【Flink入门修炼】1-1 为什么要学习 Flink？

流处理和批处理是什么？

什么是 Flink？为什么要学习 Flink？

Flink 有什么特点，能做什么？

本文将为你解答以上问题。

一、批处理和流处理

早些年，大数据处理还主要为批处理，一般按天或小时定时处理数据，代表性的框架为 MapReduce、Hive、Spark 等。

但是，传统批处理的问题也很快显现：

• 实时性低，数据一般为 T-1 的数据
• 数据存储方式，无法按行进行修改，需要按分区重写
• 必须等数据都到了才能开始计算
• 计算处理时间一般较长

为了解决批处理的问题，流处理应运而生。

流处理能将实时产生的数据，实时计算。将延迟降低到秒级或者毫秒级。

流处理引擎也已经经过了几代的发展，需要一个高吞吐、低延迟、高性能的分布式处理框架。

Flink 作为如今的佼佼者，在各大公司大规模使用，下面我们来介绍下 Flink。

二、Flink是什么

Apache Flink 是一个面向分布式数据流处理和批量数据处理的开源计算平台，提供流处理和批处理两种类型应用功能。

另一方面，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。

Flink 常见数据处理流程：

左边是数据源，可以是实时日志、数据库、文件系统等。

中间是Flink，负责对数据进行处理。

右边是输出，Flink可以将计算好的数据输出到其它应用中，或者存储系统中。

三、特点

1、高吞吐、低延迟、高性能。

Flink 是目前开源社区中唯一一套集高吞吐、低延迟、高性能三者于一身的分布式流式处理框架。

像 Spark 使用微批处理方式，使其在流式计算中无法做到低延迟保障；

而 Storm 无法满足高吞吐的要求。

2、同时支持事件时间和处理时间语义。

处理时间好理解，就是数据到达框架开始计算的时间，此方式也方便实现。

另一个，事件时间是指的数据产生时间。由于数据从产生到传入计算框架，中间会经过多个服务，也会因各种网络问题造成延迟，导致数据并不是按照产生时间的先后顺序到达计算框架的。如何处理乱序数据，是框架需要处理的一个重要问题。

Flink 则能够同时支持 事件时间 和 处理时间 进行窗口计算。

3、支持有状态计算，并提供精确一次的状态一致性保障。

所谓状态，就是之前数据计算得到的结果，这个结果不光是输出的部分，还包括中间算子的计算结果（如 pv、uv 等）。

这样当有下一个数据流入时，不再需要将之前的数据再加上新数据重新计算，直接用原来的结果继续算就行。这种方式极大地提升了系统的性能，并降低了数据计算过程的资源消耗。

4、基于轻量级分布式快照实现的容错机制。

Flink 能够分布式运行在上千个节点上，将一个大型计算任务的流程拆解成小的计算过程，然后将 Task 分布到并行节点上进行处理。

通过基于分布式快照技术的 Checkpoints，将执行过程中的状态信息进行持久化存储，一旦任务出现异常终止，Flink 就能够从 Checkpoints 中进行任务的自动恢复，以确保数据中处理过程中的一致性。

5、保证了高可用，动态扩展。

支持高可用性配置（无单点失效），和 Kubernetes、YARN、Apache Mesos 紧密集成，快速故障恢复，动态扩缩容作业等。基于上述特点，它可以7 X 24小时运行流式应用，几乎无须停机。

当需要动态更新或者快速恢复时，Flink 通过 Savepoints 技术将任务执行的快照保存在存储介质上，当任务重启的时候可以直接从事先保存的 Savepoints 恢复原有的计算状态，使得任务继续按照停机之前的状态运行。

6、支持高度灵活的窗口操作。

Flink将窗口划分为基于 Time、Count、Session，以及 Data-driven 等类型的窗口操作，窗口可以用灵活的触发条件定制化来达到对复杂流传输模式的支持，用户可以定义不同的窗口触发机制来满足不同的需求。

四、应用场景

在实际生产的过程中，大量数据在不断地产生，例如金融交易数据、互联网订单数据、GPS定位数据、传感器信号、移动终端产生的数据、通信信号数据等，以及我们熟悉的网络流量监控、服务器产生的日志数据，这些数据最大的共同点就是实时从不同的数据源中产生，然后再传输到下游的分析系统。

针对这些数据类型主要包括以下场景，Flink 对这些场景都有非常好的支持。暂时不理解如何起作用的没关系，有个大概印象即可。

1、实时智能推荐

利用Flink流计算帮助用户构建更加实时的智能推荐系统，对用户行为指标进行实时计算，对模型进行实时更新，对用户指标进行实时预测，并将预测的信息推送给Web/App端，帮助用户获取想要的商品信息，另一方面也帮助企业提高销售额，创造更大的商业价值。

2、复杂事件处理

例如工业领域的复杂事件处理，这些业务类型的数据量非常大，且对数据的时效性要求较高。我们可以使用Flink提供的CEP（复杂事件处理）进行事件模式的抽取，同时应用Flink的SQL进行事件数据的转换，在流式系统中构建实时规则引擎。

3、实时欺诈检测

在金融领域的业务中，常常出现各种类型的欺诈行为。运用Flink流式计算技术能够在毫秒内就完成对欺诈判断行为指标的计算，然后实时对交易流水进行规则判断或者模型预测，这样一旦检测出交易中存在欺诈嫌疑，则直接对交易进行实时拦截，避免因为处理不及时而导致的经济损失

4、实时数仓与ETL

结合离线数仓，通过利用流计算等诸多优势和SQL灵活的加工能力，对流式数据进行实时清洗、归并、结构化处理，为离线数仓进行补充和优化。另一方面结合实时数据ETL处理能力，利用有状态流式计算技术，可以尽可能降低企业由于在离线数据计算过程中调度逻辑的复杂度，高效快速地处理企业需要的统计结果，帮助企业更好的应用实时数据所分析出来的结果。

5、流数据分析

实时计算各类数据指标，并利用实时结果及时调整在线系统相关策略，在各类投放、无线智能推送领域有大量的应用。流式计算技术将数据分析场景实时化，帮助企业做到实时化分析Web应用或者App应用的各种指标。

6、实时报表分析

实时报表分析说近年来很多公司采用的报表统计方案之一，其中最主要的应用便是实时大屏展示。利用流式计算实时得出的结果直接被推送到前段应用，实时显示出重要的指标变换，最典型的案例就是淘宝的双十一实时战报。

五、小结

本文从批处理和流处理的区别入手，为了处理实时数据，流处理应运而生。在一代代流处理框架的演进过程中，Flink 通过其高吞吐、低延迟、高性能的特点，成为了当前炙手可热的流处理框架。

后面介绍了 Flink 框架的一些基本特点和应用场景，带大家初步了解了 Flink 框架。

后续将带大家深入了解 Flink 框架的内存，敬请期待。

---

参考文章：

什么是流处理和批处理？

Flink（2）：为什么选择Flink - 掘金

Flink01：快速了解Flink：什么是Flink、Flink架构图、Flink三大核心组件、Flink的流处理与批处理、Storm vs SparkStreaming vs Flink-CSDN博客