Flink基础(一)基本概念

Flink基础（一）基本概念

是一个分布式，有状态，流处理引擎（SPE），实现低延时，高吞吐。
- 分布式（Distributed）：有多个物理节点来处理数据，各个物理节点之间通过网络相连，用来传输数据或者控制信息。
- 有状态（Stateful）：这里引用在一篇论文中看到的来描述状态：
  
  “the intermediate value of a specific computation that will be used in subsequent operations during the processing of a data flow”
  
  也就是说State（状态）就是上下游处理的中间结果，一般是保存在算子（Operator）的内存中，两者关系如下所示。
- 流处理（Stream）：能够处理有界数据流（Bounded Data Stream）和无界数据流（Unbounded Data Stream）
- 时间（Time）：时间机制也是Flink中很重要的一个概念。Events从提交时刻的Event-Time顺序和最终被处理的时的Process-Time顺序是可能不一致的，也就是Flink中的乱序问题，这就和后续的一些内部机制有关系了，后续再说。（下图中Event可以从类似IoT的传感器或者是像Kafka这样的消息队列产生，经过各种传输之后，处理的先后顺序可能和最初的产生顺序不同了）
之前的大数据引擎例如Spark（可以进行流数据处理，但是还是基于batch的批处理，只不过是将batch缩小来近似的实现stream处理）；还有Storm（是可以进行真正的流处理，但是吞吐很低）

Flink程序运行的过程
- 每一个 Flink application 映射成 dataflow，dataflow 在逻辑上一般对应一个DAG图（也有有环图的情况），最终在物理上形成一个分布式拓扑架构
- Stream的数据不断的从数据源source中进入系统，经过各种操作（map（），keyby（）等等）最后再写入到sink中
  - 其中某些聚合操作，join，count这种运算是积累性质的，就需要保存中间数据，这些中间数据就是前面说的状态，一般保存在执行操作的Operator的内存中
  - 常见的source和sink如下图

Flink运行时是由多个顶点和边构成的分布式结构；其中顶点就是各种Operator（或者叫做Worker，算子，instance，运算实例），边就是Operator交换数据的通道（上面流着data stream）
- 其中Operator就相当于函数映射，完成数据转换又分为TaskManager和JobManager
  - 一般情况下一个系统中只有一个 TaskManager ，但是在高可用的部署（HA模式）情况下，为了保证系统的稳定，可能会有多个。
  - TaskManager一般都是多个
    - TaskManager：协调整个分布式系统，协调任务的分发，还会存储整个系统的checkpoint
    - JobManager：保存State，执行Task
每一个Taskmanager就是一个JVM进程；其中有多个slots用来作为资源的分配单位（一般就是分配内存）
在上图中，用户作为Client将编写好的程序提交，系统将job提交给Jobmanager，Jobmanager作为整个系统的协调者将用户提交的job映射成DAG图，然后转化为实际的物理分布式运行结构部署到各个TaskManager上运行。