Flink入门介绍

什么是Flink

Apache Flink是一个分布式大数据处理引擎，可以对有限数据流和无限数据流进行有状态计算。可部署在各种集群环境，对各种大小的数据规模进行快速计算。

Flink特性

• 支持高吞吐、低延迟、高性能的流式数据处理，而不是用批处理模拟流式处理。
• 支持多种时间窗口，如事件时间窗口、处理时间窗口
• 支持exactly-once语义
• 具有轻量级容错机制
• 同时支持批处理和流处理
• 在JVM层实现内存优化与管理
• 支持迭代计算
• 支持程序自动优化
• 不仅提供流式处理API，批处理API，还提供了基于这两层API的高层的数据处理库

Flink体系架构

Flink运行时主要由JobManager和TaskManager两个组件组成，Flink架构也遵循主从架构设计原则，JobManager为Master节点，TaskManager为Worker节点。所有组件之间的通信是通过Akka完成，包括任务的状态以及Checkpoint触发等信息。

JobManager

JobManager是Flink主从架构中的Master。

JobManager负责分布式任务管理，如任务调度、检查点、故障恢复等。在高可用分布式部署时，系统中可以有多个JobManager，但是只有一个Leader，其他都是Standby。

TaskManager

TaskManager是Flink主从架构中的worker。

TaskManager负责具体的任务执行和对应任务在每个节点上的资源申请与管理。Flink在运行时至少会存在一个TaskManager。每个TaskManager负责管理其所在节点上的资源信息，如内存、磁盘、网络，在启动的时候会将资源的状态汇报给JobManager。

TaskManager是在JVM中的一个或多个线程中执行任务的工作节点。任务执行的并行度由每个TaskManager上可用的任务槽决定。每个任务代表分给任务槽的一组资源。可以在任务槽中运行一个或多个线程。同一个插槽中的线程共享相同的JVM。同一JVM中的任务共享TCP连接和心跳消息。TaskManager的一个slot代表一个可用线程，该线程具有固定的内存。Flink允许子任务共享Slot，即使它们是不同的task的subtask，只要它们来自相同的job就可以。这种共享可以更好的利用资源。

Client

当用户提交一个Flink程序时，会首先创建一个Client，该Client首先会对用户提交的Flink程序进行预处理，并提交到Flink集群中处理，所以Client需要从用户提交的Flink程序配置中获取JobManager的地址，并建立到JobManager的连接，将Flink Job提交给JobManager，Client会将用户提交的Flink程序组装成一个JobGraph，并且是以JobGraph的形式提交。一个JobGraph是一个Flink Dataflow，它是由多个JobVertex组成的DAG。其中，一个JobGraph包含了一个Flink程序的如下信息：JobID、Job名称、配置信息、一组JobVertex等。

客户端通过将编写好的Flink应用编译打包，提交到JobManager，然后JobManager会根据已经注册在JobManager中TaskManager的资源情况，将任务分配给有资源的TaskManager节点，然后启动并与运行任务。TaskManager从JobManager接收需要部署的任务，然后使用Slot资源启动Task，建立数据接入的网络连接，接收数据并开始数据处理。同时TaskManager之间的数据交互都是通过数据流的方式进行的。

Flink组件栈

Flink是一个分层架构的系统，每一层所包含的组件都提供了特定的抽象，用来服务于上层组件。Flink分层的组件栈如下图所示：

Deployment层

Deployment层主要涉及了Flink的部署模式，Flink支持多种部署模式：

• 本地模式
• 集群模式(Standalone、YARN)
• 云（GCE/EC2）

Runtime层

Runtime层提供了支持Flink计算的全部核心实现，如：

• 支持分布式Stream处理
• JobGraph到ExecutionGraph的映射、调度等，为上层API层服提供基础服务

API层

API层主要实现了面向无界Stream的流出来和面向Batch的批处理API。

其中面向流处理对应DataStream API，面向批处理对应DataSet API。

Libraries层

Libraries层也可以称为Flink应用框架层，根据API层的划分，在API层上构建的满足特定应用的实现计算框架，也分别对应于面向流处理和面向批处理两类。

• 面向流处理支持：CEP（复杂事件处理）、基于SQL-like的操作（基于Table的关系操作）
• 面向批处理支持：FlinkML（机器学习库）、Gelly（图处理）。

Flink编程模型

流处理与批处理

在大数据领域，批处理任务与流处理任务一般被认为是两种不同的任务，一个大数据框架一般会被设计为只能处理其中一种任务。例如Storm只支持流处理任务，而MapReduce、Spark支持吃批处理任务。Spark Streaming是Spark之上支持流处理任务的子系统，看似是一个特例，其实Spark Streaming采用的是micro-batch的架构，即把输入的数据流切分成细粒度的batch，并为每一个batch数据提交一个批处理的Spark任务，所以Spark Streaming本质上还是基于Spark批处理系统对流式数据进行处理，和Storm等完全流式的数据处理方式完全不同。

Flink通过灵活的执行引擎，能够同时支持批处理和流处理任务。

在执行引擎这一层，流处理系统与批处理系统最大的不同在于节点间的数据传输方式。

• 对于一个流处理系统，其节点间数据传输的标准模型是：当一条数据被处理完成后，序列化到缓存汇总，然后立刻通过网络传输到下一个节点，由下一个节点急需处理。
• 对于一个批处理系统，其节点间数据传输的标准模型是：当一条数据被处理完成后，序列化到缓存中，并不会立刻通过网络传输到下一个节点，当缓存写满，就持久化到本地硬盘上，当所有数据都被处理完成后，才开始将处理后的数据通过网络传输到下一个节点。

这两种数据传输模式是两个极端，对应的是流处理系统对低延迟的要求和批处理系统对高吞吐的要求。

Flink的执行引擎采用了一种十分灵活的方式，同时支持了这两种数据传输模型。

Flink以固定的缓存块为单位进行网络数据传输，用户可以通过设置缓存块超时值指定缓存块的传输时机。

• 如果缓存块的超时值为0，则Flink的数据传输方式类似上文所提到的流处理系统的标准模型，此时系统可以获得最低的处理延迟。
• 如果缓存块的超时值为无限大，则Flink的数据传输方式类似上文提到批处理系统的标准模型，此时系统可以获得最高的吞吐量。
• 缓存块的超时值也可以设置为0到无限大之间的任意值。缓存块的超时阈值越小，则Flink流处理执行引擎的数据处理延迟越低，但吞吐量也会降低，反之亦然。通过调整缓存块的超时阈值，用户可根据需求灵活地权衡系统延迟和吞吐量。

Flink编程接口

Flink根据数据及类型的不同将数据处理结构分为两大类：

• 支持批处理的计算接口DataSet API
• 支持流计算的计算接口DataStream API

Flink将数据处理接口抽象成四层：

1. SQL API：由于SQL语言具有比较低的学习成本，能够让数据分析人员和开发人员快速上手，帮助其更加专注业务本身而不受限于复杂的编程接口，可以通过SQL API完成对批计算和流计算的处理。
2. Table API：Table API将内存中DataStream和DataSet数据库在原有的基础上增加Schema信息，将数据类型统一抽象成表结构，然后通过Table API提供的接口处理对应的数据集。
3. DataStream/DataSet API：主要面向具有开发经验的用户，用户可以根据API去处理无界流数据和批量数据。
4. Stateful Stream Processing：Stateful Stream Processing是Flink中处理Stateful Stream最底层的接口，可以使用Stateful Stream Processing接口操作状态、时间等底层数据。Stateful Stream Processing接口很灵活，可以实现非常复杂的流式计算逻辑。

Flink程序结构

下面看下scala写的Flink wordcount例子：

// 配置执行环境

val env = ExecutionEnvironment.getExecutionEnvironment

// 指定数据源地址，读取输入数据

val text = env.readTextFile("/path/to/file")

// 对数据集指定转换操作逻辑

val counts = text.flatMap { _.toLowerCase.split("\\W+") filter { _.nonEmpty } }

.map { (_, 1) }

.groupBy(0)

.sum(1)

// 指定计算结果输出位置

counts.writeAsCsv(outputPath, "\n", " ")

// 指定名称并处罚流式任务

env.execute("Flink WordCount")

从上面可以看出，Flink应用程序基本包含以下5个步骤：

1. 配置Flink的执行环境
2. 创建和加载数据集
3. 对数据集指定转换操作逻辑、
4. 指定计算结果输出位置
5. 调用execute方法触发程序执行

Flink程序与数据流

Flink程序是由Stream和Transformation这两个基本构建块组成，其中Stream是一个中间结果数据，而Transformation是一个操作，它对一个或多个输出Stream进行计算处理，输出一个或多个结果Stream。

当一个Flink程序被执行的时候，它会映射为Streaming Dataflow。

一个Streaming Dataflow是由一组Stream和Transformation Operator组成，类似一个DAG图，在启动的时候从一个或多个Source Operator开始，结束于一个或多个Sink Operator。

一个由Flink程序映射为Streaming Dataflow的示意图，如下所示：

FlinkKafkaConsumer是一个Source Operator

map、keyBy、timeWindow、apply是Transformation Operator

RollingSink是一个Sink Operator

Flink应用场景分析

• 优化电商网站的实时搜索结果 阿里巴巴的基础设置团队使用Flink实时更新产品细节和库存信息
• 针对数据分析团队提供实时流处理服务 通过Flink数据分析凭条提供实时数据分析服务，及时发现问题
• 网络/传感器检测和错误检测 Bouygues电信公司，使用Flink监控其有线和无线网络，实现快速故障响应
• 商业智能分析ETL Zalando使用Flink转换数据以便于加载到数据仓库，将复杂的转换操作转化为相对简单的并确保分析终端用户可以更快的访问数据（实时ETL）