Question

抽象层次

Flink 提供不同级别的抽象来开发流/批处理应用程序。

• 最低级抽象只提供 有状态流 。它 通过 Process Function 嵌入到 DataStream API 中 。它允许用户自由处理来自一个或多个流的事件，并使用一致的容错 状态 。此外，用户可以注册事件时间和处理时间回调，允许程序实现复杂的计算。
• 实际上，大多数应用程序不需要上述低级抽象，而是针对 Core API 编程， 如 DataStream API （有界/无界流）和 DataSet API （有界数据集）。这些流畅的 API 提供了用于数据处理的通用构建块，例如各种形式的用户指定的转换，连接，聚合，窗口，状态等。在这些 API 中处理的数据类型在相应的编程语言中表示为类。

  低级 Process Function 与 DataStream API 集成，因此只能对某些 算子操作进行低级抽象。该 数据集 API 提供的有限数据集的其他原语，如循环/迭代。

• 该 Table API 是为中心的声明性 DSL 表 ，其可被动态地改变的表（表示流时）。该 Table API 遵循（扩展）关系模型：表有一个模式连接（类似于在关系数据库中的表）和 API 提供可比的 算子操作，如选择，项目，连接，分组依据，聚合等 Table API 程序以声明方式定义 应该执行的逻辑 算子操作， 而不是准确指定 算子操作代码的外观 。虽然 Table API 可以通过各种类型的用户定义函数进行扩展，但它的表现力不如 Core API ，但使用更简洁（编写的代码更少）。此外， Table API 程序还会通过优化程序，在执行之前应用优化规则。

  可以在表和 DataStream / DataSet 之间无缝转换，允许程序混合 Table API 以及 DataStream 和 DataSet API。

• Flink 提供的最高级抽象是 SQL 。这种抽象在语义和表达方面类似于 Table API ，但是将程序表示为 SQL 查询表达式。在 SQL 抽象与 Table API 紧密地相互作用，和 SQL 查询可以通过定义表来执行 Table API 。

程序和数据流

Flink 程序的基本构建块是 流 和 转换 。（请注意，Flink 的 DataSet API 中使用的 DataSet 也是内部流 - 稍后会详细介绍。）从概念上讲， 流 是（可能永无止境的）数据记录流，而 转换 是将一个或多个流作为一个或多个流的 算子操作。输入，并产生一个或多个输出流。

执行时，Flink 程序映射到 流数据流 ，由 流 和转换 算子组成 。每个数据流都以一个或多个 源 开头，并以一个或多个 接收器 结束。数据流类似于任意有 向无环图 （DAG） 。尽管通过 迭代 结构允许特殊形式的循环 ，但为了简单起见，我们将在大多数情况下对此进行掩饰。

通常，程序中的转换与数据流中的 算子之间存在一对一的对应关系。但是，有时一个转换可能包含多个转换 算子。

源流和接收器记录在 流连接器 和 批处理连接器 文档中。 DataStream 算子 和 DataSet 转换 中记录了 转换 。

并行数据流

Flink 中的程序本质上是并行和分布式的。在执行期间， 流 具有一个或多个 流分区 ，并且每个 算子 具有一个或多个 算子子任务 。 算子子任务彼此独立，并且可以在不同的线程中执行，并且可能在不同的机器或容器上执行。

算子子任务的数量是该特定 算子的 并行 度。流的并行性始终是其生成 算子的并行性。同一程序的不同 算子可能具有不同的并行级别。

流可以 以一对一 （或 转发 ）模式或以 重新分发 模式在两个算子之间传输数据：

• 一对一 流（例如，在上图中的 Source 和 map（） 算子之间）保存数据元的分区和排序。这意味着 map（） 算子的 subtask [1] 将以与 Source 算子的 subtask [1]生成的顺序相同的顺序看到相同的数据元。
• 重新分配 流（在上面的 map（） 和 keyBy / window 之间，以及 keyBy / window 和 Sink 之间 ）重新分配流。每个 算子子任务 将数据发送到不同的目标子任务，具体取决于所选的转换。实例是 keyBy（） （其通过散列 Keys 重新分区）， 广播（） ，或 Rebalance （） （其重新分区随机地）。在 重新分配 交换中，数据元之间的排序仅保存在每对发送和接收子任务中（例如， map（）的 子任务[1] 和子任务[2] keyBy / window ）。因此，在此示例中，保存了每个 Keys 内的排序，但并行性确实引入了关于不同 Keys 的聚合结果到达接收器的顺序的非确定性。

有关配置和控制并行性的详细信息，请参阅 并行执行 的文档。

窗口

聚合事件（例如，计数，总和）在流上的工作方式与批处理方式不同。例如，不可能计算流中的所有数据元，因为流通常是无限的（无界）。相反，流上的聚合（计数，总和等）由 窗口 限定，例如 “在最后 5 分钟内计数” 或 “最后 100 个数据元的总和” 。

Windows 可以是 时间驱动的 （例如：每 30 秒）或 数据驱动 （例如：每 100 个数据元）。一个典型地区分不同类型的窗口，例如 翻滚窗口 （没有重叠）， 滑动窗口 （具有重叠）和 会话窗口 （由不活动的间隙打断）。

更多窗口示例可以在此 博客文章中 找到。更多详细信息在 窗口文档中 。

时间

当在流程序中引用时间（例如定义窗口）时，可以参考不同的时间概念：

• 事件时间 是创建 事件的时间 。它通常由事件中的时间戳描述，例如由生产传感器或生产服务附加。Flink 通过 时间戳分配器 访问事件时间戳。
• 摄取时间 是事件在源算子处输入 Flink 数据流的时间。
• 处理时间 是执行基于时间的 算子操作的每个算子的本地时间。

有关如何处理时间的更多详细信息，请参阅 事件时间文档 。

有状态的 算子操作

虽然数据流中的许多 算子操作只是一次查看一个单独的 事件 （例如事件解析器），但某些 算子操作会记住多个事件（例如窗口算子）的信息。这些 算子操作称为 有状态 。

状态 算子操作的状态保持在可以被认为是嵌入式键/值存储的状态中。状态被分区并严格地与有状态算子读取的流一起分发。因此，只有在 keyBy（） 函数之后才能在 被 Key 化的数据流 上访问键/值状态，并且限制为与当前事件的键相关联的值。对齐流和状态的 Keys 可确保所有状态更新都是本地 算子操作，从而保证一致性而无需事务开销。此对齐还允许 Flink 重新分配状态并透明地调整流分区。

有关更多信息，请参阅有关 状态 的文档。

容错检查点

Flink 使用 流重放 和 检查点 的组合实现容错。检查点与每个输入流中的特定点以及每个算子的对应状态相关。通过恢复 算子的状态并从检查点重放事件，可以从检查点恢复流数据流，同时保持一致性 （恰好一次处理语义） 。

检查点间隔是在执行期间用恢复时间（需要重放的事件的数量）来折衷容错开销的手段。

容错内部 的描述提供了有关 Flink 如何管理检查点和相关主题的更多信息。有关启用和配置检查点的详细信息，请参阅 检查点 API 文档 。

流处理批处理

Flink 执行 批处理程序 作为流程序的特殊情况，其中流是有界的（有限数量的数据元）。一个 数据集 在内部视为数据流。因此，上述概念以相同的方式应用于批处理程序，并且它们适用于流程序，除了少数例外：

• 批处理程序的容错 不使用检查点。通过完全重放流来恢复。这是可能的，因为输入有限。这会使成本更多地用于恢复，但使常规处理更便宜，因为它避免了检查点。
• DataSet API 中的有状态 算子操作使用简化的内存/核外数据结构，而不是键/值索引。
• DataSet API 引入了特殊的同步（超级步骤）迭代，这些迭代只能在有界流上进行。有关详细信息，请查看 迭代文档 。

下一步

继续使用 Flink 的 Distributed Runtime 中 的基本概念。