Flink组件解析

1.什么是flink？

Flink 是一个框架和分布式处理引擎，用于对*和有界数据流进行有
状态计算。
Flink 能够提供毫秒级别的延迟，同时保证了数据处理的低延迟、高吞吐和结果的正确性，还提供 了丰富的时间类型和窗口计算、Exactly-once 语义支持，另外还可以进行状态管理，并提供 了 CEP（复杂事件处理）的支持。

2.Flink 的重要特点？

1. 事件驱动
   事件驱动型应用是一类具有状态的应用，它从一个或多个事件流提取数据，并
   根据到来的事件触发计算、状态更新或其他外部动作。比较典型的就是以 kafka 为
   代表的消息队列几乎都是事件驱动型应用。
   与之不同的就是 SparkStreaming 微批次，如图：
   事件驱动型：
   
2. 基于流的世界观
   批处理的特点是有界、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，一般用于离线统计。
   流处理的特点是*、实时, 无需针对整个数据集执行操作，而是对通过系统
   传输的每个数据项执行操作，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次，而实
   时数据是由一个一个无限的小批次组成的。
   而在 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，这就是所谓的有界流和*流。
   *数据流：*数据流有一个开始但是没有结束，它们不会在生成时终止并
   提供数据，必须连续处理*流，也就是说必须在获取后立即处理 event。对于*
   数据流我们无法等待所有数据都到达，因为输入是*的，并且在任何时间点都不
   会完成。处理*数据通常要求以特定顺序（例如事件发生的顺序）获取 event，以
   便能够推断结果完整性。
   有界数据流：有界数据流有明确定义的开始和结束，可以在执行任何计算之前
   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，有界流的处理也称为批处理。

这种以流为世界观的架构，获得的最大好处就是具有极低的延迟。
3. 分层API

最底层级的抽象仅仅提供了有状态流，它将通过过程函数（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*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
册事件时间并处理时间回调，从而使程序可以处理复杂的计算。
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（Core APIs）
进行编程，比如 DataStream API（有界或*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（transformations），连接（joins），聚合（aggregations），窗口操作（windows）
等等。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。
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。

3.什么是有界流和*流？

• 流处理：*，实时性有要求，只需对经过程序的每条数据进行处理
• 批处理：有界，持久，需要对全部数据进行访问处理；

4.flink的其他特点？

精确一次，低延迟，每秒处理数百万个事件毫秒级延迟，与众多常用存储系统的连接，高可用 动态扩展，实现24小时全天候运行，支持事件事件和处理时间语义

5.flink和sparkStreaming 对比？

• 数据模型
  – spark采用RDD模型，spark streaming的DStream实际上也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(event)序列
• 运行架构
  – spark是批计算，将DAG划分为不用的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

6.spark DAG 如何划分stage？

根据宽依赖进行划分stage

7.flink 运行的组件？

JobManager,TaskManeger,ResourceManager,Dispacher

8.jobmanager 的什么作用？

jobManager的作用：类似spark中的master，负责申请资源，任务分发，任务调度执行，checkpoint的协调执行；可以搭建HA，双master。

9.jobmanager接收到的应用程序包含？

• 作业图(jobGraph)
• 逻辑数据流图(logical dataFlow Graph)
• 打包了所有的类和库
• 其他资源的Jar包

10.taskManager 的什么作用？

类似spark中的worker，负责任务的执行，基于dataflow（spark中的DAG）划分出的task；与jobmanager保持心跳，汇报任务状态。

11.resourceManager的作用？

负责管理任务管理器（taskmanager）的插槽（slot）

12.flink的资源管理器有哪些？

• 自己的resourcemanager
• hdfs的resourcemanager

13.Dispatcher的作用？

可以跨作业运行，它为应用提交提供了rest接口
当一个应用被提交执行时，分发器就会启动并且将应用移交给一个jobmanager

14.任务提交流程

15.taskManager 通过什么控制task数量？

通过配置文件中设置的核数来控制task的数量

16.flink 是否允许任务共享slot？

允许，
默认情况下，flink允许子任务共享slot，即使他们是不同任务的子任务。这样的结果是，一个slot可以保存作业的整个通道
task slot是静态的概念，是指taskmanager具有的并发执行能力

17.flink程序包含那几部分？

== Source,Transformation,Sink ==
Source:负责读取数据源
Transformation:利用各种算子进行处理加工
Sink:负责输出

18.flink 的执行图包含那四部分？

1. StreamGraph
2. JobGraph
3. ExecutionGraph
4. 物理执行图

19.什么是streamgraph？

是根据用户通过Stream API编写的代码生成的最初的图。（用来表示表的拓扑结构）

20.什么是jobgraph？

StreamGraph经过优化后生成，主要的优化为将多个符合条件的节点Chain合在一起作为一个节点。

21.什么是executiongraph？

是jobManager根据JobGraph生成的，是JobGraph的并行化版本，是调度层最核心的数据结构。

22.什么是物理执行图？

是jobManager根据ExecutionGraph对job进行调度后，在各个TaskManager上部署Task后形成的图，并不是一个具体的数据结构。

23.什么是并行度？

一个特定算子的子任务（subtask）的个数被称之为其并行度。

24.什么是stream最大并行度？

一般情况下，一个stream的并行度，可以认为就是其所有算子中最大的并行度。

25.算子的数据传输 2种形式？

1. One-to-one:
   传输模式，相当于soark中不产生shuffle的算子。
2. Redistributing：
   相当于spark中的产生shuffle的算子。

26.flink 的任务链？

Flink采用了一种称为任务链的优化技术，可以再特定条件下减少本地通信的开销。为了满足任务链的要求，必须将两个或者多个算子设为相同的并行度，并且通过本地转发（local forward）的方式进行连接。

27.满足任务链的要求？

并行度相同，并且是one-to-one操作，两个条件缺一不可。

本文地址：https://blog.csdn.net/CH_Axiaobai/article/details/107356953