漫谈Flink

Flink是什么？

Flink是一个框架，是一个用于有限（bounded）或者无限（unbounded）数据流上进行有状态计算的分布式处理引擎。

处理框架

Flink的软件栈如图一所示，其核心是distributed dataflow engine用于执行数据流处理程序。Flink运行时程序是一个通过有状态的算子连接的数据流的有向无环图（DAG），对上提供有限数据流的DataSet API和无限数据流的DataStream API。

如图二所示，Flink集群包含三类角色，client、JobManager和TaskManager。client将数据处理程序转换为DAG图并提交到JobManager。JobManager协调程序的执行，并跟踪每一个算子的状态以实现故障恢复。TaskManager从JobManager处接收需要部署的Task，负责具体数据处理程序的执行，一个TaskManager执行一个或者多个算子处理数据流，并将状态上报至JobManager。

这里的算子就是一个独立数据处理程序，常用的有map、flatmap、keyBY、sum、Apply、reduce、window等。其中，map和flatMap的区别是map是一对一的映射，既一个输入对应一个输出。faltMap是一对多映射，一个输入对应0个或者多个输出。

通过上述论述，Flink程序的实质就是用多个算子组合在一起形成一个有向无环图，理解了这一点flink的程序就不难理解了。下面有个简单的例子：

简单示例

Time

在Flink中定义了三种时间概念，分别是Event Time，Ingestion Time和Processing Time。

Processing Time顾名思义就是处理收到事件的系统时间，由于它不需要要数据流和处理机器间的时间协调，所以具备最低的延迟。但是，在分布式和异步的环境下，Processing Time不能提供确定性，因为它容易受到事件到达Flink系统的速度、事件在Flink系统内操作流动的速度以及中断的影响。

Event Time是事件发生时间，一般指的是数据本身携带的时间戳。Event Time 程序必须指定如何生成 Event Time 水印，这是表示 Event Time 进度的机制。理想的情况是，无论事件什么时候到达或者其怎么排序，最后处理Event Time将产生完全一致和确定的结果。但是，实际上除非事件按照已知顺序（按照事件的时间）到达，否则处理 Event Time 时将会因为要等待一些无序事件而产生延迟。由于Flink程序只能等待一段有限的时间，因此就难以保证处理Event Time将产生完全一致和确定的结果。

Ingestion Time是事件进入flink系统的时间。Ingestion Time 程序无法处理任何无序事件或延迟数据，但程序不必指定如何生成水印。在 Flink 中，Ingestion Time 与 Event Time 非常相似，但 Ingestion Time 具有自动分配时间戳和自动生成水印功能。

三个时间之间的关系通过一张图可以形象的显示出来：

参考

Apache Flink: Stream and Batch Processing in a Single Engine

https://ci.apache.org/projects/flink/flink-docs-stable/dev/event_time.html

https://segmentfault.com/a/1190000017874211