中的数据，进行恢复，保证一致性；还有持久化存储，能够保证在整个分布式系统运行失败或者挂掉的情况下做到 Exactly-once，这是状态的另一个价值。

3. 时间 Time

分为事件时间（Event Time）、摄入时间（Ingestion Time）、处理时间（Processing Time），Flink 的无限数据流是一个持续的过程，时间是我们判断业务状态是否滞后，数据处理是否及时的重要依据。

事件时间：事件被处理的时间，也就是由机器的系统时间决定。

处理时间：事件发生的时间，一般数据源携带的一个字段，指明事件发生的时间。

摄入时间：时间进入 Flink 的时间，在数据源处，事件将会以当源的操作时间作为时间戳。

三个时间出现的位置在上图的底部，具体的之后会专门讲述~

4. 接口 API

从上往下有三层，分别是 SQL/Table API、DataStream API 和 ProcessFunction，API 的表达能力及业务抽象能力都非常强大，但越接近 SQL 层，表达能力会逐步减弱，抽象能力会增强（由于是基础了解，所以没有对于 SQL API 层深入学习，感兴趣的同学可以深入了解）。

反之， ProessFunction 层 API 的表达能力非常强，可以进行多种灵活方便的操作，但抽象能力也相对越小。

结合上面说的，平时用到最多的是中间 DataStream 这层的 API，后面的内容学习基本也是围绕着它~

架构介绍

来源 https://ververica.cn/developers/flink-basic-tutorial-1-basic-concept/

1. 有界和无界数据流

Flink 具有统一的框架处理有界和无界两种数据流的能力（流处理是无界的，批处理是有界的，给无界的流处理加上窗口 Window 就相当于有界的批处理，由于 API 是一致的，所以算子写完后可以进行复用）

2. 部署灵活

Flink 底层支持多种资源调度器，包括 Yarn、Kubernetes 等。Flink 自身带的 Standalone 的调度器，在部署上也十分灵活。（Standalone 也是我们本地开发常用的模式）

3. 极高的可伸缩性

可伸缩性对于分布式系统十分重要，资源不够可以动态添加节点，分摊压力，资源充足，撤下服务器，减少资源浪费。介绍中说到：阿里巴巴双 11 大屏采用 Flink 处理海量数据，使用过程中测得峰值可达 17 亿/秒。

4. 极致的流式处理性能

Flink 相对于 Storm 最大的特地就是将状态语义完全抽象到框架后只能怪，支持本地状态读取，避免了大量网络 IO，可以极大提升状态存储的性能。

3. 特性和优点

上面是对于 Flink 的定义以及架构上的介绍，下面来看下关于它更具体一点的信息，在官网中，分为了【架构】、【应用】和【运维】三个方面来介绍。

这里不会太深入分析，主要简单介绍它的特性和优点，有个大致的了解，由浅入深，在之后的文章中慢慢加深学习~