Flink基础（二）之DS简介（2）Flink简介

　　1初识Flink
　　Flink项目的理念是：ApacheFlink是为分布式、高性能、随时可用以及准确的流处理应用程序打造的开源流处理框架。
　　ApacheFlink是一个框架和分布式处理引擎，用于对无界和有界数据流进行有状态计算。Flink被设计在所有常见的集群环境中运行，以内存执行速度和任意规模来执行计算。
　　2Flink的重要特点
　　2。1事件驱动型（Eventdriven）
　　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。2流与批的世界观
　　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。
　　流处理的特点是无界、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无界流。
　　无界数据流：无界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，必须连续处理无界流，也就是说必须在获取后立即处理event。对于无界数据流我们无法等待所有数据都到达，因为输入是无界的，并且在任何时间点都不会完成。处理无界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。
　　2。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（ProcessFunction）被嵌入到DataStreamAPI中。底层过程函数（ProcessFunction）与DataStreamAPI相集成，使其可以对某些特定的操作进行底层的抽象，它允许用户可以自由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（CoreAPIs）进行编程，比如DataStreamAPI（有界或无界流数据）以及DataSetAPI（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。DataSetAPI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。
　　TableAPI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）。TableAPI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、groupby、aggregate等。TableAPI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TableAPI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，TableAPI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DataStreamDataSet之间无缝切换，以允许程序将TableAPI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TableAPI类似，但是是以SQL查询表达式的形式表现程序。SQL抽象与TableAPI交互密切，同时SQL查询可以直接在TableAPI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。FlinkTableAPI和FlinkSQL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DataStreamAPI的使用。实际上Flink作为最接近GoogleDataFlow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。